YOLO26'dan TF SavedModel Biçimine Nasıl Dışa Aktarılacağını Öğren#

Makine öğrenimi modellerini dağıtmak zorlayıcı olabilir. Ancak verimli ve esnek bir model biçimi kullanmak işini kolaylaştırabilir. TF SavedModel, makine öğrenimi modellerini tutarlı biçimde kaydedip yüklemek için TensorFlow'un standart serileştirme biçimidir. TensorFlow modelleri için bir bavul gibidir; modelleri farklı cihaz ve sistemlerde kolayca taşımanı ve kullanmanı sağlar.

Ultralytics YOLO26 modellerinden TF SavedModel'e nasıl dışa aktarılacağını öğrenmek, modelleri farklı platform ve ortamlara kolayca dağıtmana yardımcı olabilir. Bu kılavuzda, modellerini TF SavedModel biçimine nasıl dönüştüreceğini anlatarak farklı cihazlarda modellerinle çıkarım yapma sürecini kolaylaştıracağız.

Neden TF SavedModel'e Dışa Aktarmalısın?#

TensorFlow SavedModel biçimi, aşağıda gösterildiği gibi Google tarafından geliştirilen TensorFlow ekosisteminin bir parçasıdır. TensorFlow modellerini sorunsuzca kaydetmek ve serileştirmek için tasarlanmıştır. Mimari, ağırlıklar ve hatta derleme bilgileri gibi modelin tüm ayrıntılarını içerir. Bu sayede farklı ortamlarda paylaşmak, dağıtmak ve eğitime devam etmek kolaylaşır.

TF SavedModel'in önemli bir avantajı uyumluluğudur. TensorFlow Serving, LiteRT (önceden TensorFlow Lite olarak biliniyordu) ve TensorFlow.js ile iyi çalışır. Bu uyumluluk, web ve mobil uygulamalar dâhil çeşitli platformlarda model paylaşımını ve dağıtımını kolaylaştırır. TF SavedModel biçimi hem araştırma hem de üretim için kullanışlıdır. Modellerini yönetmek için birleşik bir yöntem sunarak her uygulamaya hazır olmalarını sağlar.

TF SavedModel'lerin Temel Özellikleri#

TF SavedModel'i yapay zekâ geliştiricileri için harika 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 aktarma sürecine geçmeden önce, bu biçimin kullanıldığı bazı 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 desteklediğinden modellerini bulut platformlarına, şirket içi sunuculara veya 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.

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:

# 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.

TF SavedModel 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 SavedModel biçimine aktar
model.export(format="saved_model")  # creates 'yolo26n_saved_model'

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")

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#

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.

Ancak TF SavedModel modellerini dağıtmaya yönelik ayrıntılı talimatlar için aşağıdaki kaynaklara göz at:

• TensorFlow Serving: TF SavedModel modellerini TensorFlow Serving kullanarak dağıtma hakkındaki geliştirici belgeleri burada.

• Node.js'te TensorFlow SavedModel Çalıştırma: TensorFlow SavedModel'i dönüştürmeden doğrudan Node.js'te çalıştırmayı anlatan bir TensorFlow blog yazısı.

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

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.

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

Sık Sorulan Sorular#