YOLO26'dan Dağıtım için TF GraphDef'e Dışa Aktarma#

YOLO26 gibi en yeni bilgisayarlı görü modellerini farklı ortamlara dağıtırken uyumluluk sorunlarıyla karşılaşabilirsin. Google'ın TensorFlow GraphDef'i veya TF GraphDef, modelinin serileştirilmiş ve platformdan bağımsız bir gösterimini sunarak bu soruna çözüm getirir. TF GraphDef model biçimini kullanarak YOLO26 modelini, mobil cihazlar veya özel donanımlar gibi TensorFlow ekosisteminin tamamının bulunmadığı ortamlara dağıtabilirsin.

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

Neden TF GraphDef'e 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 aktarma, modelleri araştırma aşamasından gerçek dünya uygulamalarına taşımanı sağlar. Modellerin, TensorFlow çerçevesinin tamamının bulunmadığı ortamlarda çalışmasına olanak tanır.

GraphDef biçimi, modeli serileştirilmiş bir hesaplama grafiği olarak temsil eder. Bu, sabit katlama, niceleme ve grafik dönüşümleri gibi çeşitli optimizasyon tekniklerini mümkün kılar. Bu optimizasyonlar verimli yürütme, daha düşük bellek kullanımı ve daha hızlı çıkarım sağlar.

GraphDef modelleri GPU'lar, TPU'lar ve yapay zekâ çipleri gibi donanım hızlandırıcılarından yararlanarak YOLO26 çıkarım işlem hattında önemli performans kazanımları sağlayabilir. TF GraphDef biçimi, model ve bağımlılıklarını içeren bağımsız bir paket oluşturarak dağıtımı ve farklı sistemlere entegrasyonu kolaylaştırır.

TF GraphDef Modellerinin Temel Özellikleri#

TF GraphDef, model dağıtımını ve optimizasyonunu kolaylaştıran belirgin özellikler sunar.

Temel özelliklerine bir göz atalım:

• Model Serileştirme: TF GraphDef, TensorFlow modellerini platformdan bağımsız bir biçimde serileştirip depolamanın bir yolunu sunar. Bu serileştirilmiş gösterim, modellerini özgün Python kod tabanı olmadan yükleyip çalıştırmana olanak tanır ve dağıtımı kolaylaştırır.

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

• Dağıtım Esnekliği: GraphDef biçimine aktarılmış modeller; kaynakları kısıtlı cihazlar, web tarayıcıları ve özel donanımlı sistemler dâhil çeşitli ortamlarda kullanılabilir. Bu, TensorFlow modellerinin daha geniş ölçekte dağıtılmasını mümkün kılar.

• Üretim Odaklılık: GraphDef, üretim ortamına dağıtım için tasarlanmıştır. Verimli yürütme, serileştirme özellikleri ve gerçek dünya kullanım senaryolarına uygun optimizasyonları destekler.

TF GraphDef ile Dağıtım Seçenekleri#

YOLO26 modellerini TF GraphDef'e aktarma sürecine geçmeden önce, bu biçimin kullanıldığı bazı yaygın dağıtım senaryolarına göz atalım.

TF GraphDef ile çeşitli platformlarda nasıl verimli dağıtım yapabileceğin şöyle:

• TensorFlow Serving: Bu çerçeve, TensorFlow modellerini üretim ortamlarına dağıtmak için tasarlanmıştır. TensorFlow Serving; model yönetimi, sürüm oluşturma ve modelleri büyük ölçekte verimli biçimde sunmak için gerekli altyapıyı sağlar. GraphDef tabanlı modellerini üretim web hizmetlerine veya API'lere sorunsuzca entegre etmeni sağlar.

• Mobil ve Gömülü Cihazlar: LiteRT gibi araçlarla TF GraphDef modellerini akıllı telefonlar, tabletler ve çeşitli gömülü cihazlar için optimize edilmiş biçimlere dönüştürebilirsin. Ardından modellerini, yürütmenin yerel olarak yapıldığı cihaz üzerinde çıkarım için kullanabilirsin; bu genellikle performans kazanımları ve çevrimdışı çalışma olanağı sağlar.

• Web Tarayıcıları: TensorFlow.js, TF GraphDef modellerini doğrudan web tarayıcılarında dağıtmanı sağlar. JavaScript üzerinden YOLO26'nın yeteneklerinden yararlanan, istemci tarafında çalışan gerçek zamanlı nesne algılama uygulamalarının önünü açar.

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

Desteklenen Görevler#

TF GraphDef'e dışa aktarma, Ultralytics'in yedi görevinden altısını destekler. Anlamsal segmentasyon ve derinlik tahmini yalnızca bu başlıklara sahip tek aile olan YOLO26 ile kullanılabilir. Poz modelleri dışa aktarılabilir ancak Ultralytics GraphDef çıkarımı şu anda bu modeller için desteklenmiyor.

YOLO26 Modellerini TF GraphDef'e Aktarma#

YOLO26 modelini çeşitli sistemlerle uyumlu TF GraphDef biçimine dönüştürerek farklı platformlardaki performansını artırabilirsin.

Kurulum#

Gerekli paketi yüklemek için şu komutu 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 zorluk yaşarsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Kullanım#

Tüm Ultralytics YOLO26 modelleri, kutudan çıktığı gibi dışa aktarmayı destekleyecek şekilde tasarlanmıştır; bu sayede tercih ettiğin dağıtım iş akışına kolayca entegre edebilirsin. Uygulaman için en uygun kurulumu seçmek üzere desteklenen dışa aktarma biçimlerinin ve yapılandırma seçeneklerinin tam listesini görüntüleyebilirsin.

Poz modelleri şu anda yalnızca dışa aktarmayı destekler; bunun dışında TF GraphDef biçimi Dışa Aktar, Tahmin ve Doğrula kiplerini destekler. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

from ultralytics import YOLO

# YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Modeli TF GraphDef biçimine aktar
model.export(format="pb")  # 'yolo26n.pb' oluşturur

from ultralytics import YOLO

# Dışa aktarılan TF GraphDef modelini yükle
model = YOLO("yolo26n.pb")

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

from ultralytics import YOLO

# Dışa aktarılan TF GraphDef modelini yükle
model = YOLO("yolo26n.pb")

# COCO8 veri kümesinde doğruluğu doğrula
metrics = model.val(data="coco8.yaml")

Dışa Aktarma Bağımsız Değişkenleri#

Dışa aktarma süreci hakkında daha fazla bilgi için Ultralytics dışa aktarma belgeleri sayfasını ziyaret et.

Dışa Aktarılan YOLO26 TF GraphDef Modellerini Dağıtma#

YOLO26 modelini TF GraphDef biçimine aktardıktan sonraki adım dağıtımdır. TF GraphDef modelini çalıştırmak için önerilen ilk ve temel adım, kullanım kodu örneğinde daha önce gösterildiği gibi YOLO("model.pb") yöntemini kullanmaktır.

Ancak TF GraphDef modellerini dağıtma hakkında daha fazla bilgi için aşağıdaki kaynaklara göz at:

• TensorFlow Serving: TensorFlow Serving hakkında, makine öğrenimi modellerini üretim ortamlarında verimli biçimde dağıtmayı ve sunmayı anlatan bir kılavuz.

• TensorFlow Lite: Bu sayfada makine öğrenimi modellerinin, cihaz üzerinde TensorFlow Lite ile çıkarım için optimize edilmiş bir biçime nasıl dönüştürüleceği açıklanıyor.

• TensorFlow.js: Web uygulamalarında kullanmak üzere TensorFlow veya Keras modellerini TensorFlow.js biçimine dönüştürmeyi anlatan bir model dönüştürme kılavuzu.

Özet#

Bu kılavuzda, Ultralytics YOLO26 modellerini TF GraphDef biçimine nasıl aktaracağını ele aldık. Böylece optimize edilmiş YOLO26 modellerini farklı ortamlara esnek biçimde dağıtabilirsin.

Kullanım hakkında daha fazla bilgi için TF GraphDef resmî belgelerini ziyaret et.

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

Sık Sorulan Sorular#