Başla

YOLO26'dan TF SavedModel Biçimine Nasıl Dışa Aktarılacağını Öğren

Makine öğrenimi modellerini dağıtmak zor olabilir. Ancak verimli ve esnek bir model biçimi kullanmak işini kolaylaştırabilir. TF SavedModel, makine öğrenimi modellerini tutarlı bir şekilde kaydetmek ve yüklemek için TensorFlow'un standart serileştirme biçimidir. TensorFlow modelini farklı cihazlar ve sistemler arasında taşınıp kullanılabilecek şekilde paketler.

Ultralytics YOLO26 modellerini TF SavedModel biçimine aktarmak, modelleri farklı platform ve ortamlarda dağıtmana yardımcı olabilir. Bu kılavuz, modellerini TF SavedModel biçimine dönüştürerek farklı cihazlarda modellerinle çıkarım yapmayı nasıl kolaylaştıracağını gösterir.

Neden TF SavedModel'e Dışa Aktarmalısın?#

Aşağıda gösterildiği gibi TensorFlow SavedModel biçimi, Google tarafından geliştirilen TensorFlow ekosisteminin bir parçasıdır. TensorFlow modellerini kaydetmek ve serileştirmek için tasarlanmıştır. Mimarisi, ağırlıkları ve hatta derleme bilgileri gibi model ayrıntılarının tamamını kapsar. Bu özellik, farklı ortamlarda paylaşımı, dağıtımı ve eğitime devam etmeyi kolaylaştırır.

TensorFlow SavedModel export format structure

TF SavedModel'in önemli bir avantajı uyumluluğudur. TensorFlow Serving, LiteRT (eski adıyla TensorFlow Lite) ve TensorFlow.js ile iyi çalışır. Bu uyumluluk, modelleri web ve mobil uygulamalar dâhil çeşitli platformlarda paylaşmayı ve dağıtmayı kolaylaştırır. TF SavedModel biçimi hem araştırma hem de üretim için kullanışlıdır. Modellerini farklı uygulamalarda yönetmek için birleşik bir yöntem sunar.

TF SavedModel'lerin Temel Özellikleri#

TF SavedModel'i yapay zekâ geliştiricileri için güçlü bir seçenek hâline getiren temel özellikler şunlardır:

  • Taşınabilirlik: TF SavedModel; dilden bağımsız, kurtarılabilir ve yalıtımlı bir serileştirme biçimi sunar. Üst düzey sistemlerin ve araçların TensorFlow modellerini üretmesini, tüketmesini ve dönüştürmesini sağlar. SavedModel'ler farklı platform ve ortamlarda kolayca paylaşılabilir ve dağıtılabilir.

  • Dağıtım Kolaylığı: TF SavedModel; hesaplama grafiğini, eğitilmiş parametreleri ve gerekli meta verileri tek bir pakette bir araya getirir. Modeli oluşturan özgün kod gerekmeden kolayca yüklenebilir ve çıkarım için kullanılabilir. Bu, TensorFlow modellerinin çeşitli üretim ortamlarında dağıtımını kolay ve verimli hâle getirir.

  • Varlık Yönetimi: TF SavedModel; sözlükler, gömme vektörleri veya arama tabloları gibi harici varlıkların eklenmesini destekler. Bu varlıklar grafik tanımı ve değişkenlerle birlikte depolanarak model yüklendiğinde erişilebilir olmaları sağlanır. Bu özellik, harici kaynaklara dayanan modellerin yönetimini ve dağıtımını kolaylaştırır.

TF SavedModel ile Dağıtım Seçenekleri#

YOLO26 modellerini TF SavedModel biçimine aktarmadan önce, bu biçimin kullanıldığı yaygın dağıtım senaryolarını inceleyelim.

TF SavedModel, makine öğrenimi modellerini dağıtmak için çeşitli seçenekler sunar:

  • TensorFlow Serving: TensorFlow Serving, üretim ortamları için tasarlanmış esnek ve yüksek performanslı bir sunum sistemidir. TF SavedModel'leri yerel olarak destekler; bu sayede modellerini bulut platformlarına, şirket içi sunuculara veya Raspberry Pi gibi uç cihazlara kolayca dağıtıp sunabilirsin.

  • Bulut Platformları: Google Cloud Platform (GCP), Amazon Web Services (AWS) ve Microsoft Azure gibi büyük bulut sağlayıcıları, TF SavedModel'ler dâhil TensorFlow modellerini dağıtıp çalıştırmaya yönelik hizmetler sunar. Bu hizmetler ölçeklenebilir ve yönetilen bir altyapı sağlayarak modellerini kolayca dağıtıp ölçeklendirmeni sağlar.

  • Mobil ve Gömülü Cihazlar: Mobil, gömülü ve IoT cihazlarında makine öğrenimi modellerini çalıştırmaya yönelik hafif bir çözüm olan LiteRT (önceden TensorFlow Lite olarak biliniyordu), TF SavedModel'lerin LiteRT biçimine dönüştürülmesini destekler. Böylece modellerini akıllı telefon ve tabletlerden mikrodenetleyicilere ve uç cihazlara kadar çok çeşitli cihazlara dağıtabilirsin.

  • TensorFlow Runtime: TensorFlow Runtime (tfrt), TensorFlow grafiklerini çalıştırmaya yönelik yüksek performanslı bir çalışma zamanıdır. C++ ortamlarında TF SavedModel'leri yüklemek ve çalıştırmak için daha alt düzey API'ler sunar. TensorFlow Runtime, standart TensorFlow çalışma zamanına kıyasla daha iyi performans sağlar. Düşük gecikmeli çıkarım ve mevcut C++ kod tabanlarıyla sıkı entegrasyon gerektiren dağıtım senaryoları için uygundur.

Desteklenen Görevler#

TF SavedModel'e dışa aktarma, Ultralytics'in yedi görevinin tamamını destekler. Anlamsal segmentasyon ve derinlik tahmini yalnızca bu başlıklara sahip tek aile olan YOLO26 ile kullanılabilir.

GörevYOLOv8YOLO11YOLO26
Algılama✅✅✅
Segmentasyon✅✅✅
Anlamsal❌❌✅
Derinlik❌❌✅
Sınıflandırma✅✅✅
Poz✅✅✅
OBB✅✅✅

YOLO26 Modellerini TF SavedModel'e Aktarma#

YOLO26 modellerini TF SavedModel biçimine aktararak farklı platformlarda uyarlanabilirliklerini ve dağıtım kolaylıklarını artırabilirsin.

Kurulum#

Gerekli paketi yüklemek için şu komutu çalıştır:

Kurulum
# 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.

Platform desteği

Python 3.13 veya daha yeni sürümlerin yüklü olduğu macOS'te TF SavedModel dışa aktarımı desteklenmez.

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.

TF SavedModel biçimi Dışa Aktar, Tahmin ve Doğrula kiplerini destekler. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

Dışa aktar
from ultralytics import YOLO

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

# Modeli TF SavedModel biçimine aktar
model.export(format="saved_model")  # creates 'yolo26n_saved_model'
Tahmin
from ultralytics import YOLO

# Dışa aktarılan TF SavedModel modelini yükle
model = YOLO("./yolo26n_saved_model")

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

# Dışa aktarılan TF SavedModel modelini yükle
model = YOLO("./yolo26n_saved_model")

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

Dışa Aktarma Bağımsız Değişkenleri#

Bağımsız değişkenTürVarsayılanAçıklama
formatstr'saved_model'Dışa aktarılan modelin hedef biçimi; çeşitli dağıtım ortamlarıyla uyumluluğu tanımlar.
imgszint veya tuple640Model girişi için istenen görüntü boyutu. Kare görüntüler için bir tam sayı, belirli boyutlar içinse (height, width) demeti kullanılabilir.
quantizeint veya strNoneNicemleme hassasiyeti: 8, SavedModel'i FP32 olarak tutar ve yanına INT8 .tflite dosyalarını ekler (data/fraction ile kalibre edilir); 32 veya ayarlanmamış değer ise FP32 kullanır. SavedModel dışa aktarımında FP16 desteklenmez. Kullanımdan kaldırılmış int8 bayrağının yerini alır.
opsetintNoneAra ONNX grafiği için ONNX opset sürümünü belirtir. Ayarlanmazsa, kurulu onnx sürümüyle sınırlandırılmış 18 opset sürümü kullanılır (PyTorch < 2.4 sürümlerinde daha düşük). RT-DETR 19 kullanır.
nmsbool, isteğe bağlıNoneHam çıktıyı (None, varsayılan), gömülü NMS'yi (True) veya NMS'siz başlığı (False) seç.
batchint1Dışa aktarılan modelin toplu çıkarım boyutunu veya predict kipinde eşzamanlı işleyeceği en fazla görüntü sayısını belirtir.
datastrNoneNiceleme için gerekli olan veri kümesi YAML dosyasının yolu; sınıflandırmada bunun yerine bir veri kümesi dizini veya yerleşik veri kümesi adı kullanılır. quantize=8 ile birlikte belirtilmezse Ultralytics, model görevi için varsayılan kalibrasyon veri kümesini seçer.
fractionfloat, int veya list1.0Oran, görüntü sayısı veya [train, val, test] oranları/sayıları olarak kalibrasyon alt kümesi. İki öğeli listelerde test tam kalır; 0 ise onu atlar.
devicestrNoneDışa aktarma cihazını belirtir: CPU (device=cpu), Apple silicon için MPS (device=mps).

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

Dışa Aktarılan YOLO26 TF SavedModel Modellerini Dağıtma#

YOLO26 modelini TF SavedModel biçimine aktardığına göre sonraki adım dağıtımdır. TF SavedModel modelini çalıştırmak için önerilen ilk ve temel adım, kullanım kodu örneğinde daha önce gösterildiği gibi YOLO("yolo26n_saved_model/") yöntemini kullanmaktır.

TF SavedModel modellerini dağıtma hakkında ayrıntılı talimatlar için aşağıdaki kaynaklara göz at:

Özet#

Bu kılavuzda, Ultralytics YOLO26 modellerini TF SavedModel biçimine nasıl aktaracağını inceledik. TF SavedModel'e aktarım yaparak YOLO26 modellerini çok çeşitli platformlarda optimize etme, dağıtma ve ölçeklendirme esnekliği kazanırsın.

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

Sık Sorulan Sorular#

  • Bir Ultralytics YOLO modelini TensorFlow SavedModel biçimine aktarmak oldukça kolaydır. Bunu Python veya CLI kullanarak yapabilirsin:

    YOLO26'yı TF SavedModel'e aktarma
    from ultralytics import YOLO
    
    # YOLO26 modelini yükle
    model = YOLO("yolo26n.pt")
    
    # Modeli TF SavedModel biçimine aktar
    model.export(format="saved_model")  # creates 'yolo26n_saved_model'
    
    # Dışa aktarılan TF SavedModel'i çıkarım için yükle
    tf_savedmodel_model = YOLO("./yolo26n_saved_model")
    results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")

    Daha fazla bilgi için Ultralytics Dışa Aktarma belgelerine başvur.

  • TensorFlow SavedModel biçimi, model dağıtımı için çeşitli avantajlar sunar:

    • Taşınabilirlik: Dilden bağımsız bir biçim sunarak modellerin farklı ortamlarda paylaşılmasını ve dağıtılmasını kolaylaştırır.
    • Uyumluluk: Çeşitli platformlarda, web ve mobil uygulamalar dâhil, model dağıtımı için gerekli olan TensorFlow Serving, LiteRT ve TensorFlow.js gibi araçlarla çalışır.
    • Eksiksiz kapsülleme: Model mimarisini, ağırlıkları ve derleme bilgilerini kodlayarak kolay paylaşım ve eğitime devam etme olanağı sağlar.

    Daha fazla avantaj ve dağıtım seçeneği için Ultralytics YOLO model dağıtım seçeneklerine göz at.

  • TF SavedModel şu ortamlar da dâhil olmak üzere çeşitli ortamlarda dağıtılabilir:

    • TensorFlow Serving: Ölçeklenebilir ve yüksek performanslı model sunumu gerektiren üretim ortamları için idealdir.
    • Bulut Platformları: Ölçeklenebilir model dağıtımı için Google Cloud Platform (GCP), Amazon Web Services (AWS) ve Microsoft Azure gibi önemli bulut hizmetlerini destekler.
    • Mobil ve Gömülü Cihazlar: TF SavedModel'leri dönüştürmek için LiteRT (eski adıyla TensorFlow Lite) kullanmak, modellerin mobil cihazlara, IoT cihazlarına ve mikrodenetleyicilere dağıtılmasını sağlar.
    • TensorFlow Çalışma Zamanı: Daha iyi performansla düşük gecikmeli çıkarım gerektiren C++ ortamları için kullanılır.

    Ayrıntılı dağıtım seçenekleri için TensorFlow modellerini dağıtma hakkındaki resmî kılavuzları ziyaret et.

  • YOLO26 modellerini dışa aktarmak için ultralytics paketini yüklemen gerekir. Terminalinde şu komutu çalıştır:

    pip install ultralytics

    Daha ayrıntılı kurulum talimatları ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza başvur. Herhangi bir sorunla karşılaşırsan Yaygın Sorunlar kılavuzumuza göz at.

  • TF SavedModel biçimi, aşağıdaki özellikleri sayesinde yapay zekâ geliştiricilerine fayda sağlar:

    • Taşınabilirlik: Farklı ortamlarda paylaşım ve dağıtım olanağı sağlar.
    • Kolay Dağıtım: Hesaplama grafiğini, eğitilmiş parametreleri ve meta verileri tek bir pakette kapsülleyerek yükleme ve çıkarım işlemlerini basitleştirir.
    • Varlık Yönetimi: Söz varlıkları gibi harici varlıkları destekleyerek bunların model yüklendiğinde hazır bulunmasını sağlar.

    Daha fazla bilgi için resmî TensorFlow belgelerini incele.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.