─░├žeri─če ge├ž

Sorunsuz Da─č─▒t─▒m i├žin YOLOv8 adresinden NCNN adresine Nas─▒l Aktar─▒l─▒r

Bilgisayarla g├Ârme modellerini mobil veya g├Âm├╝l├╝ sistemler gibi s─▒n─▒rl─▒ hesaplama g├╝c├╝ne sahip cihazlara da─č─▒tmak zor olabilir. Optimum performans i├žin optimize edilmi┼č bir format kulland─▒─č─▒n─▒zdan emin olman─▒z gerekir. Bu, s─▒n─▒rl─▒ i┼člem g├╝c├╝ne sahip cihazlar─▒n bile geli┼čmi┼č bilgisayarla g├Ârme g├Ârevlerini iyi bir ┼čekilde yerine getirebilmesini sa─člar.

NCNN format─▒na d─▒┼ča aktarma ├Âzelli─či, dosyalar─▒n─▒z─▒ optimize etmenizi sa─člar Ultralytics YOLOv8 hafif cihaz tabanl─▒ uygulamalar i├žin modeller. Bu k─▒lavuzda, modellerinizi NCNN format─▒na nas─▒l d├Ân├╝┼čt├╝rebilece─činiz konusunda size yol g├Âstererek modellerinizin ├že┼čitli mobil ve g├Âm├╝l├╝ cihazlarda iyi performans g├Âstermesini kolayla┼čt─▒raca─č─▒z.

Neden NCNN adresine ihracat yapmal─▒s─▒n─▒z?

NCNN genel bak─▒┼č

Bu NCNN Tencent taraf─▒ndan geli┼čtirilen ├žer├ževe, cep telefonlar─▒, g├Âm├╝l├╝ cihazlar ve IoT cihazlar─▒ dahil olmak ├╝zere mobil platformlar i├žin ├Âzel olarak optimize edilmi┼č y├╝ksek performansl─▒ bir sinir a─č─▒ ├ž─▒kar─▒m hesaplama ├žer├ževesidir. NCNN , Linux, Android, iOS ve macOS dahil olmak ├╝zere ├žok ├že┼čitli platformlarla uyumludur.

NCNN mobil CPU'lardaki y├╝ksek i┼člem h─▒z─▒yla bilinir ve derin ├Â─črenme modellerinin mobil platformlara h─▒zl─▒ bir ┼čekilde da─č─▒t─▒lmas─▒n─▒ sa─člar. Bu da ak─▒ll─▒ uygulamalar olu┼čturmay─▒ kolayla┼čt─▒rarak yapay zekan─▒n g├╝c├╝n├╝ parmaklar─▒n─▒z─▒n ucuna getiriyor.

NCNN Modellerinin Temel ├ľzellikleri

NCNN modeller, geli┼čtiricilerin modellerini mobil, g├Âm├╝l├╝ ve u├ž cihazlarda ├žal─▒┼čt─▒rmalar─▒na yard─▒mc─▒ olarak cihaz ├╝zerinde makine ├Â─črenimini m├╝mk├╝n k─▒lan ├žok ├že┼čitli temel ├Âzellikler sunar:

  • Verimli ve Y├╝ksek Performansl─▒: NCNN modelleri, s─▒n─▒rl─▒ kaynaklara sahip Raspberry Pi gibi mobil ve g├Âm├╝l├╝ cihazlarda ├žal─▒┼čmak i├žin optimize edilmi┼č, verimli ve hafif olacak ┼čekilde ├╝retilmi┼čtir. Ayr─▒ca ├že┼čitli bilgisayar g├Âr├╝┼č├╝ tabanl─▒ g├Ârevlerde y├╝ksek do─črulukla y├╝ksek performans elde edebilirler.

  • Niceleme: NCNN modelleri genellikle modelin a─č─▒rl─▒klar─▒n─▒n ve aktivasyonlar─▒n─▒n hassasiyetini azaltan bir teknik olan nicelemeyi destekler. Bu, performansta daha fazla iyile┼čme sa─člar ve bellek ayak izini azalt─▒r.

  • Uyumluluk: NCNN modelleri a┼ča─č─▒daki gibi pop├╝ler derin ├Â─črenme ├žer├ževeleri ile uyumludur TensorFlow, Caffe, ve ONNX. Bu uyumluluk, geli┼čtiricilerin mevcut modelleri ve i┼č ak─▒┼člar─▒n─▒ kolayca kullanabilmelerini sa─člar.

  • Kullan─▒m─▒ Kolay: NCNN modelleri, pop├╝ler derin ├Â─črenme ├žer├ževeleriyle uyumluluklar─▒ sayesinde ├že┼čitli uygulamalara kolay entegrasyon i├žin tasarlanm─▒┼čt─▒r. Ayr─▒ca NCNN , modelleri farkl─▒ formatlar aras─▒nda d├Ân├╝┼čt├╝rmek i├žin kullan─▒c─▒ dostu ara├žlar sunarak geli┼čtirme ortam─▒nda sorunsuz birlikte ├žal─▒┼čabilirlik sa─člar.

ile Da─č─▒t─▒m Se├ženekleri NCNN

Before we look at the code for exporting YOLOv8 models to the NCNN format, let's understand how NCNN models are normally used.

NCNN Verimlilik ve performans i├žin tasarlanan modeller, ├že┼čitli da─č─▒t─▒m platformlar─▒yla uyumludur:

  • Mobil Da─č─▒t─▒m: Android ve iOS i├žin ├Âzel olarak optimize edilmi┼čtir ve cihaz ├╝zerinde verimli ├ž─▒kar─▒m i├žin mobil uygulamalara sorunsuz entegrasyon sa─člar.

  • G├Âm├╝l├╝ Sistemler ve IoT Cihazlar─▒: Raspberry Pi ├╝zerinde Ultralytics K─▒lavuzu ile ├ž─▒kar─▒m yapman─▒n yeterince h─▒zl─▒ olmad─▒─č─▒n─▒ d├╝┼č├╝n├╝yorsan─▒z, NCNN d─▒┼ča aktar─▒lm─▒┼č bir modele ge├žmek i┼čleri h─▒zland─▒rmaya yard─▒mc─▒ olabilir. NCNN , Raspberry Pi ve NVIDIA Jetson gibi cihazlar i├žin, ├Âzellikle de do─črudan cihaz ├╝zerinde h─▒zl─▒ i┼člem yapman─▒z gereken durumlarda harikad─▒r.

  • Masa├╝st├╝ ve Sunucu Da─č─▒t─▒m─▒: Linux, Windows ve macOS'ta masa├╝st├╝ ve sunucu ortamlar─▒nda konu┼čland─▒r─▒labilir ve daha y├╝ksek hesaplama kapasiteleriyle geli┼čtirme, e─čitim ve de─čerlendirmeyi destekler.

NCNN adresine aktar─▒n: YOLOv8 Modelinizi D├Ân├╝┼čt├╝rme

YOLOv8 modellerini NCNN format─▒na d├Ân├╝┼čt├╝rerek model uyumlulu─čunu ve da─č─▒t─▒m esnekli─čini art─▒rabilirsiniz.

Kurulum

Gerekli paketleri y├╝klemek i├žin ├žal─▒┼čt─▒r─▒n:

Kurulum

# Install the required package for YOLOv8
pip install ultralytics

Kurulum s├╝reciyle ilgili ayr─▒nt─▒l─▒ talimatlar ve en iyi uygulamalar i├žin Ultralytics Kurulum k─▒lavuzumuza g├Âz at─▒n. YOLOv8 i├žin gerekli paketleri y├╝klerken herhangi bir zorlukla kar┼č─▒la┼č─▒rsan─▒z, ├ž├Âz├╝mler ve ipu├žlar─▒ i├žin Ortak Sorunlar k─▒lavuz umuza ba┼čvurun.

Kullan─▒m

Kullan─▒m talimatlar─▒na ge├žmeden ├Ânce, t├╝m Ultralytics YOLOv8 modellerinin d─▒┼ča aktar─▒labildi─čini, ancak se├žti─činiz modelin d─▒┼ča aktarma i┼člevini destekledi─činden burada emin olabilece─činizi belirtmek ├Ânemlidir.

Kullan─▒m

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates '/yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("./yolov8n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates '/yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='./yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Desteklenen d─▒┼ča aktarma se├ženekleri hakk─▒nda daha fazla bilgi i├žin da─č─▒t─▒m se├ženekleriyle ilgiliUltralytics belge sayfas─▒n─▒ ziyaret edin.

D─▒┼ča Aktar─▒lan YOLOv8 NCNN Modellerini Da─č─▒tma

Ultralytics YOLOv8 modellerinizi NCNN bi├žimine ba┼čar─▒yla aktard─▒ktan sonra, art─▒k bunlar─▒ da─č─▒tabilirsiniz. Bir NCNN modelini ├žal─▒┼čt─▒rmak i├žin birincil ve ├Ânerilen ilk ad─▒m, ├Ânceki kullan─▒m kod par├žas─▒nda belirtildi─či gibi YOLO("./model_ncnn_model") y├Ântemini kullanmakt─▒r. Bununla birlikte, NCNN modellerinizi di─čer ├že┼čitli ayarlarda da─č─▒tmaya ili┼čkin ayr─▒nt─▒l─▒ talimatlar i├žin a┼ča─č─▒daki kaynaklara g├Âz at─▒n:

  • Android: Bu blog, Android uygulamalar─▒ arac─▒l─▒─č─▒yla nesne alg─▒lama gibi g├Ârevleri ger├žekle┼čtirmek i├žin NCNN modellerinin nas─▒l kullan─▒laca─č─▒n─▒ a├ž─▒klamaktad─▒r.

  • macOS: macOS ├╝zerinden g├Ârevleri ger├žekle┼čtirmek i├žin NCNN modellerinin nas─▒l kullan─▒laca─č─▒n─▒ anlay─▒n.

  • Linux: Raspberry Pi ve benzeri s─▒n─▒rl─▒ kaynaklara sahip cihazlarda NCNN modellerinin nas─▒l kullan─▒laca─č─▒n─▒ ├Â─črenmek i├žin bu sayfay─▒ ke┼čfedin.

  • VS2017 kullanarak Windows x64: Visual Studio Community 2017 kullanarak Windows x64 ├╝zerinde NCNN modellerinin nas─▒l da─č─▒t─▒laca─č─▒n─▒ ├Â─črenmek i├žin bu blogu ke┼čfedin.

├ľzet

Bu k─▒lavuzda, Ultralytics YOLOv8 modellerini NCNN format─▒na aktarmay─▒ ele ald─▒k. Bu d├Ân├╝┼čt├╝rme ad─▒m─▒, YOLOv8 modellerinin verimlili─čini ve h─▒z─▒n─▒ art─▒rmak, onlar─▒ daha etkili ve s─▒n─▒rl─▒ kaynakl─▒ bilgisayar ortamlar─▒ i├žin uygun hale getirmek i├žin ├žok ├Ânemlidir.

Kullan─▒mla ilgili ayr─▒nt─▒l─▒ talimatlar i├žin l├╝tfen resmi NCNN belgelerine bak─▒n.

Ayr─▒ca, Ultralytics YOLOv8 i├žin di─čer entegrasyon se├ženeklerini ke┼čfetmekle ilgileniyorsan─▒z, daha fazla i├žg├Âr├╝ ve bilgi i├žin entegrasyon k─▒lavuzu sayfam─▒z─▒ ziyaret etti─činizden emin olun.



Created 2024-03-01, Updated 2024-06-10
Authors: glenn-jocher (5), abirami-vina (1)

Yorumlar