─░├žeri─če ge├ž

Da─č─▒t─▒m i├žin YOLOv8 adresinden TF GraphDef adresine Nas─▒l Aktar─▒l─▒r

YOLOv8 gibi son teknoloji bilgisayarla g├Ârme modellerini farkl─▒ ortamlarda kullan─▒rken uyumluluk sorunlar─▒yla kar┼č─▒la┼čabilirsiniz. Google'─▒n TensorFlow GraphDef , veya TF GraphDef , modelinizin serile┼čtirilmi┼č, platformdan ba─č─▒ms─▒z bir temsilini sa─člayarak bir ├ž├Âz├╝m sunar. TF GraphDef model format─▒n─▒ kullanarak, YOLOv8 modelinizi mobil cihazlar veya ├Âzel donan─▒mlar gibi TensorFlow ekosisteminin tamam─▒n─▒n mevcut olmayabilece─či ortamlarda da─č─▒tabilirsiniz.

Bu k─▒lavuzda, bilgisayar─▒n─▒z─▒ nas─▒l d─▒┼ča aktaraca─č─▒n─▒z konusunda size ad─▒m ad─▒m yol g├Âsterece─čiz. Ultralytics YOLOv8 modellerini TF GraphDef model format─▒na d├Ân├╝┼čt├╝r├╝n. Modelinizi d├Ân├╝┼čt├╝rerek, da─č─▒t─▒m─▒ kolayla┼čt─▒rabilir ve YOLOv8'un bilgisayarla g├Ârme yeteneklerini daha geni┼č bir uygulama ve platform yelpazesinde kullanabilirsiniz.

TensorFlow GraphDef

Neden TF GraphDef adresine ─░hracat Yapmal─▒s─▒n─▒z?

TF GraphDef Google taraf─▒ndan geli┼čtirilen TensorFlow ekosisteminin g├╝├žl├╝ bir bile┼čenidir. YOLOv8 gibi modelleri optimize etmek ve da─č─▒tmak i├žin kullan─▒labilir. TF GraphDef adresine aktarmak, modelleri ara┼čt─▒rmadan ger├žek d├╝nya uygulamalar─▒na ta┼č─▒mam─▒z─▒ sa─člar. Modellerin tam TensorFlow ├žer├ževesi olmayan ortamlarda ├žal─▒┼čmas─▒na olanak tan─▒r.

GraphDef format─▒, modeli serile┼čtirilmi┼č bir hesaplama grafi─či olarak temsil eder. Bu, sabit katlama, niceleme ve grafik d├Ân├╝┼č├╝mleri gibi ├že┼čitli optimizasyon tekniklerini m├╝mk├╝n k─▒lar. Bu optimizasyonlar verimli y├╝r├╝tme, daha az bellek kullan─▒m─▒ ve daha y├╝ksek ├ž─▒kar─▒m h─▒zlar─▒ sa─člar.

GraphDef modeller GPU'lar, TPU'lar ve AI ├žipleri gibi donan─▒m h─▒zland─▒r─▒c─▒lar─▒n─▒ kullanabilir ve YOLOv8 ├ž─▒kar─▒m i┼člem hatt─▒ i├žin ├Ânemli performans kazan─▒mlar─▒n─▒n kilidini a├žabilir. TF GraphDef format─▒, model ve ba─č─▒ml─▒l─▒klar─▒ ile ba─č─▒ms─▒z bir paket olu┼čturarak da─č─▒t─▒m─▒ ve ├že┼čitli sistemlere entegrasyonu basitle┼čtirir.

TF GraphDef Modellerinin Temel ├ľzellikleri

TF GraphDef model da─č─▒t─▒m─▒n─▒ ve optimizasyonunu kolayla┼čt─▒rmak i├žin farkl─▒ ├Âzellikler sunar.

─░┼čte temel ├Âzelliklerine bir g├Âz at─▒n:

  • Model Serile┼čtirme: TF GraphDef , TensorFlow modellerini platformdan ba─č─▒ms─▒z bir bi├žimde serile┼čtirmek ve saklamak i├žin bir yol sa─člar. Bu serile┼čtirilmi┼č temsil, modellerinizi orijinal Python kod taban─▒ olmadan y├╝klemenize ve ├žal─▒┼čt─▒rman─▒za olanak tan─▒yarak da─č─▒t─▒m─▒ kolayla┼čt─▒r─▒r.

  • Grafik Optimizasyonu: TF GraphDef hesaplama grafiklerinin optimizasyonunu sa─člar. Bu optimizasyonlar, y├╝r├╝tme ak─▒┼č─▒n─▒ d├╝zene sokarak, fazlal─▒klar─▒ azaltarak ve i┼člemleri belirli donan─▒mlara uyacak ┼čekilde uyarlayarak performans─▒ art─▒rabilir.

  • Da─č─▒t─▒m Esnekli─či: GraphDef format─▒na aktar─▒lan modeller, kaynaklar─▒ k─▒s─▒tl─▒ cihazlar, web taray─▒c─▒lar─▒ ve ├Âzel donan─▒ma sahip sistemler dahil olmak ├╝zere ├že┼čitli ortamlarda kullan─▒labilir. Bu, TensorFlow modellerinizin daha geni┼č ├žapl─▒ da─č─▒t─▒m─▒ i├žin olanaklar sa─člar.

  • ├ťretim Oda─č─▒: GraphDef ├╝retim da─č─▒t─▒m─▒ i├žin tasarlanm─▒┼čt─▒r. Verimli y├╝r├╝tmeyi, serile┼čtirme ├Âzelliklerini ve ger├žek d├╝nyadaki kullan─▒m durumlar─▒yla uyumlu optimizasyonlar─▒ destekler.

ile Da─č─▒t─▒m Se├ženekleri TF GraphDef

YOLOv8 modellerini TF GraphDef adresine aktarma s├╝recine ge├žmeden ├Ânce, bu format─▒n kullan─▒ld─▒─č─▒ baz─▒ tipik da─č─▒t─▒m durumlar─▒na bir g├Âz atal─▒m.

─░┼čte TF GraphDef ile ├že┼čitli platformlarda verimli bir ┼čekilde nas─▒l da─č─▒t─▒m yapabilece─činiz.

  • TensorFlow Hizmet: Bu ├žer├ževe, TensorFlow modellerini ├╝retim ortamlar─▒nda da─č─▒tmak i├žin tasarlanm─▒┼čt─▒r. TensorFlow Serving, model y├Ânetimi, s├╝r├╝m olu┼čturma ve ├Âl├žekte verimli model sunumu i├žin altyap─▒ sunar. GraphDef tabanl─▒ modellerinizi ├╝retim web hizmetlerine veya API'lerine entegre etmenin sorunsuz bir yoludur.

  • Mobil ve G├Âm├╝l├╝ Cihazlar: TensorFlow Lite gibi ara├žlarla TF GraphDef modellerini ak─▒ll─▒ telefonlar, tabletler ve ├že┼čitli g├Âm├╝l├╝ cihazlar i├žin optimize edilmi┼č formatlara d├Ân├╝┼čt├╝rebilirsiniz. Modelleriniz daha sonra, y├╝r├╝tmenin yerel olarak yap─▒ld─▒─č─▒, genellikle performans kazan─▒mlar─▒ ve ├ževrimd─▒┼č─▒ yetenekler sa─člayan cihaz ├╝zerinde ├ž─▒kar─▒m i├žin kullan─▒labilir.

  • Web Taray─▒c─▒lar─▒: TensorFlow.js, TF GraphDef modellerinin do─črudan web taray─▒c─▒lar─▒ i├žinde konu┼čland─▒r─▒lmas─▒n─▒ sa─člar. JavaScript arac─▒l─▒─č─▒yla YOLOv8 'un yeteneklerini kullanarak istemci taraf─▒nda ├žal─▒┼čan ger├žek zamanl─▒ nesne alg─▒lama uygulamalar─▒n─▒n ├Ân├╝n├╝ a├žar.

  • ├ľzel Donan─▒m: TF GraphDef 'un platformdan ba─č─▒ms─▒z yap─▒s─▒, h─▒zland─▒r─▒c─▒lar ve TPU'lar (Tensor ─░┼člem Birimleri) gibi ├Âzel donan─▒mlar─▒ hedeflemesine olanak tan─▒r. Bu cihazlar, hesaplama a├ž─▒s─▒ndan yo─čun modeller i├žin performans avantajlar─▒ sa─člayabilir.

YOLOv8 Modellerini D─▒┼ča Aktarma TF GraphDef

Platformlar aras─▒ndaki performans─▒n─▒ art─▒rmak i├žin YOLOv8 nesne alg─▒lama modelinizi ├že┼čitli sistemlerle uyumlu olan TF GraphDef bi├žimine d├Ân├╝┼čt├╝rebilirsiniz.

Kurulum

Gerekli paketi y├╝klemek i├žin ├žal─▒┼čt─▒r─▒n:

Kurulum

# Install the required package for YOLOv8
pip install ultralytics

Kurulum s├╝reciyle ilgili ayr─▒nt─▒l─▒ talimatlar ve en iyi uygulamalar i├žin Ultralytics Kurulum k─▒lavuzumuza g├Âz at─▒n. YOLOv8 i├žin gerekli paketleri y├╝klerken herhangi bir zorlukla kar┼č─▒la┼č─▒rsan─▒z, ├ž├Âz├╝mler ve ipu├žlar─▒ i├žin Ortak Sorunlar k─▒lavuz umuza ba┼čvurun.

Kullan─▒m

Kullan─▒m talimatlar─▒na ge├žmeden ├Ânce, t├╝m Ultralytics YOLOv8 modellerinin d─▒┼ča aktar─▒labildi─čini, ancak se├žti─činiz modelin d─▒┼ča aktarma i┼člevini destekledi─činden burada emin olabilece─činizi belirtmek ├Ânemlidir.

Kullan─▒m

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolov8n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolov8n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLOv8n PyTorch model to TF GraphDef format
yolo export model=yolov8n.pt format=pb  # creates 'yolov8n.pb'

# Run inference with the exported model
yolo predict model='yolov8n.pb' source='https://ultralytics.com/images/bus.jpg'

Desteklenen d─▒┼ča aktarma se├ženekleri hakk─▒nda daha fazla bilgi i├žin da─č─▒t─▒m se├ženekleriyle ilgiliUltralytics belge sayfas─▒n─▒ ziyaret edin.

D─▒┼ča Aktar─▒lan YOLOv8 TF GraphDef Modellerini Da─č─▒tma

Once you've exported your YOLOv8 model to the TF GraphDef format, the next step is deployment. The primary and recommended first step for running a TF GraphDef model is to use the YOLO("model.pb") method, as previously shown in the usage code snippet.

Bununla birlikte, TF GraphDef modellerinizin da─č─▒t─▒m─▒ hakk─▒nda daha fazla bilgi i├žin a┼ča─č─▒daki kaynaklara g├Âz at─▒n:

  • TensorFlow Servis: Makine ├Â─črenimi modellerinin ├╝retim ortamlar─▒nda verimli bir ┼čekilde nas─▒l da─č─▒t─▒laca─č─▒n─▒ ve sunulaca─č─▒n─▒ ├Â─čreten TensorFlow Serving ├╝zerine bir k─▒lavuz.

  • TensorFlow Lite: Bu sayfada, makine ├Â─črenimi modellerinin TensorFlow Lite ile cihaz ├╝zerinde ├ž─▒kar─▒m i├žin optimize edilmi┼č bir bi├žime nas─▒l d├Ân├╝┼čt├╝r├╝lece─či a├ž─▒klanmaktad─▒r.

  • TensorFlow.js: Web uygulamalar─▒nda kullan─▒lmak ├╝zere TensorFlow veya Keras modellerinin TensorFlow.js format─▒na nas─▒l d├Ân├╝┼čt├╝r├╝lece─čini ├Â─čreten bir model d├Ân├╝┼čt├╝rme k─▒lavuzu.

├ľzet

Bu k─▒lavuzda, Ultralytics YOLOv8 modellerinin TF GraphDef format─▒na nas─▒l aktar─▒laca─č─▒n─▒ inceledik. Bunu yaparak, optimize edilmi┼č YOLOv8 modellerinizi farkl─▒ ortamlarda esnek bir ┼čekilde da─č─▒tabilirsiniz.

Kullan─▒m hakk─▒nda daha fazla bilgi i├žin TF GraphDef resmi belgelerini ziyaret edin.

Ultralytics YOLOv8 adresini di─čer platformlar ve ├žer├ževelerle entegre etme hakk─▒nda daha fazla bilgi i├žin entegrasyon k─▒lavuzu sayfam─▒za g├Âz atmay─▒ unutmay─▒n. Projelerinizde YOLOv8 'dan en iyi ┼čekilde yararlanman─▒za yard─▒mc─▒ olacak harika kaynaklar ve bilgiler i├žeriyor.



Created 2024-03-22, Updated 2024-06-10
Authors: glenn-jocher (4), RizwanMunawar (1), Burhan-Q (1), abirami-vina (1)

Yorumlar