YOLO26 Model Biçiminden TF.js Model Biçimine Aktarma#

Makine öğrenimi modellerini doğrudan tarayıcıda veya Node.js üzerinde dağıtmak zor olabilir. Modelini, kullanıcının cihazında etkileşimli uygulamaları yerel olarak çalıştıracak şekilde kullanabilmek için biçiminin daha yüksek performans sağlayacak biçimde optimize edildiğinden emin olmalısın. TensorFlow.js veya TF.js model biçimi, hızlı performans sunarken güç tüketimini en aza indirecek şekilde tasarlanmıştır.

'TF.js model biçimine aktarma' özelliği, Ultralytics YOLO26 modellerini yüksek hızlı ve yerel olarak çalışan nesne algılama çıkarımı için optimize etmeni sağlar. Bu kılavuzda modellerini TF.js biçimine dönüştürme sürecini adım adım ele alacağız; böylece modellerin çeşitli yerel tarayıcılarda ve Node.js uygulamalarında daha iyi performans gösterebilir.

Neden TF.js'ye Aktarmalısın?#

TensorFlow ekibi tarafından daha geniş TensorFlow ekosisteminin bir parçası olarak geliştirilen TensorFlow.js'ye makine öğrenimi modellerini aktarmak, makine öğrenimi uygulamalarını dağıtmak için birçok avantaj sunar. Hassas verileri cihazda tutarak kullanıcı gizliliğini ve güvenliğini artırmaya yardımcı olur. Aşağıdaki görselde TensorFlow.js mimarisi ve makine öğrenimi modellerinin hem web tarayıcılarında hem de Node.js'de nasıl dönüştürülüp dağıtıldığı gösterilmektedir.

Modelleri yerel olarak çalıştırmak gecikmeyi de azaltır ve daha hızlı yanıt veren bir kullanıcı deneyimi sağlar. TensorFlow.js çevrimdışı çalışma olanağı da sunar; böylece kullanıcılar internet bağlantısı olmadan da uygulamanı kullanabilir. TF.js, ölçeklenebilirlik için tasarlanmıştır ve GPU hızlandırma desteğiyle kaynakları kısıtlı cihazlarda karmaşık modelleri verimli biçimde çalıştırır.

TF.js'nin Temel Özellikleri#

TF.js'yi geliştiriciler için güçlü bir araç hâline getiren temel özellikler şunlardır:

• Platformlar Arası Destek: TensorFlow.js hem tarayıcı hem de Node.js ortamlarında kullanılabilir ve farklı platformlarda dağıtım esnekliği sağlar. Geliştiricilerin uygulamaları daha kolay oluşturup dağıtmasına olanak tanır.

• Birden Fazla Arka Uç Desteği: TensorFlow.js, hesaplama için CPU, GPU hızlandırması sağlayan WebGL, yerel hıza yakın yürütme sağlayan WebAssembly (WASM) ve gelişmiş tarayıcı tabanlı makine öğrenimi özellikleri sunan WebGPU dâhil olmak üzere çeşitli arka uçları destekler.

• Çevrimdışı Çalışma: TensorFlow.js ile modeller tarayıcıda internet bağlantısı olmadan çalışabilir; bu da çevrimdışıyken işlevlerini sürdüren uygulamalar geliştirmeni mümkün kılar.

TensorFlow.js ile Dağıtım Seçenekleri#

YOLO26 modellerini TF.js biçimine aktarma sürecine geçmeden önce bu biçimin kullanıldığı bazı yaygın dağıtım senaryolarını inceleyelim.

TF.js, makine öğrenimi modellerini dağıtmak için çeşitli seçenekler sunar:

• Tarayıcı İçi Makine Öğrenimi Uygulamaları: Makine öğrenimi modellerini doğrudan tarayıcıda çalıştıran web uygulamaları geliştirebilirsin. Böylece sunucu tarafında hesaplama ihtiyacı ortadan kalkar ve sunucu yükü azalır.

• Node.js Uygulamaları: TensorFlow.js, Node.js ortamlarına dağıtımı da destekleyerek sunucu tarafında makine öğrenimi uygulamaları geliştirmeyi mümkün kılar. Özellikle sunucunun işlem gücünden veya sunucu tarafındaki verilere erişimden yararlanması gereken uygulamalar için kullanışlıdır.

• Chrome Uzantıları: TensorFlow.js ile Chrome uzantıları oluşturmak ilgi çekici bir dağıtım senaryosudur. Örneğin, kullanıcıların önceden eğitilmiş bir makine öğrenimi modeliyle sınıflandırmak için herhangi bir web sayfasındaki bir görsele sağ tıklamasını sağlayan bir uzantı geliştirebilirsin. TensorFlow.js, makine öğrenimine dayalı anlık bilgiler veya geliştirmeler sunmak için günlük web tarama deneyimlerine entegre edilebilir.

YOLO26 Modellerini TensorFlow.js'ye Aktarma#

YOLO26 modellerini TF.js'ye dönüştürerek model uyumluluğunu ve dağıtım esnekliğini 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.

tfjs bağımsız değişkeni artık Dışa Aktar, Tahmin ve Doğrula modlarını yerel olarak destekleyen bir LiteRT .tflite modeli dışa aktarır ve tarayıcıda LiteRT.js üzerinden çalışır. Tarayıcıda ve cihazda güncel dağıtım yolu için LiteRT dışa aktarma kılavuzuna bak.

from ultralytics import YOLO

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

# Modeli LiteRT biçimine aktar (TF.js'nin yerine geçer)
model.export(format="litert", imgsz=640)  # sınıflandırma için imgsz=224 kullan

Dışa Aktarma Bağımsız Değişkenleri#

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

Dışa Aktarılan YOLO26 TensorFlow.js Modellerini Dağıtma#

YOLO26 modelini dışa aktardığına göre sıradaki adım modeli dağıtmaktır. Dışa aktarma, cihazda çalışan ve tarayıcıda LiteRT.js üzerinden kullanılabilen bir LiteRT .tflite modeli üretir; güncel yöntem için LiteRT dışa aktarma kılavuzuna bak.

Başvuru amacıyla eski TensorFlow.js çalışma zamanı kaynakları aşağıda verilmiştir:

• Chrome Uzantısı: TF.js modellerini bir Chrome uzantısına nasıl dağıtacağını anlatan geliştirici belgeleri burada.

• TensorFlow.js'yi Node.js'de çalıştırma: TensorFlow.js'yi doğrudan Node.js'de çalıştırma hakkında bir TensorFlow blog yazısı.

• TensorFlow.js'yi Bulut Platformunda Node Projesi olarak Dağıtma: Bir TensorFlow.js modelini Bulut Platformunda dağıtma hakkında bir TensorFlow blog yazısı.

Özet#

Bu kılavuzda, Ultralytics YOLO26 modellerini TensorFlow.js biçimine nasıl aktaracağını öğrendik. TF.js'ye aktarım yaparak YOLO26 modellerini çok çeşitli platformlarda optimize etme, dağıtma ve ölçeklendirme esnekliği kazanırsın.

Kullanım hakkında daha fazla bilgi için TensorFlow.js 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#