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

YOLO26 gibi en yeni computer vision modellerini farklı ortamlarda dağıtırken, uyumluluk sorunlarıyla karşılaşabilirsin. Google'ın TensorFlow GraphDef'i, yani TF GraphDef, modelinin serileştirilmiş ve platformdan bağımsız bir temsilini sağlayarak bir çözüm sunar. TF GraphDef model biçimini kullanarak, YOLO26 modelini mobil cihazlar veya özelleştirilmiş donanımlar gibi tüm TensorFlow ekosisteminin mevcut olmayabileceği ortamlarda dağıtabilirsin.

Ultralytics YOLO26 modellerini TF GraphDef model biçimine nasıl dışa aktaracağını bu kılavuzda adım adım göreceksin. Modelini dönüştürerek, dağıtım sürecini kolaylaştırabilir ve YOLO26'nın bilgisayarlı görü yeteneklerini çok daha geniş bir uygulama ve platform yelpazesinde kullanabilirsin.

Link to this sectionNeden TF GraphDef'e Dışa Aktarmalısın?#

TF GraphDef, Google tarafından geliştirilen TensorFlow ekosisteminin güçlü bir parçasıdır. YOLO26 gibi modelleri optimize etmek ve dağıtmak için kullanılabilir. TF GraphDef'e dışa aktarmak, modellerini araştırmadan gerçek dünya uygulamalarına taşımanı sağlar. Ayrıca modellerin, tam TensorFlow çerçevesi olmayan ortamlarda bile çalışmasına imkan tanır.

GraphDef biçimi, modeli serileştirilmiş bir hesaplama grafiği olarak temsil eder. Bu, sabit katlama (constant folding), nicemleme (quantization) ve grafik dönüşümleri gibi çeşitli optimizasyon tekniklerine olanak tanır. Bu optimizasyonlar, verimli çalışma, azaltılmış bellek kullanımı ve daha hızlı çıkarım hızları sağlar.

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

Link to this sectionTF GraphDef Modellerinin Temel Özellikleri#

TF GraphDef, model deployment 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, modellerini orijinal Python kod tabanı olmadan yükleyip çalıştırmana olanak tanır ve dağıtımı kolaylaştırır.

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

• Dağıtım Esnekliği: GraphDef biçimine dışa aktarılan modeller; kaynakları kısıtlı cihazlar, web tarayıcıları ve özelleştirilmiş donanıma sahip sistemler dahil olmak üzere çeşitli ortamlarda kullanılabilir. Bu durum, TensorFlow modellerinin daha geniş çapta dağıtılması için yeni olanaklar sunar.

• Üretim Odaklılık: GraphDef, üretim ortamında dağıtım için tasarlanmıştır. Verimli çalışma, serileştirme özellikleri ve gerçek dünya kullanım senaryolarıyla uyumlu optimizasyonları destekler.

Link to this sectionTF GraphDef ile Dağıtım Seçenekleri#

YOLO26 modellerini TF GraphDef'e dışa aktarma sürecine dalmadan önce, bu biçimin kullanıldığı bazı tipik dağıtım durumlarına bir göz atalım.

İşte TF GraphDef ile çeşitli platformlarda nasıl verimli bir şekilde dağıtım yapabileceğin:

• 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 üretim web servislerine veya API'lerine entegre etmek için kusursuz bir yoldur.

• Mobil ve Gömülü Cihazlar: TensorFlow Lite gibi araçlarla, TF GraphDef modellerini akıllı telefonlar, tabletler ve çeşitli gömülü cihazlar için optimize edilmiş biçimlere dönüştürebilirsin. Böylece modellerini cihaz üzerinde çıkarım (on-device inference) için kullanabilir, yerel olarak çalıştırarak performans kazanımları ve çevrimdışı çalışma yetenekleri elde edebilirsin.

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

• Özelleştirilmiş Donanım: TF GraphDef'in platformdan bağımsız yapısı, hızlandırıcılar ve TPU'lar (Tensor 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 Dışa Aktarma#

YOLO26 nesne algılama modelini, platformlar genelinde performansını artırmak amacıyla çeşitli sistemlerle uyumlu olan TF GraphDef biçimine dönüştürebilirsin.

Link to this sectionKurulum#

Gerekli paketi kurmak 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, 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 inceleyebilirsin.

TF GraphDef biçimi; Export, Predict ve Validate modlarını destekler. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu test 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 Bağımsız Değişkenleri#

Dışa aktarma süreci hakkında daha fazla ayrıntı için dışa aktarma hakkındaki Ultralytics dokümantasyon sayfasını ziyaret et.

Link to this sectionDışa Aktarılan YOLO26 TF GraphDef Modellerini Dağıtma#

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

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

• TensorFlow Serving: machine learning modellerini üretim ortamlarında verimli bir şekilde nasıl dağıtacağını ve sunacağını öğreten bir TensorFlow Serving kılavuzu.

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

• TensorFlow.js: TensorFlow veya Keras modellerini web uygulamalarında kullanım için TensorFlow.js biçimine nasıl dönüştüreceğini öğreten bir model dönüştürme kılavuzu.

Link to this sectionÖzet#

Bu kılavuzda, Ultralytics YOLO26 modellerini TF GraphDef biçimine nasıl dışa aktaracağını inceledik. Bunu yaparak, optimize edilmiş YOLO26 modellerini farklı ortamlarda esnek bir şekilde dağıtabilirsin.

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

Ultralytics YOLO26'yı diğer platformlar ve çerçevelerle entegre etme hakkında daha fazla bilgi için entegrasyon kılavuzu sayfamıza bak.

Link to this sectionSSS#

Link to this sectionYOLO26 modelini nasıl TF GraphDef biçimine dışa aktarırım?#

Ultralytics YOLO26 modelleri, TensorFlow GraphDef (TF GraphDef) biçimine sorunsuz bir şekilde dışa aktarılabilir. Bu biçim; mobil ve web gibi çeşitli ortamlarda dağıtım için ideal olan, serileştirilmiş ve platformdan bağımsız bir model temsili sağlar. Bir YOLO26 modelini TF GraphDef'e dışa 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 Ultralytics model dışa aktarma belgelerini ziyaret et.

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

YOLO26 modellerini TF GraphDef biçimine dışa aktarmak, aşağıdakiler dahil birçok avantaj sunar:

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

Faydalar hakkında daha fazla bilgiyi belgelerimizin TF GraphDef bölümünde okuyabilirsin.

Link to this sectionNeden diğer object detection modelleri yerine Ultralytics YOLO26 kullanmalıyım?#

Ultralytics YOLO26, YOLOv5 ve YOLOv7 gibi diğer modellere kıyasla çok sayıda 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 işlemleri için kullanıcı dostu bir API'ye sahiptir, 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 biçimini destekler.

Daha fazla ayrıntıyı YOLO26'ya giriş sayfamızda keşfet.

Link to this sectionTF GraphDef kullanarak YOLO26 modelini özelleştirilmiş donanımlarda nasıl dağıtabilirim?#

Bir YOLO26 modeli TF GraphDef biçimine aktarıldıktan sonra, onu çeşitli özelleştirilmiş donanım platformlarında dağıtabilirsin. Tipik dağıtım senaryoları şunları içerir:

• TensorFlow Serving: Üretim ortamlarında ölçeklenebilir model dağıtımı için TensorFlow Serving kullan. Model yönetimi ve verimli sunumu destekler.
• Mobil Cihazlar: TF GraphDef modellerini, mobil ve gömülü cihazlar için optimize edilmiş TensorFlow Lite'a dönüştürerek cihaz üzerinde çıkarımı mümkün kıl.
• Web Tarayıcıları: Web uygulamalarında istemci tarafında çıkarım yapmak için modelleri TensorFlow.js kullanarak dağıt.
• AI Hızlandırıcılar: Hızlandırılmış çıkarım için TPU'lardan ve özel AI çiplerinden yararlan.

Ayrıntılı bilgi için dağıtım seçenekleri bölümüne göz at.

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 kılavuzlar ve kaynaklar sunar. Kurulum veya model dışa aktarma sırasında sorun yaşarsan şunlara başvur:

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

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