Link to this sectionYOLO26 Modellerini PaddlePaddle Formatına Nasıl Aktarırsın#

Bilgisayarlı görü modellerini geliştirme ile gerçek dünya senaryolarında farklı koşullarda devreye alma arasındaki boşluğu doldurmak zor olabilir. PaddlePaddle, esnekliğe, performansa 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 çeşitli alanlarda gerçek dünya ortamlarında bilgisayarlı görü uygulamaları 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 kullanım kolaylığına ve endüstriler arasında 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 geniş 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 en üst düzey sonuçlar sunarak daha da iyi performans gösterebilir.

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 dönüştürülebildiği 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 aktarımlarını ve hesaplama adımlarını en aza indirir, bu da daha hızlı çıkarım sağlar.

• Niceleme (Quantization): PaddlePaddle, eğitim sonrası niceleme ve niceleme farkındalıklı eğitim dahil olmak üzere niceleme tekniklerini destekler. Bu teknikler, daha düşük hassasiyetli veri temsillerinin kullanımına izin vererek performansı etkili bir şekilde artırır ve model boyutunu küçültür.

Link to this sectionPaddlePaddle'daki Dağıtım Seçenekleri#

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

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

• Paddle Serving: Bu çerçeve, PaddlePaddle modellerinin yüksek performanslı RESTful API'ler olarak dağıtımını basitleştirir. Paddle Serving; model sürümü oluşturma, çevrimiçi A/B testi ve büyük hacimli istekleri işlemek 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 uygulama içine sıkıca entegre etmen veya belirli donanımlar 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, eğitilmiş bir modeli yükleyebilir veya Paddle.js tarafından sağlanan model dönüştürme araçlarıyla paddle-hub üzerinden bir modeli dönüştürebilir. WebGL/WebGPU/WebAssembly destekleyen tarayıcılarda çalışabilir.

Link to this sectionPaddlePaddle'a Aktarma: 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 süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Link to this sectionKullanım#

Tüm Ultralytics YOLO26 modelleri aktarımı destekler ve dağıtım ihtiyaçlarına en uygun olanı bulmak için tüm aktarım formatları ve seçenekler listesine göz atabilirsin.

PaddlePaddle formatı Aktarım, Tahmin ve Doğrulama modlarını destekler. Modelini aktar, ardından çıkarım yapmak veya doğruluğunu test etmek için 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 detay için Ultralytics dışa aktarma belgeleri sayfasına göz at.

Link to this sectionAktarılan YOLO26 PaddlePaddle Modellerini Dağıtma#

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

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

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

• Paddle Lite: Paddle Lite kullanarak mobil ve gömülü cihazlarda modelleri nasıl optimize edip dağıtacağını keşfet.

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

Link to this sectionÖzet#

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

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

Ultralytics YOLO26 modellerini entegre etmenin daha fazla yolunu keşfetmek ister misin? Entegrasyon kılavuzu sayfamız, seni değerli kaynaklar ve içgörülerle donatarak çeşitli seçenekleri keşfetmeni sağlar.

Link to this sectionSSS#

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

Ultralytics YOLO26 modellerini PaddlePaddle formatına aktarmak basittir. Dönüşümü 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 Kılavuzuna ve Yaygın Sorunlar Kılavuzuna bak.

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 mükemmeldir.
• Dinamikten Statiğe Grafik Derlemesi: Çalışma zamanı optimizasyonlarına izin veren dinamikten statiğe derlemeyi destekler.
• Operatör Birleştirme: Uyumlu işlemleri birleştirerek hesaplama yükünü azaltır.
• Niceleme Teknikleri: Performansı artırmak için daha düşük hassasiyetli veri temsillerini mümkün kılan hem eğitim sonrası hem de niceleme farkındalıklı eğitimi destekler.

Ultralytics YOLO26 modellerini PaddlePaddle'a aktararak gelişmiş sonuçlar elde edebilir, çeşitli uygulamalar ve donanım platformlarında 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. Geniş geliştirici topluluğu ve sağlam çerçevesi, TensorFlow ve PyTorch'a benzer kapsamlı araçlar sunar. YOLO26 modellerini PaddlePaddle'a aktararak şunlardan yararlanırsın:

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

Bu özellikler, PaddlePaddle'ı YOLO26 modellerini üretim ortamlarında dağıtmak için cazip 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.
• Niceleme: Doğruluğu korurken daha düşük hassasiyetli veriler kullanarak model boyutunu küçültür ve verimliliği artırır.

Bu teknikler verimli model yürütmeye öncelik vererek PaddlePaddle'ı yüksek performanslı YOLO26 modelleri 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, model sürümü oluşturma ve çevrimiçi A/B testi gibi özelliklerle üretim için ideal olan RESTful API'ler olarak dağıtır.
• 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 dağıtmayı sağlar.

Bu seçenekler, cihaz içi çıkarımdan ölçeklenebilir bulut hizmetlerine kadar geniş bir dağıtım senaryosu yelpazesini kapsar. Ultralytics Model Dağıtım Seçenekleri sayfasında daha fazla dağıtım stratejisini keşfet.