Link to this sectionYOLO26 Modellerinden PaddlePaddle Formatına Nasıl Aktarılır#

Farklı koşullara sahip gerçek dünya senaryolarında bilgisayarlı görü modelleri geliştirme ve dağıtma arasındaki boşluğu doldurmak zor olabilir. PaddlePaddle, esneklik, performans ve dağıtık ortamlarda paralel işleme yeteneğine odaklanarak bu süreci kolaylaştırır. Bu, YOLO26 bilgisayarlı görü modellerini akıllı telefonlardan bulut tabanlı sunuculara kadar çok çeşitli cihaz ve platformlarda kullanabileceğin anlamına gelir.

PaddlePaddle model formatına aktarma yeteneği, Ultralytics YOLO26 modellerini PaddlePaddle çerçevesi içinde kullanım için optimize etmeni sağlar. PaddlePaddle, endüstriyel dağıtımları kolaylaştırmasıyla bilinir ve bilgisayarlı görü uygulamalarını çeşitli alanlardaki gerçek dünya ortamlarında dağıtmak için iyi bir seçimdir.

Link to this sectionNeden PaddlePaddle formatına aktarmalısın?#

Baidu tarafından geliştirilen PaddlePaddle (PArallel Distributed Deep LEarning), Çin'in ilk açık kaynaklı derin öğrenme platformudur. Çoğunlukla araştırma için oluşturulan bazı çerçevelerin aksine, PaddlePaddle endüstriler genelinde kullanım kolaylığına ve sorunsuz entegrasyona öncelik verir.

TensorFlow ve PyTorch gibi popüler çerçevelere benzer araçlar ve kaynaklar sunarak her deneyim seviyesinden geliştirici için erişilebilir hale gelir. Tarımdan fabrikalara ve hizmet işletmelerine kadar, PaddlePaddle'ın 4,77 milyonu aşkın büyük geliştirici topluluğu, yapay zeka uygulamaları oluşturmaya ve dağıtmaya yardımcı oluyor.

Ultralytics YOLO26 modellerini PaddlePaddle formatına aktararak, PaddlePaddle'ın performans optimizasyonundaki güçlü yönlerinden yararlanabilirsin. PaddlePaddle, verimli model yürütmeye ve azaltılmış bellek kullanımına öncelik verir. Sonuç olarak, YOLO26 modellerin pratik senaryolarda birinci sınıf sonuçlar sunarak daha da iyi performans elde edebilir.

Link to this sectionPaddlePaddle Modellerinin Temel Özellikleri#

PaddlePaddle modelleri, çeşitli dağıtım senaryolarında esnekliklerine, performanslarına ve ölçeklenebilirliklerine katkıda bulunan bir dizi temel özellik sunar:

• Dinamikten Statiğe Grafik: PaddlePaddle, modellerin statik bir hesaplama grafiğine dönüştürülebileceği dinamikten statiğe derlemeyi destekler. Bu, çalışma zamanı yükünü azaltan ve çıkarım performansını artıran optimizasyonlar sağlar.

• Operatör Birleştirme: PaddlePaddle, TensorRT gibi, hesaplamayı kolaylaştırmak ve yükü azaltmak için operatör birleştirmeyi kullanır. Çerçeve, uyumlu işlemleri birleştirerek bellek transferlerini ve hesaplama adımlarını en aza indirir, bu da daha hızlı çıkarım sağlar.

• Kuantizasyon: PaddlePaddle, eğitim sonrası kuantizasyon ve kuantizasyon farkındalıklı eğitim dahil olmak üzere kuantizasyon tekniklerini destekler. Bu teknikler, düşük hassasiyetli veri temsillerinin kullanılmasına olanak tanıyarak performansı etkin bir şekilde artırır ve model boyutunu küçültür.

Link to this sectionPaddlePaddle'daki Dağıtım Seçenekleri#

YOLO26 modellerini PaddlePaddle'a aktarmak için kodlara dalmadan önce, PaddlePaddle modellerinin öne çıktığı farklı dağıtım senaryolarına bir göz atalım.

PaddlePaddle, her biri kullanım kolaylığı, esneklik ve performans açısından farklı bir denge sunan bir dizi seçenek sağlar:

• Paddle Serving: Bu çerçeve, PaddlePaddle modellerinin yüksek performanslı RESTful API'ler olarak dağıtımını basitleştirir. Paddle Serving, model sürümlendirme, çevrimiçi A/B testi ve büyük hacimli istekleri yönetmek için ölçeklenebilirlik gibi özellikler sunarak üretim ortamları için idealdir.

• Paddle Inference API: Paddle Inference API, model yürütme üzerinde düşük seviyeli kontrol sağlar. Bu seçenek, modeli özel bir uygulamaya sıkı bir şekilde entegre etmen veya belirli bir donanım için performansı optimize etmen gereken senaryolar için çok uygundur.

• Paddle Lite: Paddle Lite, kaynakların sınırlı olduğu mobil ve gömülü cihazlarda dağıtım için tasarlanmıştır. Modelleri, ARM CPU'lar, GPU'lar ve diğer özel donanımlar üzerinde daha küçük boyutlar ve daha hızlı çıkarım için optimize eder.

• Paddle.js: Paddle.js, PaddlePaddle modellerini doğrudan web tarayıcılarında dağıtmanı sağlar. Paddle.js, önceden eğitilmiş bir modeli yükleyebilir veya Paddle.js tarafından sağlanan model dönüştürme araçlarıyla paddle-hub üzerindeki bir modeli dönüştürebilir. WebGL/WebGPU/WebAssembly destekleyen tarayıcılarda çalışabilir.

Link to this sectionPaddlePaddle'a Aktar: YOLO26 Modelini Dönüştürme#

YOLO26 modellerini PaddlePaddle formatına dönüştürmek, yürütme esnekliğini artırabilir ve çeşitli dağıtım senaryoları için performansı optimize edebilir.

Link to this sectionKurulum#

Gerekli paketi yüklemek için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Kurulum süreci ile ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Link to this sectionKullanım#

Tüm Ultralytics YOLO26 modelleri dışa aktarmayı destekler ve dağıtım ihtiyaçlarına en uygun olanı bulmak için tüm dışa aktarma formatları ve seçenekleri listesine göz atabilirsin.

PaddlePaddle formatı; Export, Predict ve Validate modlarını destekler. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

from ultralytics import YOLO

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

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo26n_paddle_model'

from ultralytics import YOLO

# Load the exported PaddlePaddle model
model = YOLO("./yolo26n_paddle_model")

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

from ultralytics import YOLO

# Load the exported PaddlePaddle model
model = YOLO("./yolo26n_paddle_model")

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

Link to this sectionDışa Aktarma Argümanları#

Dışa aktarma süreci hakkında daha fazla ayrıntı için dışa aktarma hakkındaki Ultralytics dokümantasyon sayfasına git.

Link to this sectionDışa Aktarılan YOLO26 PaddlePaddle Modellerini Dağıtma#

Ultralytics YOLO26 modellerini başarıyla PaddlePaddle formatına aktardıktan sonra, artık onları dağıtabilirsin. Bir PaddlePaddle modelini çalıştırmak için birincil ve önerilen ilk adım, önceki kullanım kod parçacığında belirtildiği gibi YOLO("yolo26n_paddle_model/") yöntemini kullanmaktır.

Ancak, PaddlePaddle modellerini diğer çeşitli ortamlarda dağıtmakla ilgili ayrıntılı talimatlar için aşağıdaki kaynaklara bir göz at:

• Paddle Serving: PaddlePaddle modellerini Paddle Serving kullanarak nasıl performanslı servisler olarak dağıtacağını öğren.

• Paddle Lite: Modelleri Paddle Lite kullanarak mobil ve gömülü cihazlarda nasıl optimize edeceğini ve dağıtacağını keşfet.

• Paddle.js: İstemci tarafında yapay zeka için PaddlePaddle modellerini web tarayıcılarında nasıl çalıştıracağını Paddle.js ile keşfet.

Link to this sectionÖzet#

Bu kılavuzda, Ultralytics YOLO26 modellerini PaddlePaddle formatına aktarma sürecini inceledik. Bu adımları izleyerek, modellerini farklı donanım ve yazılım ortamları için optimize ederek PaddlePaddle'ın çeşitli dağıtım senaryolarındaki güçlü yönlerinden yararlanabilirsin.

Kullanım hakkında daha fazla ayrıntı için PaddlePaddle resmi belgelerini ziyaret et.

Ultralytics YOLO26 modellerini entegre etmenin daha fazla yolunu keşfetmek mi istiyorsun? Entegrasyon kılavuzu sayfamız, sana değerli kaynaklar ve içgörüler kazandırarak çeşitli seçenekleri keşfeder.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO26 modellerini PaddlePaddle formatına nasıl aktarırım?#

Ultralytics YOLO26 modellerini PaddlePaddle formatına aktarmak oldukça basittir. Dönüştürmeyi gerçekleştirmek için YOLO sınıfının export yöntemini kullanabilirsin. İşte Python kullanan bir örnek:

from ultralytics import YOLO

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

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo26n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo26n_paddle_model")

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

Daha ayrıntılı kurulum ve sorun giderme için Ultralytics Kurulum Kılavuzu'na ve Yaygın Sorunlar Kılavuzu'na göz at.

Link to this sectionModel dağıtımı için PaddlePaddle kullanmanın avantajları nelerdir?#

PaddlePaddle, model dağıtımı için birkaç temel avantaj sunar:

• Performans Optimizasyonu: PaddlePaddle, verimli model yürütme ve azaltılmış bellek kullanımında üstündür.
• Dinamikten Statiğe Grafik Derleme: Çalışma zamanı optimizasyonlarına olanak tanıyan dinamikten statiğe derlemeyi destekler.
• Operatör Birleştirme: Uyumlu işlemleri birleştirerek hesaplama yükünü azaltır.
• Kuantizasyon Teknikleri: Performansı artırmak için düşük hassasiyetli veri temsillerine olanak tanıyan hem eğitim sonrası hem de kuantizasyon farkındalıklı eğitimi destekler.

Ultralytics YOLO26 modellerini PaddlePaddle'a aktararak gelişmiş sonuçlar elde edebilir, çeşitli uygulamalar ve donanım platformları genelinde esneklik ve yüksek performans sağlayabilirsin. PaddlePaddle'ın temel özelliklerini ve yeteneklerini resmi PaddlePaddle belgelerinde keşfet.

Link to this sectionYOLO26 modellerimi dağıtmak için neden PaddlePaddle'ı seçmeliyim?#

Baidu tarafından geliştirilen PaddlePaddle, endüstriyel ve ticari yapay zeka dağıtımları için optimize edilmiştir. Büyük geliştirici topluluğu ve sağlam çerçevesi, TensorFlow ve PyTorch'a benzer kapsamlı araçlar sunar. YOLO26 modellerini PaddlePaddle'a aktararak şunlardan yararlanırsın:

• Gelişmiş Performans: Optimum yürütme hızı ve azaltılmış bellek ayak izi.
• Esneklik: Akıllı telefonlardan bulut sunucularına kadar çeşitli cihazlarla geniş uyumluluk.
• Ölçeklenebilirlik: Dağıtık ortamlar için verimli paralel işleme yetenekleri.

Bu özellikler PaddlePaddle'ı üretim ortamlarında YOLO26 modellerini dağıtmak için ilgi çekici bir seçenek haline getirir.

Link to this sectionPaddlePaddle, model performansını diğer çerçevelere göre nasıl iyileştirir?#

PaddlePaddle, model performansını optimize etmek için birkaç gelişmiş teknik kullanır:

• Dinamikten Statiğe Grafik: Modelleri çalışma zamanı optimizasyonları için statik bir hesaplama grafiğine dönüştürür.
• Operatör Birleştirme: Bellek aktarımını en aza indirmek ve çıkarım hızını artırmak için uyumlu işlemleri birleştirir.
• Kuantizasyon: Doğruluğu korurken düşük hassasiyetli veriler kullanarak model boyutunu küçültür ve verimliliği artırır.

Bu teknikler verimli model yürütmeye öncelik vererek PaddlePaddle'ı yüksek performanslı YOLO26 modellerini dağıtmak için mükemmel bir seçenek haline getirir. Optimizasyon hakkında daha fazla bilgi için PaddlePaddle resmi belgelerine bak.

Link to this sectionPaddlePaddle, YOLO26 modelleri için hangi dağıtım seçeneklerini sunar?#

PaddlePaddle esnek dağıtım seçenekleri sunar:

• Paddle Serving: Modelleri RESTful API'ler olarak dağıtır; model sürümlendirme ve çevrimiçi A/B testi gibi özellikleriyle üretim için idealdir.
• Paddle Inference API: Özel uygulamalar için model yürütme üzerinde düşük seviyeli kontrol sağlar.
• Paddle Lite: Modelleri mobil ve gömülü cihazların sınırlı kaynakları için optimize eder.
• Paddle.js: Modelleri doğrudan web tarayıcılarında dağıtmanı sağlar.

Bu seçenekler, cihaz içi çıkarımdan ölçeklenebilir bulut servislerine kadar çok çeşitli dağıtım senaryolarını kapsar. Ultralytics Model Dağıtım Seçenekleri sayfasında daha fazla dağıtım stratejisini keşfet.