Link to this sectionYOLO26'dan TF SavedModel Formatına Nasıl Aktarım Yapılacağını Anla#

Makine öğrenimi modellerini dağıtmak zorlu olabilir. Ancak verimli ve esnek bir model formatı kullanmak işini kolaylaştırabilir. TF SavedModel, TensorFlow tarafından makine öğrenimi modellerini tutarlı bir şekilde yüklemek için kullanılan açık kaynaklı bir makine öğrenimi çerçevesidir. TensorFlow modelleri için bir bavul gibidir; bu da onları taşımayı ve farklı cihaz ve sistemlerde kullanmayı kolaylaştırır.

Ultralytics YOLO26 modellerinden TF SavedModel'e nasıl aktarım yapılacağını öğrenmek, modellerini farklı platform ve ortamlarda kolayca dağıtmana yardımcı olabilir. Bu kılavuzda, modellerini TF SavedModel formatına nasıl dönüştüreceğini adım adım inceleyecek ve modellerinle farklı cihazlarda çıkarım yapma sürecini basitleştireceğiz.

Link to this sectionNeden TF SavedModel Formatına Aktarım Yapmalısın?#

TensorFlow SavedModel formatı, aşağıda gösterildiği gibi Google tarafından geliştirilen TensorFlow ekosisteminin bir parçasıdır. TensorFlow modellerini sorunsuz bir şekilde kaydetmek ve serileştirmek için tasarlanmıştır. Mimari, ağırlıklar ve hatta derleme bilgileri gibi modelin tüm detaylarını kapsar. Bu, farklı ortamlarda paylaşmayı, dağıtmayı ve eğitime devam etmeyi kolaylaştırır.

TF SavedModel'in önemli bir avantajı vardır: uyumluluğu. TensorFlow Serving, TensorFlow Lite ve TensorFlow.js ile iyi çalışır. Bu uyumluluk, modelleri web ve mobil uygulamalar dahil olmak üzere çeşitli platformlarda paylaşmayı ve dağıtmayı kolaylaştırır. TF SavedModel formatı hem araştırma hem de üretim için kullanışlıdır. Modellerini yönetmen için birleşik bir yol sağlar ve her türlü uygulamaya hazır olmalarını sağlar.

Link to this sectionTF SavedModel'lerin Temel Özellikleri#

TF SavedModel'i yapay zeka geliştiricileri için harika bir seçenek haline getiren temel özellikler şunlardır:

• Taşınabilirlik: TF SavedModel, dilden bağımsız, kurtarılabilir ve hermetik bir serileştirme formatı sağlar. Daha üst seviye sistemlerin ve araçların TensorFlow modelleri 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 birleştirir. Modeli oluşturan orijinal kod gerekmeden kolayca yüklenebilir ve çıkarım için kullanılabilirler. Bu, TensorFlow modellerinin çeşitli üretim ortamlarında dağıtımını basit ve verimli hale getirir.

• Varlık Yönetimi: TF SavedModel, kelime dağarcıkları, gömülü vektörler veya arama tabloları gibi harici varlıkların dahil edilmesini destekler. Bu varlıklar, grafik tanımı ve değişkenlerle birlikte saklanır, böylece model yüklendiğinde kullanıma hazır olurlar. Bu özellik, harici kaynaklara dayanan modellerin yönetimini ve dağıtımını basitleştirir.

Link to this sectionTF SavedModel ile Dağıtım Seçenekleri#

YOLO26 modellerini TF SavedModel formatına aktarma sürecine dalmadan önce, bu formatın kullanıldığı bazı tipik dağıtım senaryolarını inceleyelim.

TF SavedModel, makine öğrenimi modellerini dağıtman için bir dizi seçenek sunar:

• TensorFlow Serving: TensorFlow Serving, üretim ortamları için tasarlanmış esnek ve yüksek performanslı bir sunum sistemidir. TF SavedModel formatını yerel olarak destekler, bu da modellerini bulut platformlarında, şirket içi sunucularda veya uç cihazlarda dağıtmanı ve sunmanı kolaylaştırır.

• Bulut Platformları: Google Cloud Platform (GCP), Amazon Web Services (AWS) ve Microsoft Azure gibi büyük bulut sağlayıcıları, TF SavedModel'ler dahil olmak üzere TensorFlow modellerini dağıtmak ve çalıştırmak için hizmetler sunar. Bu hizmetler, ölçeklenebilir ve yönetilen altyapı sağlayarak modellerini kolayca dağıtmanı ve ölçeklendirmeni sağlar.

• Mobil ve Gömülü Cihazlar: Makine öğrenimi modellerini mobil, gömülü ve IoT cihazlarında çalıştırmak için hafif bir çözüm olan TensorFlow Lite, TF SavedModel formatından TensorFlow Lite formatına dönüştürmeyi destekler. Bu, modellerini akıllı telefonlardan tabletlere, mikrodenetleyicilerden uç cihazlara kadar çok çeşitli cihazlarda dağıtmanı sağlar.

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

Link to this sectionYOLO26 Modellerini TF SavedModel'e Aktarma#

YOLO26 modellerini TF SavedModel formatına aktararak, modellerinin uyarlanabilirliğini ve çeşitli platformlardaki dağıtım kolaylığını artırırsın.

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 SavedModel formatı Dışa Aktarma, Tahmin ve Doğrulama 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 SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

# 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 SavedModel Modellerini Dağıtma#

YOLO26 modelini TF SavedModel formatına aktardığına göre, bir sonraki adım onu dağıtmaktır. Bir TF SavedModel modelini çalıştırmak için birincil ve önerilen ilk adım, kullanım kodu parçacığında daha önce gösterildiği gibi YOLO("yolo26n_saved_model/") yöntemini kullanmaktır.

Ancak, TF SavedModel modellerini dağıtma konusunda ayrıntılı talimatlar için aşağıdaki kaynaklara bir göz at:

• TensorFlow Serving: TF SavedModel modellerini TensorFlow Serving kullanarak nasıl dağıtacağına dair geliştirici belgeleri burada.

• Node.js'de bir TensorFlow SavedModel Çalıştırma: Bir TensorFlow SavedModel'i dönüştürmeye gerek kalmadan doğrudan Node.js'de çalıştırma hakkında bir TensorFlow blog yazısı.

• Bulutta Dağıtım: Bir TensorFlow SavedModel modelini Cloud AI Platform üzerinde dağıtma hakkında bir TensorFlow blog yazısı.

Link to this sectionÖzet#

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

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

Ultralytics YOLO26'yı diğer platformlar ve çerçevelerle entegre etme hakkında daha fazla bilgi için entegrasyon kılavuzu sayfamıza göz atmayı unutma. YOLO26'dan projelerinde en iyi şekilde yararlanmana yardımcı olacak harika kaynaklarla doludur.

Link to this sectionSSS#

Link to this sectionBir Ultralytics YOLO modelini TensorFlow SavedModel formatına nasıl aktarırım?#

Bir Ultralytics YOLO modelini TensorFlow SavedModel formatına aktarmak oldukça basittir. Bunu başarmak için Python veya CLI kullanabilirsin:

from ultralytics import YOLO

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

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'

# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolo26n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")

Daha fazla ayrıntı için Ultralytics Dışa Aktarma belgelerine başvur.

Link to this sectionNeden TensorFlow SavedModel formatını kullanmalıyım?#

TensorFlow SavedModel formatı, model dağıtımı için çeşitli avantajlar sunar:

• Taşınabilirlik: Dilden bağımsız bir format sağlar, bu da modelleri farklı ortamlarda paylaşmayı ve dağıtmayı kolaylaştırır.
• Uyumluluk: Web ve mobil uygulamalar dahil olmak üzere çeşitli platformlarda model dağıtmak için gerekli olan TensorFlow Serving, TensorFlow Lite ve TensorFlow.js gibi araçlarla sorunsuz bir şekilde entegre olur.
• Tam kapsülleme: Model mimarisini, ağırlıkları ve derleme bilgilerini kodlar; böylece kolay paylaşım ve eğitim devamlılığı sağlar.

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

Link to this sectionTF SavedModel için tipik dağıtım senaryoları nelerdir?#

TF SavedModel, aşağıdakiler dahil 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 büyük bulut hizmetlerini destekler.
• Mobil ve Gömülü Cihazlar: TF SavedModel formatlarını dönüştürmek için TensorFlow Lite kullanmak, mobil cihazlarda, IoT cihazlarında ve mikrodenetleyicilerde dağıtım yapmana olanak tanır.
• TensorFlow Runtime: Daha iyi performansla düşük gecikmeli çıkarıma ihtiyaç duyan C++ ortamları için.

Ayrıntılı dağıtım seçenekleri için TensorFlow modellerini dağıtma konulu resmi kılavuzları ziyaret et.

Link to this sectionYOLO26 modellerini dışa aktarmak için gerekli paketleri nasıl kurabilirim?#

YOLO26 modellerini dışa aktarmak için ultralytics paketini kurman gerekir. Terminalinde aşağıdaki 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 bak.

Link to this sectionTensorFlow SavedModel formatının temel özellikleri nelerdir?#

TF SavedModel formatı, aşağıdaki özelliklerden dolayı yapay zeka geliştiricileri için faydalıdır:

• Taşınabilirlik: Çeşitli ortamlarda zahmetsizce paylaşım ve dağıtıma olanak tanır.
• Dağıtım Kolaylığı: Hesaplama grafiğini, eğitilmiş parametreleri ve meta verileri tek bir pakette kapsüller, bu da yüklemeyi ve çıkarımı basitleştirir.
• Varlık Yönetimi: Kelime dağarcıkları gibi harici varlıkları destekler, model yüklendiğinde kullanıma hazır olmalarını sağlar.

Daha fazla ayrıntı için resmi TensorFlow belgelerini incele.