YOLO26 Modelleri için ONNX Dışa Aktarma#

Bilgisayarlı görü modellerini dağıtırken genellikle hem esnek hem de birden fazla platformla uyumlu bir model formatına ihtiyaç duyarsın.

Ultralytics YOLO26 modellerini ONNX formatına aktarmak, dağıtımı kolaylaştırır ve çeşitli ortamlarda optimum performans sağlar. Bu kılavuzda YOLO26 modellerini ONNX'e nasıl kolayca dönüştürebileceğini ve gerçek dünya uygulamalarında ölçeklenebilirliklerini ve etkililiklerini nasıl artırabileceğini öğreneceksin.

ONNX ve ONNX Runtime#

Açık Sinir Ağı Değişimi anlamına gelen ONNX, başlangıçta Facebook ve Microsoft tarafından geliştirilen bir topluluk projesidir. ONNX'in devam eden geliştirilmesi IBM, Amazon (AWS aracılığıyla) ve Google gibi çeşitli kuruluşların desteklediği ortak bir çalışmadır. Projenin amacı, makine öğrenimi modellerini farklı AI çerçeveleri ve donanımlarda kullanılabilecek şekilde temsil eden açık bir dosya formatı oluşturmaktır.

ONNX modelleri, farklı çerçeveler arasında sorunsuz geçiş yapmak için kullanılabilir. Örneğin, PyTorch'ta eğitilen bir derin öğrenme modeli ONNX formatına aktarılabilir ve ardından kolayca TensorFlow'a içe aktarılabilir.

Alternatif olarak ONNX modellerini ONNX Runtime ile kullanabilirsin. ONNX Runtime, PyTorch, TensorFlow, scikit-learn vb. çerçevelerle uyumlu, makine öğrenimi modelleri için çok yönlü bir platformlar arası hızlandırıcıdır.

ONNX Runtime, donanıma özgü yeteneklerden yararlanarak ONNX modellerinin yürütülmesini optimize eder. Bu optimizasyon, modellerin CPU'lar, GPU'lar ve özel hızlandırıcılar dahil olmak üzere çeşitli donanım platformlarında verimli ve yüksek performansla çalışmasını sağlar.

ONNX, bağımsız olarak veya ONNX Runtime ile birlikte kullanıldığında makine öğrenimi model dağıtımı ve uyumluluğu için esnek bir çözüm sunar.

ONNX Modellerinin Temel Özellikleri#

ONNX'in çeşitli formatları işleyebilmesi şu temel özelliklere bağlanabilir:

• Ortak Model Gösterimi: ONNX, ortak bir işleç kümesi (evrişimler, katmanlar vb.) ve standart bir veri formatı tanımlar. Bir model ONNX formatına dönüştürüldüğünde mimarisi ve ağırlıkları bu ortak gösterime çevrilir. Bu tekdüzelik, modelin ONNX'i destekleyen tüm çerçeveler tarafından anlaşılabilmesini sağlar.

• Sürümleme ve Geriye Dönük Uyumluluk: ONNX, işleçleri için bir sürümleme sistemi kullanır. Bu sayede standart gelişse bile eski sürümlerde oluşturulan modeller kullanılmaya devam eder. Geriye dönük uyumluluk, modellerin hızla geçersiz hâle gelmesini önleyen kritik bir özelliktir.

• Grafik Tabanlı Model Gösterimi: ONNX, modelleri hesaplama grafikleri olarak temsil eder. Bu grafik tabanlı yapı, makine öğrenimi modellerini temsil etmenin evrensel bir yoludur; düğümler işlemleri veya hesaplamaları, kenarlar ise aralarında akan tensörleri temsil eder. Bu format, modelleri grafik olarak temsil eden çeşitli çerçevelere kolayca uyarlanabilir.

• Araçlar ve Ekosistem: ONNX çevresinde model dönüştürme, görselleştirme ve optimizasyon konularında yardımcı olan zengin bir araç ekosistemi vardır. Bu araçlar, geliştiricilerin ONNX modelleriyle çalışmasını ve modelleri farklı çerçeveler arasında sorunsuzca dönüştürmesini kolaylaştırır.

ONNX'in Yaygın Kullanım Alanları#

YOLO26 modellerini ONNX formatına nasıl aktaracağını incelemeden önce ONNX modellerinin genellikle nerelerde kullanıldığına göz atalım.

CPU Dağıtımı#

ONNX modelleri, ONNX Runtime ile uyumlulukları nedeniyle genellikle CPU'lara dağıtılır. Bu çalışma zamanı CPU yürütmesi için optimize edilmiştir. Çıkarım hızını önemli ölçüde artırır ve gerçek zamanlı CPU dağıtımlarını uygulanabilir hâle getirir.

Desteklenen Dağıtım Seçenekleri#

ONNX modelleri yaygın olarak CPU'larda kullanılsa da şu platformlara da dağıtılabilir:

• GPU Hızlandırma: ONNX, özellikle NVIDIA CUDA olmak üzere GPU hızlandırmasını tamamen destekler. AMD GPU'larda yerel eğitim ve çıkarım için PyTorch ROCm kullan; bir ONNX dosyası yine de AMD uyumlu bir çalışma zamanı gerektirir.

• Kenar ve Mobil Cihazlar: ONNX, uç cihaz ve gerçek zamanlı çıkarım senaryoları için ideal olan kenar ve mobil cihazlara da uzanır. Hafiftir, kenar donanımlarıyla uyumludur ve Huawei Ascend, Snapdragon cihazları için Qualcomm QNN ve Rockchip NPU'ları için RKNN gibi üretici NPU formatlarının temelini oluşturur.

• Web Tarayıcıları: ONNX doğrudan web tarayıcılarında çalışarak etkileşimli ve dinamik web tabanlı AI uygulamalarına güç verebilir.

Desteklenen Görevler#

ONNX dışa aktarma, yedi Ultralytics görevinin tamamını destekler. Anlamsal segmentasyon ve derinlik tahmini yalnızca bu başlıkları sunan tek aile olan YOLO26 ile kullanılabilir.

YOLO26 Modellerini ONNX'e Aktarma#

YOLO26 modellerini ONNX formatına dönüştürerek model uyumluluğunu ve dağıtım esnekliğini artırabilirsin. Ultralytics YOLO26, modelinin farklı platformlardaki performansını önemli ölçüde artırabilecek basit bir dışa aktarma süreci sunar.

Kurulum#

Gerekli paketi yüklemek için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Yükleme süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Yükleme kılavuzumuza bak. YOLO26 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Kullanım#

Kullanım talimatlarına geçmeden önce Ultralytics tarafından sunulan YOLO26 modellerine göz atmayı unutma. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olur.

ONNX formatı Dışa Aktarma, Tahmin ve Doğrulama modlarını destekler. Modelini dışa aktar, ardından çıkarım çalıştırmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo26n.onnx'

# Export an INT8-quantized ONNX model with calibration data
model.export(format="onnx", quantize=8, data="coco8.yaml")  # creates 'yolo26n_int8.onnx'

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Dışa Aktarma Bağımsız Değişkenleri#

YOLO26 modelini ONNX formatına aktarırken süreci, belirli dağıtım ihtiyaçlarına göre optimize etmek için çeşitli bağımsız değişkenlerle özelleştirebilirsin:

Dışa aktarma süreci hakkında daha fazla ayrıntı için Ultralytics'in dışa aktarma dokümantasyonu sayfasını ziyaret et.

Dışa Aktarılan YOLO26 ONNX Modellerini Dağıtma#

Ultralytics YOLO26 modellerini ONNX formatına başarıyla aktardıktan sonra sıradaki adım, bu modelleri çeşitli ortamlarda dağıtmaktır. ONNX modellerini dağıtma hakkında ayrıntılı talimatlar için şu kaynaklara göz at:

• ONNX Runtime Python API Belgeleri: Bu kılavuz, ONNX modellerini ONNX Runtime kullanarak yükleme ve çalıştırma hakkında temel bilgiler sağlar.

• Kenar Cihazlarda Dağıtım: ONNX modellerini kenar cihazlarda dağıtmaya yönelik farklı örnekler için bu belgeler sayfasına göz at.

• GitHub'da ONNX Eğitimleri: ONNX modellerinin farklı senaryolarda kullanılması ve uygulanmasının çeşitli yönlerini kapsayan kapsamlı eğitimler koleksiyonu.

• Triton Inference Server: Yüksek performanslı ve ölçeklenebilir dağıtımlar için ONNX modellerini NVIDIA'nın Triton Inference Server'ı ile nasıl dağıtacağını öğren.

Özet#

Bu kılavuzda, Ultralytics YOLO26 modellerini çeşitli platformlardaki birlikte çalışabilirliklerini ve performanslarını artırmak için ONNX formatına nasıl aktaracağını öğrendin. Ayrıca ONNX Runtime ve ONNX dağıtım seçenekleriyle tanıştın.

ONNX dışa aktarma, Ultralytics YOLO26 tarafından desteklenen birçok dışa aktarma formatından yalnızca biridir ve modellerini neredeyse her ortamda dağıtmana olanak tanır. Özel ihtiyaçlarına bağlı olarak maksimum GPU performansı için TensorRT veya Apple cihazları için CoreML gibi diğer dışa aktarma seçeneklerini de incelemek isteyebilirsin.

Kullanım hakkında daha fazla bilgi için ONNX resmi belgelerini ziyaret et.

Ayrıca diğer Ultralytics YOLO26 entegrasyonları hakkında daha fazla bilgi edinmek istersen entegrasyon kılavuzu sayfamızı ziyaret et. Orada birçok yararlı kaynak ve içgörü bulacaksın.

SSS#