─░├žeri─če ge├ž

Da─č─▒t─▒m i├žin TFLite'a YOLOv8 Model Aktar─▒m─▒ K─▒lavuzu

TFLite Logo

Bilgisayarla g├Ârme modellerinin u├ž cihazlara veya g├Âm├╝l├╝ cihazlara da─č─▒t─▒lmas─▒, sorunsuz performans sa─člayabilecek bir format gerektirir.

TensorFlow Lite veya TFLite d─▒┼ča aktarma format─▒, a┼ča─č─▒dakileri optimize etmenize olanak tan─▒r Ultralytics YOLOv8 Edge cihaz tabanl─▒ uygulamalarda nesne alg─▒lama ve g├Âr├╝nt├╝ s─▒n─▒fland─▒rma gibi g├Ârevler i├žin modeller. Bu k─▒lavuzda, modellerinizi TFLite format─▒na d├Ân├╝┼čt├╝rme ad─▒mlar─▒n─▒ inceleyerek modellerinizin ├že┼čitli u├ž cihazlarda iyi performans g├Âstermesini kolayla┼čt─▒raca─č─▒z.

Neden TFLite'a ihracat yapmal─▒s─▒n─▒z?

Google taraf─▒ndan May─▒s 2017'de TensorFlow ├žer├ževesinin bir par├žas─▒ olarak tan─▒t─▒lan TensorFlow Lite veya k─▒saca TFLite, edge computing olarak da bilinen cihaz ├╝zerinde ├ž─▒kar─▒m i├žin tasarlanm─▒┼č a├ž─▒k kaynakl─▒ bir derin ├Â─črenme ├žer├ževesidir. Geli┼čtiricilere, e─čitilmi┼č modellerini mobil, g├Âm├╝l├╝ ve IoT cihazlar─▒n─▒n yan─▒ s─▒ra geleneksel bilgisayarlarda da ├žal─▒┼čt─▒rmalar─▒ i├žin gerekli ara├žlar─▒ sa─člar.

TensorFlow Lite, g├Âm├╝l├╝ Linux, Android, iOS ve MCU dahil olmak ├╝zere ├žok ├že┼čitli platformlarla uyumludur. Modelinizi TFLite'a aktarmak uygulamalar─▒n─▒z─▒ daha h─▒zl─▒, daha g├╝venilir ve ├ževrimd─▒┼č─▒ ├žal─▒┼čabilir hale getirir.

TFLite Modellerinin Temel ├ľzellikleri

TFLite modelleri, geli┼čtiricilerin modellerini mobil, g├Âm├╝l├╝ ve u├ž cihazlarda ├žal─▒┼čt─▒rmalar─▒na yard─▒mc─▒ olarak cihaz ├╝zerinde makine ├Â─črenimini m├╝mk├╝n k─▒lan ├žok ├že┼čitli temel ├Âzellikler sunar:

  • Cihaz ├ťzerinde Optimizasyon: TFLite, verileri yerel olarak i┼čleyerek gecikmeyi azaltan, ki┼čisel verileri iletmeyerek gizlili─či art─▒ran ve yerden tasarruf etmek i├žin model boyutunu en aza indiren cihaz ├╝zerinde ML i├žin optimize eder.

  • ├çoklu Platform Deste─či: TFLite, Android, iOS, g├Âm├╝l├╝ Linux ve mikrodenetleyicileri destekleyen kapsaml─▒ platform uyumlulu─ču sunar.

  • ├çe┼čitli Dil Deste─či: TFLite, Java, Swift, Objective-C, C++ ve Python dahil olmak ├╝zere ├že┼čitli programlama dilleriyle uyumludur.

  • Y├╝ksek Performans: Donan─▒m h─▒zland─▒rma ve model optimizasyonu sayesinde ├╝st├╝n performans elde eder.

TFLite'ta Da─č─▒t─▒m Se├ženekleri

Before we look at the code for exporting YOLOv8 models to the TFLite format, let's understand how TFLite models are normally used.

TFLite, makine ├Â─črenimi modelleri i├žin a┼ča─č─▒dakiler de dahil olmak ├╝zere ├že┼čitli cihaz ├╝zerinde da─č─▒t─▒m se├ženekleri sunar:

  • Android ve iOS ile da─č─▒tma: TFLite ile hem Android hem de iOS uygulamalar─▒, nesneleri alg─▒lamak ve tan─▒mlamak i├žin u├ž tabanl─▒ kamera ak─▒┼člar─▒n─▒ ve sens├Ârleri analiz edebilir. TFLite ayr─▒ca Swift ve Objective-C dillerinde yaz─▒lm─▒┼č yerel iOS k├╝t├╝phaneleri de sunmaktad─▒r. A┼ča─č─▒daki mimari ┼čemada, TensorFlow Lite kullan─▒larak e─čitilmi┼č bir modelin Android ve iOS platformlar─▒na da─č─▒t─▒lmas─▒ s├╝reci g├Âsterilmektedir.

Mimarl─▒k

  • G├Âm├╝l├╝ Linux ile Uygulama: Raspberry Pi ├╝zerinde Ultralytics K─▒lavuzunu kullanarak ├ž─▒kar─▒m yapmak kullan─▒m durumunuz i├žin h─▒z gereksinimlerini kar┼č─▒lam─▒yorsa, ├ž─▒kar─▒m s├╝relerini h─▒zland─▒rmak i├žin d─▒┼ča aktar─▒lm─▒┼č bir TFLite modeli kullanabilirsiniz. Ayr─▒ca, bir Coral Edge TPU cihaz─▒ kullanarak performans─▒ daha da art─▒rmak m├╝mk├╝nd├╝r.

  • Mikrodenetleyicilerle Da─č─▒t─▒m: TFLite modelleri, yaln─▒zca birka├ž kilobayt belle─če sahip mikrodenetleyicilere ve di─čer cihazlara da da─č─▒t─▒labilir. ├çekirdek ├žal─▒┼čma zaman─▒ bir Arm Cortex M3 ├╝zerinde 16 KB'a s─▒─čar ve bir├žok temel modeli ├žal─▒┼čt─▒rabilir. ─░┼čletim sistemi deste─či, herhangi bir standart C veya C++ k├╝t├╝phanesi veya dinamik bellek tahsisi gerektirmez.

TFLite'a Aktarma: YOLOv8 Modelinizi D├Ân├╝┼čt├╝rme

Bunlar─▒ TFLite format─▒na d├Ân├╝┼čt├╝rerek cihaz ├╝zerinde model y├╝r├╝tme verimlili─čini art─▒rabilir ve performans─▒ optimize edebilirsiniz.

Kurulum

Gerekli paketleri 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 TFLite format
model.export(format="tflite")  # creates 'yolov8n_float32.tflite'

# Load the exported TFLite model
tflite_model = YOLO("yolov8n_float32.tflite")

# Run inference
results = tflite_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLOv8n PyTorch model to TFLite format
yolo export model=yolov8n.pt format=tflite  # creates 'yolov8n_float32.tflite'

# Run inference with the exported model
yolo predict model='yolov8n_float32.tflite' source='https://ultralytics.com/images/bus.jpg'

D─▒┼ča aktarma i┼člemi hakk─▒nda daha fazla bilgi i├žin, d─▒┼ča aktarma ile ilgiliUltralytics dok├╝mantasyon sayfas─▒n─▒ ziyaret edin.

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

Ultralytics YOLOv8 modellerinizi TFLite format─▒na ba┼čar─▒yla aktard─▒ktan sonra art─▒k bunlar─▒ da─č─▒tabilirsiniz. Bir TFLite modelini ├žal─▒┼čt─▒rmak i├žin birincil ve ├Ânerilen ilk ad─▒m, ├Ânceki kullan─▒m kod par├žas─▒nda belirtildi─či gibi YOLO("model.tflite") y├Ântemini kullanmakt─▒r. Ancak, TFLite modellerinizi di─čer ├že┼čitli ortamlarda da─č─▒tmaya ili┼čkin ayr─▒nt─▒l─▒ talimatlar i├žin a┼ča─č─▒daki kaynaklara g├Âz at─▒n:

  • Android: TensorFlow Lite'─▒ Android uygulamalar─▒na entegre etmek i├žin h─▒zl─▒ ba┼člang─▒├ž k─▒lavuzu, makine ├Â─črenimi modellerini kurmak ve ├žal─▒┼čt─▒rmak i├žin takip etmesi kolay ad─▒mlar sa─člar.

  • iOS: Geli┼čtiriciler i├žin ad─▒m ad─▒m talimatlar ve kaynaklar sunan TensorFlow Lite modellerini iOS uygulamalar─▒na entegre etme ve da─č─▒tma konusundaki bu ayr─▒nt─▒l─▒ k─▒lavuza g├Âz at─▒n.

  • U├žtan Uca ├ľrnekler: Bu sayfa, geli┼čtiricilerin mobil ve u├ž cihazlardaki makine ├Â─črenimi projelerinde TensorFlow Lite uygulamas─▒na yard─▒mc─▒ olmak i├žin tasarlanm─▒┼č pratik uygulamalar─▒ ve ├Â─čreticileri sergileyen ├že┼čitli TensorFlow Lite ├Ârneklerine genel bir bak─▒┼č sa─člar.

├ľzet

Bu k─▒lavuzda, TFLite format─▒na nas─▒l aktar─▒laca─č─▒na odakland─▒k. Ultralytics YOLOv8 modellerinizi TFLite model format─▒na d├Ân├╝┼čt├╝rerek YOLOv8 modellerinin verimlili─čini ve h─▒z─▒n─▒ art─▒rabilir, onlar─▒ daha etkili ve u├ž bili┼čim ortamlar─▒ i├žin uygun hale getirebilirsiniz.

For further details on usage, visit the TFLite official documentation.

Ayr─▒ca, di─čer Ultralytics YOLOv8 entegrasyonlar─▒n─▒ merak ediyorsan─▒z, entegrasyon k─▒lavuzu sayfam─▒za g├Âz att─▒─č─▒n─▒zdan emin olun. Orada sizi bekleyen tonlarca yararl─▒ bilgi ve i├žg├Âr├╝ bulacaks─▒n─▒z.



Created 2024-03-01, Updated 2024-06-10
Authors: glenn-jocher (5), abirami-vina (1)

Yorumlar