Link to this sectionDağıtım İçin YOLO26'dan TF GraphDef'e Nasıl Dışa Aktarılır#

YOLO26 gibi modern bilgisayarlı görü modellerini farklı ortamlarda dağıtırken uyumluluk sorunlarıyla karşılaşabilirsin. Google'ın TensorFlow GraphDef'i (TF GraphDef), modelinin serileştirilmiş ve platformdan bağımsız bir temsilini sağlayarak buna bir çözüm sunar. TF GraphDef model formatını kullanarak, YOLO26 modelini mobil cihazlar veya özel donanımlar gibi tam TensorFlow ekosisteminin bulunmayabileceği ortamlarda çalıştırabilirsin.

Bu rehberde, Ultralytics YOLO26 modellerini TF GraphDef model formatına nasıl aktaracağını adım adım anlatacağız. Modelini dönüştürerek dağıtımı kolaylaştırabilir ve YOLO26'nın bilgisayarlı görü yeteneklerini çok daha geniş bir uygulama ve platform yelpazesinde kullanabilirsin.

Link to this sectionNeden TF GraphDef Formatına Dışa Aktarmalısın?#

TF GraphDef, Google tarafından geliştirilen TensorFlow ekosisteminin güçlü bir bileşenidir. YOLO26 gibi modelleri optimize etmek ve dağıtmak için kullanılabilir. TF GraphDef'e dışa aktarmak, modelleri araştırmadan gerçek dünya uygulamalarına taşımanı sağlar. Modellerin tam TensorFlow çerçevesi olmadan çalışmasına olanak tanır.

GraphDef formatı, modeli serileştirilmiş bir hesaplama grafiği olarak temsil eder. Bu durum, sabit katlama (constant folding), niceleme (quantization) ve grafik dönüşümleri gibi çeşitli optimizasyon tekniklerine olanak sağlar. Bu optimizasyonlar; verimli bir çalışma, düşük bellek kullanımı ve daha hızlı çıkarım hızları sunar.

GraphDef modelleri; GPU'lar, TPU'lar ve yapay zeka çipleri gibi donanım hızlandırıcıları kullanabilir, bu da YOLO26 çıkarım hattı için ciddi performans kazanımları sağlar. TF GraphDef formatı, model ve bağımlılıklarını içeren kendi kendine yeten bir paket oluşturarak çeşitli sistemlere dağıtımı ve entegrasyonu basitleştirir.

Link to this sectionTF GraphDef Modellerinin Temel Özellikleri#

TF GraphDef, model dağıtımı ve optimizasyonunu kolaylaştırmak için belirgin özellikler sunar.

İşte temel özellikleri:

• Model Serileştirme: TF GraphDef, TensorFlow modellerini platformdan bağımsız bir biçimde serileştirmenin ve saklamanın bir yolunu sunar. Bu serileştirilmiş temsil, orijinal Python kod tabanına ihtiyaç duymadan modellerini yüklemeni ve çalıştırmanı sağlar, böylece dağıtımı kolaylaştırır.

• Grafik Optimizasyonu: TF GraphDef, hesaplama grafiklerinin optimize edilmesini sağlar. Bu optimizasyonlar; yürütme akışını kolaylaştırarak, gereksizlikleri azaltarak ve işlemleri belirli donanımlara göre uyarlayarak performansı artırabilir.

• Dağıtım Esnekliği: GraphDef formatına dışa aktarılan modeller; kaynak kısıtlı cihazlar, web tarayıcıları ve özel donanımlara sahip sistemler dahil olmak üzere çeşitli ortamlarda kullanılabilir. Bu durum, TensorFlow modellerini daha geniş bir alanda dağıtma imkanı sağlar.

• Üretim Odaklılık: GraphDef, üretim ortamında dağıtım için tasarlanmıştır. Verimli yürütmeyi, serileştirme özelliklerini ve gerçek dünya kullanım durumlarıyla uyumlu optimizasyonları destekler.

Link to this sectionTF GraphDef ile Dağıtım Seçenekleri#

YOLO26 modellerini TF GraphDef'e aktarma sürecine girmeden önce, bu formatın kullanıldığı tipik dağıtım durumlarına bir göz atalım.

TF GraphDef ile çeşitli platformlarda nasıl verimli bir şekilde dağıtım yapabileceğini burada bulabilirsin.

• TensorFlow Serving: Bu çerçeve, TensorFlow modellerini üretim ortamlarında dağıtmak için tasarlanmıştır. TensorFlow Serving; model yönetimi, sürüm oluşturma ve ölçeklenebilir verimli model sunumu için gereken altyapıyı sunar. GraphDef tabanlı modellerini üretimdeki web servislerine veya API'lere entegre etmenin sorunsuz bir yoludur.

• Mobil ve Gömülü Cihazlar: TensorFlow Lite gibi araçlarla, TF GraphDef modellerini akıllı telefonlar, tabletler ve çeşitli gömülü cihazlar için optimize edilmiş biçimlere dönüştürebilirsin. Modellerin daha sonra yerel olarak yürütülen cihaz üstü (on-device) çıkarım için kullanılabilir ve bu genellikle performans kazanımları ile çevrimdışı yetenekler sağlar.

• Web Tarayıcıları: TensorFlow.js, TF GraphDef modellerinin doğrudan web tarayıcıları içinde dağıtılmasını sağlar. JavaScript aracılığıyla YOLO26'nın yeteneklerini kullanarak istemci tarafında çalışan gerçek zamanlı nesne algılama uygulamalarının yolunu açar.

• Özel Donanım: TF GraphDef'in platformdan bağımsız doğası, hızlandırıcılar ve TPU'lar (Tensör İşleme Birimleri) gibi özel donanımları hedeflemesine olanak tanır. Bu cihazlar, hesaplama açısından yoğun modeller için performans avantajları sağlayabilir.

Link to this sectionYOLO26 Modellerini TF GraphDef'e Aktarma#

YOLO26 nesne algılama modelini, platformlar arası performansını artırmak için çeşitli sistemlerle uyumlu olan TF GraphDef formatına dönüştürebilirsin.

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, kutudan çıktığı gibi dışa aktarımı destekleyecek şekilde tasarlanmıştır, bu da onları tercih ettiğin dağıtım iş akışına entegre etmeyi kolaylaştırır. Uygulaman için en iyi kurulumu seçmek üzere desteklenen dışa aktarma formatlarının ve yapılandırma seçeneklerinin tam listesini görüntüleyebilirsin.

TF GraphDef formatı; Export, Predict ve Validate modlarını destekler. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu teyit etmek için dışa aktarılan modeli yükle.

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

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

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

# 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 TF GraphDef Modellerini Dağıtma#

YOLO26 modelini TF GraphDef formatına aktardıktan sonraki adım dağıtımdır. Bir TF GraphDef modelini çalıştırmak için birincil ve önerilen ilk adım, daha önce kullanım kod parçacığında gösterildiği gibi YOLO("model.pb") yöntemini kullanmaktır.

Bununla birlikte, TF GraphDef modellerini dağıtma hakkında daha fazla bilgi için şu kaynaklara göz atabilirsin:

• TensorFlow Serving: Makine öğrenimi modellerini üretim ortamlarında verimli bir şekilde nasıl dağıtacağını ve sunacağını öğreten bir TensorFlow Serving rehberi.

• TensorFlow Lite: Bu sayfa, makine öğrenimi modellerini TensorFlow Lite ile cihaz üstü çıkarım için optimize edilmiş bir formata nasıl dönüştüreceğini açıklar.

• TensorFlow.js: TensorFlow veya Keras modellerini web uygulamalarında kullanmak üzere TensorFlow.js formatına nasıl dönüştüreceğini öğreten bir model dönüştürme rehberi.

Link to this sectionÖzet#

Bu rehberde, Ultralytics YOLO26 modellerini TF GraphDef formatına nasıl aktaracağını keşfettik. Bunu yaparak, optimize edilmiş YOLO26 modellerini farklı ortamlarda esnek bir şekilde dağıtabilirsin.

Kullanım hakkında daha fazla detay için TF GraphDef resmi belgelerini ziyaret et.

Ultralytics YOLO26'yı diğer platform ve çerçevelerle entegre etme hakkında daha fazla bilgi için entegrasyon rehberi sayfamıza göz at.

Link to this sectionSSS#

Link to this sectionBir YOLO26 modelini TF GraphDef formatına nasıl dışa aktarırım?#

Ultralytics YOLO26 modelleri, TensorFlow GraphDef (TF GraphDef) formatına sorunsuz bir şekilde aktarılabilir. Bu format, mobil ve web gibi çeşitli ortamlarda dağıtım için ideal olan, serileştirilmiş ve platformdan bağımsız bir model temsili sunar. Bir YOLO26 modelini TF GraphDef'e aktarmak için şu adımları izle:

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

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

Farklı dışa aktarma seçenekleri hakkında daha fazla bilgi için model dışa aktarma ile ilgili Ultralytics belgelerini ziyaret et.

Link to this sectionYOLO26 model dağıtımı için TF GraphDef kullanmanın faydaları nelerdir?#

YOLO26 modellerini TF GraphDef formatına aktarmak, aşağıdakiler dahil olmak üzere birçok avantaj sunar:

1. Platform Bağımsızlığı: TF GraphDef, platformdan bağımsız bir biçim sağlar ve modellerin mobil cihazlar ve web tarayıcıları dahil olmak üzere çeşitli ortamlarda dağıtılmasına olanak tanır.
2. Optimizasyonlar: Bu format; sabit katlama, niceleme ve grafik dönüşümleri gibi, yürütme verimliliğini artıran ve bellek kullanımını azaltan çeşitli optimizasyonları mümkün kılar.
3. Donanım Hızlandırma: TF GraphDef formatındaki modeller, performans artışı için GPU'lar, TPU'lar ve yapay zeka çipleri gibi donanım hızlandırıcılarından yararlanabilir.

Faydalar hakkında daha fazla bilgiyi belgelerimizin TF GraphDef bölümünde okuyabilirsin.

Link to this sectionNeden diğer nesne algılama modelleri yerine Ultralytics YOLO26 kullanmalıyım?#

Ultralytics YOLO26, YOLOv5 ve YOLOv7 gibi diğer modellere kıyasla sayısız avantaj sunar. Bazı temel faydalar şunlardır:

1. State-of-the-Art Performance: YOLO26 provides exceptional speed and accuracy for real-time object detection, instance segmentation, semantic segmentation, and classification.
2. Kullanım Kolaylığı: Model eğitimi, doğrulama, tahmin ve dışa aktarma için kullanıcı dostu bir API sunar, bu da onu hem yeni başlayanlar hem de uzmanlar için erişilebilir kılar.
3. Geniş Uyumluluk: Çok yönlü dağıtım seçenekleri için ONNX, TensorRT, CoreML ve TensorFlow dahil olmak üzere birden fazla dışa aktarma formatını destekler.

Daha fazla detayı YOLO26'ya giriş sayfamızda keşfet.

Link to this sectionTF GraphDef kullanarak özel donanım üzerinde YOLO26 modelini nasıl dağıtabilirim?#

YOLO26 modeli TF GraphDef formatına aktarıldıktan sonra, onu çeşitli özel donanım platformlarında dağıtabilirsin. Tipik dağıtım senaryoları şunları içerir:

• TensorFlow Serving: Üretim ortamlarında ölçeklenebilir model dağıtımı için TensorFlow Serving kullan. Model yönetimini ve verimli sunumu destekler.
• Mobil Cihazlar: TF GraphDef modellerini mobil ve gömülü cihazlar için optimize edilmiş TensorFlow Lite'a dönüştürerek cihaz üstü çıkarımı mümkün kıl.
• Web Tarayıcıları: Web uygulamalarında istemci tarafı çıkarımı için TensorFlow.js kullanarak modelleri dağıt.
• Yapay Zeka Hızlandırıcıları: Hızlandırılmış çıkarım için TPU'lardan ve özel yapay zeka çiplerinden yararlan.

Ayrıntılı bilgi için dağıtım seçenekleri bölümünü kontrol et.

Link to this sectionYOLO26 modellerini dışa aktarırken karşılaşılan yaygın sorunlar için çözümleri nerede bulabilirim?#

YOLO26 modellerini dışa aktarırken karşılaşılan yaygın sorunları gidermek için Ultralytics kapsamlı rehberler ve kaynaklar sağlar. Kurulum veya model dışa aktarma sırasında sorun yaşarsan şunlara başvur:

• Yaygın Sorunlar Rehberi: Sık karşılaşılan problemlere çözümler sunar.
• Kurulum Rehberi: Gerekli paketleri ayarlamak için adım adım talimatlar içerir.

Bu kaynaklar, YOLO26 model dışa aktarma ve dağıtımıyla ilgili çoğu sorunu çözmene yardımcı olacaktır.