YOLO11 Dağıtım Seçeneklerinin Karşılaştırmalı Analizi

Giriş

YOLO11 ile yolculuğunuzda uzun bir yol katettiniz. Verileri özenle topladınız, titizlikle etiketlediniz ve özel YOLO11 modelinizi eğitmek ve titizlikle değerlendirmek için saatler harcadınız. Şimdi, modelinizi özel uygulamanız, kullanım durumunuz veya projeniz için kullanma zamanı. Ancak önünüzde duran kritik bir karar var: modelinizi nasıl etkili bir şekilde dışa aktarır ve dağıtırsınız.

İzle: Projeniz İçin En İyi Ultralytics YOLO11 Dağıtım Formatını Nasıl Seçersiniz | TensorRT | OpenVINO 🚀

Bu kılavuz, YOLO11'in dağıtım seçeneklerinde ve projeniz için doğru seçeneği seçmek için dikkate alınması gereken temel faktörlerde size yol gösterir.

YOLO11 Modeliniz için Doğru Dağıtım Seçeneği Nasıl Seçilir

YOLO11 modelinizi dağıtma zamanı geldiğinde, uygun bir dışa aktarma biçimi seçmek çok önemlidir. Ultralytics YOLO11 Modları belgelerinde belirtildiği gibi, model.export() işlevi, eğitilmiş modelinizi çeşitli ortam ve performans gereksinimlerine göre uyarlanmış çeşitli biçimlere dönüştürmenize olanak tanır.

İdeal format, modelinizin amaçlanan operasyonel bağlamına, hıza, donanım kısıtlamalarına ve entegrasyon kolaylığına bağlıdır. Aşağıdaki bölümde, her birini ne zaman seçeceğimizi anlayarak her bir dışa aktarma seçeneğine daha yakından bakacağız.

YOLO11'in Dağıtım Seçenekleri

Farklı YOLO11 dağıtım seçeneklerini inceleyelim. Dışa aktarma sürecinin ayrıntılı bir incelemesi için Ultralytics'in dışa aktarma ile ilgili dokümantasyon sayfasını ziyaret edin.

PyTorch

PyTorch, derin öğrenme ve yapay zeka uygulamaları için yaygın olarak kullanılan açık kaynaklı bir makine öğrenimi kütüphanesidir. Yüksek düzeyde esneklik ve hız sağlar, bu da onu araştırmacılar ve geliştiriciler arasında favori yapmıştır.

• Performans Kıyaslamaları: PyTorch, kullanım kolaylığı ve esnekliği ile bilinir; bu da daha özel ve optimize edilmiş diğer çerçevelere kıyasla ham performansta hafif bir ödünleşmeye neden olabilir.
• Uyumluluk ve Entegrasyon: python'daki çeşitli veri bilimi ve makine öğrenimi kütüphaneleriyle mükemmel uyumluluk sunar.
• Topluluk Desteği ve Ekosistem: Öğrenme ve sorun giderme için kapsamlı kaynaklarla en canlı topluluklardan biri.
• Örnek Olaylar: Araştırma prototiplerinde yaygın olarak kullanılır, birçok akademik makale PyTorch'ta dağıtılan modellere atıfta bulunur.
• Bakım ve Güncellemeler: Aktif geliştirme ve yeni özellikler için destek ile düzenli güncellemeler.
• Güvenlik Hususları: Güvenlik sorunları için düzenli yamalar yayınlanır, ancak güvenlik büyük ölçüde dağıtıldığı genel ortama bağlıdır.
• Donanım Hızlandırması: Model eğitimi ve çıkarımını hızlandırmak için gerekli olan GPU hızlandırması için CUDA'yı destekler.

TorchScript

TorchScript, modellerin bir C++ çalışma zamanı ortamında çalıştırılmak üzere dışa aktarılmasına izin vererek PyTorch'in yeteneklerini genişletir. Bu, python'un kullanılamadığı üretim ortamları için uygun hale getirir.

• Performans Kıyaslamaları: Özellikle üretim ortamlarında, yerel PyTorch'a göre daha iyi performans sunabilir.
• Uyumluluk ve Entegrasyon: Bazı gelişmiş özellikler tam olarak aktarılamasa da, PyTorch'tan C++ üretim ortamlarına sorunsuz geçiş için tasarlanmıştır.
• Topluluk Desteği ve Ekosistem: PyTorch'un geniş topluluğundan yararlanır, ancak daha dar bir uzman geliştirici kapsamına sahiptir.
• Örnek Olaylar: python'ın performans yükünün bir darboğaz olduğu endüstriyel ortamlarda yaygın olarak kullanılır.
• Bakım ve Güncellemeler: Sürekli güncellemelerle PyTorch ile birlikte sürdürülmektedir.
• Güvenlik Hususları: Tam python kurulumları olmayan ortamlarda modellerin çalıştırılmasını sağlayarak gelişmiş güvenlik sunar.
• Donanım Hızlandırması: Verimli GPU kullanımını sağlayarak PyTorch'un CUDA desteğini devralır.

ONNX

Açık Sinir Ağı Değişimi (ONNX), çeşitli platformlara dağıtım yaparken kritik olabilecek farklı çerçeveler arasında model birlikte çalışabilirliğine olanak tanıyan bir formattır.

• Performans Kıyaslamaları: ONNX modelleri, dağıtıldıkları belirli çalışma zamanına bağlı olarak değişken bir performans gösterebilir.
• Uyumluluk ve Entegrasyon: Çerçeveden bağımsız yapısı sayesinde birden çok platform ve donanım arasında yüksek birlikte çalışabilirlik sunar.
• Topluluk Desteği ve Ekosistem: Birçok kuruluş tarafından desteklenir, bu da geniş bir ekosisteme ve optimizasyon için çeşitli araçlara yol açar.
• Örnek Olaylar: Esnekliğini göstererek, modelleri farklı makine öğrenimi çerçeveleri arasında taşımak için sıklıkla kullanılır.
• Bakım ve Güncellemeler: Açık bir standart olarak ONNX, yeni işlemleri ve modelleri desteklemek için düzenli olarak güncellenir.
• Güvenlik Hususları: Herhangi bir çapraz platform aracı gibi, dönüştürme ve dağıtım hattında güvenli uygulamalar sağlamak önemlidir.
• Donanım Hızlandırma: ONNX Runtime ile modeller çeşitli donanım optimizasyonlarından yararlanabilir.

OpenVINO

OpenVINO, derin öğrenme modellerinin Intel donanımı genelinde dağıtımını kolaylaştırmak, performansı ve hızı artırmak için tasarlanmış bir Intel araç setidir.

• Performans Kıyaslamaları: Özellikle Intel CPU'ları, GPU'ları ve VPU'ları için optimize edilmiştir ve uyumlu donanımda önemli performans artışları sunar.
• Uyumluluk ve Entegrasyon: En iyi Intel ekosisteminde çalışır ancak bir dizi başka platformu da destekler.
• Topluluk Desteği ve Ekosistem: Özellikle bilgisayar görüşü alanında sağlam bir kullanıcı tabanıyla Intel tarafından desteklenmektedir.
• Örnek Olaylar: Uç bilişim ve Intel donanımının yaygın olduğu IoT senaryolarında sıklıkla kullanılır.
• Bakım ve Güncellemeler: Intel, en son derin öğrenme modellerini ve Intel donanımını desteklemek için OpenVINO'yu düzenli olarak günceller.
• Güvenlik Hususları: Hassas uygulamalarda dağıtım için uygun, güçlü güvenlik özellikleri sunar.
• Donanım Hızlandırma: Intel donanımında hızlandırma için özel olarak tasarlanmış, özel komut setlerinden ve donanım özelliklerinden yararlanır.

OpenVINO kullanarak dağıtım hakkında daha fazla bilgi için Ultralytics Entegrasyon belgelerine bakın: Intel OpenVINO Dışa Aktarma.

TensorRT

TensorRT, hız ve verimlilik gerektiren uygulamalar için ideal olan NVIDIA'nın yüksek performanslı bir derin öğrenme çıkarım optimizasyon aracı ve çalışma zamanıdır.

• Performans Kıyaslamaları: Yüksek hızlı çıkarım desteğiyle NVIDIA GPU'larda üst düzey performans sunar.
• Uyumluluk ve Entegrasyon: NVIDIA donanımı için en uygun, bu ortam dışında sınırlı destek.
• Topluluk Desteği ve Ekosistem: NVIDIA'nın geliştirici forumları ve dokümantasyonu aracılığıyla güçlü destek ağı.
• Örnek Olaylar: Video ve görüntü verileri üzerinde gerçek zamanlı çıkarım gerektiren endüstrilerde yaygın olarak benimsenmiştir.
• Bakım ve Güncellemeler: NVIDIA, performansı artırmak ve yeni GPU mimarilerini desteklemek için TensorRT'yi sık sık güncelleyerek sürdürmektedir.
• Güvenlik Hususları: Birçok NVIDIA ürünü gibi, güvenlik konusunda güçlü bir vurgu yapar, ancak ayrıntılar dağıtım ortamına bağlıdır.
• Donanım Hızlandırması: Derin optimizasyon ve hızlandırma sağlayarak yalnızca NVIDIA GPU'lar için tasarlanmıştır.

TensorRT dağıtımı hakkında daha fazla bilgi için TensorRT entegrasyon kılavuzuna göz atın.

CoreML

CoreML, iOS, macOS, watchOS ve tvOS dahil olmak üzere Apple ekosisteminde cihaz üzerinde performans için optimize edilmiş, Apple'ın makine öğrenimi çerçevesidir.

• Performans Kıyaslamaları: Minimum pil kullanımıyla Apple donanımında cihaz üzerinde performans için optimize edilmiştir.
• Uyumluluk ve Entegrasyon: Yalnızca Apple'ın ekosistemi için olup, iOS ve macOS uygulamaları için kolaylaştırılmış bir iş akışı sağlar.
• Topluluk Desteği ve Ekosistem: Kapsamlı dokümantasyon ve araçlarla Apple'dan ve özel bir geliştirici topluluğundan güçlü destek.
• Örnek Olaylar: Apple ürünlerinde cihaz üzerinde makine öğrenimi yetenekleri gerektiren uygulamalarda yaygın olarak kullanılır.
• Bakım ve Güncellemeler: En son makine öğrenimi gelişmelerini ve Apple donanımını desteklemek için Apple tarafından düzenli olarak güncellenir.
• Güvenlik Hususları: Apple'ın kullanıcı gizliliğine ve veri güvenliğine odaklanmasından yararlanır.
• Donanım Hızlandırma: Hızlandırılmış makine öğrenimi görevleri için Apple'ın sinir motoru ve GPU'sundan tam olarak yararlanır.

TF SavedModel

TF SavedModel, özellikle ölçeklenebilir sunucu ortamları için uygun olan, makine öğrenimi modellerini kaydetmek ve sunmak için TensorFlow'un formatıdır.

• Performans Kıyaslamaları: Özellikle TensorFlow Serving ile kullanıldığında, sunucu ortamlarında ölçeklenebilir performans sunar.
• Uyumluluk ve Entegrasyon: Bulut ve kurumsal sunucu dağıtımları dahil olmak üzere TensorFlow'un ekosistemi genelinde geniş uyumluluğa sahiptir.
• Topluluk Desteği ve Ekosistem: TensorFlow'un popülaritesi nedeniyle geniş topluluk desteği, dağıtım ve optimizasyon için çok çeşitli araçlar.
• Örnek Olaylar: Derin öğrenme modellerini ölçekte sunmak için üretim ortamlarında yaygın olarak kullanılır.
• Bakım ve Güncellemeler: Google ve TensorFlow topluluğu tarafından desteklenir, düzenli güncellemeler ve yeni özellikler sağlar.
• Güvenlik Hususları: TensorFlow Serving kullanılarak dağıtım, kurumsal düzeydeki uygulamalar için sağlam güvenlik özellikleri içerir.
• Donanım Hızlandırması: TensorFlow'un arka uçları aracılığıyla çeşitli donanım hızlandırmalarını destekler.

TF GraphDef

TF GraphDef, modeli bir grafik olarak temsil eden bir TensorFlow formatıdır ve statik bir hesaplama grafiğinin gerekli olduğu ortamlar için faydalıdır.

• Performans Kıyaslamaları: Tutarlılık ve güvenilirliğe odaklanarak statik hesaplama grafikleri için kararlı performans sağlar.
• Uyumluluk ve Entegrasyon: TensorFlow altyapısına kolayca entegre olur ancak SavedModel'e kıyasla daha az esnektir.
• Topluluk Desteği ve Ekosistem: TensorFlow'un ekosisteminden iyi destek alır ve statik grafikleri optimize etmek için birçok kaynak mevcuttur.
• Örnek Olaylar: Belirli gömülü sistemlerde olduğu gibi, statik bir grafiğin gerekli olduğu senaryolarda kullanışlıdır.
• Bakım ve Güncellemeler: TensorFlow'un temel güncellemelerinin yanı sıra düzenli güncellemeler.
• Güvenlik Hususları: TensorFlow'un yerleşik güvenlik uygulamalarıyla güvenli dağıtımı sağlar.
• Donanım Hızlandırması: SavedModel kadar esnek olmasa da TensorFlow'un donanım hızlandırma seçeneklerini kullanabilir.

TF GraphDef entegrasyon kılavuzumuzda TF GraphDef hakkında daha fazla bilgi edinin.

TF Lite

TF Lite, mobil ve gömülü cihazlarda makine öğrenimi için TensorFlow'un çözümüdür ve cihaz üzerinde çıkarım için hafif bir kütüphane sağlar.

• Performans Kıyaslamaları: Mobil ve gömülü cihazlarda hız ve verimlilik için tasarlanmıştır.
• Uyumluluk ve Entegrasyon: Hafif yapısı sayesinde çok çeşitli cihazlarda kullanılabilir.
• Topluluk Desteği ve Ekosistem: Google tarafından desteklenmektedir, sağlam bir topluluğa ve geliştiriciler için giderek artan sayıda kaynağa sahiptir.
• Örnek Olaylar: Minimum ayak izi ile cihaz üzerinde çıkarım gerektiren mobil uygulamalarda popülerdir.
• Bakım ve Güncellemeler: Mobil cihazlar için en son özellikleri ve optimizasyonları içerecek şekilde düzenli olarak güncellenir.
• Güvenlik Hususları: Modelleri son kullanıcı cihazlarında çalıştırmak için güvenli bir ortam sağlar.
• Donanım Hızlandırması: GPU ve DSP dahil olmak üzere çeşitli donanım hızlandırma seçeneklerini destekler.

TF Edge TPU

TF Edge TPU, Google'ın Edge TPU donanımında yüksek hızlı, verimli bilgi işlem için tasarlanmıştır ve gerçek zamanlı işleme gerektiren IoT cihazları için mükemmeldir.

• Performans Kıyaslamaları: Özellikle Google'ın Edge TPU donanımında yüksek hızlı, verimli bilgi işlem için optimize edilmiştir.
• Uyumluluk ve Entegrasyon: Yalnızca Edge TPU cihazlarında TensorFlow Lite modelleriyle çalışır.
• Topluluk Desteği ve Ekosistem: Google ve üçüncü taraf geliştiriciler tarafından sağlanan kaynaklarla büyüyen destek.
• Örnek Olaylar: Düşük gecikmeyle gerçek zamanlı işleme gerektiren IoT cihazlarında ve uygulamalarında kullanılır.
• Bakım ve Güncellemeler: Yeni Edge TPU donanım sürümlerinin yeteneklerinden yararlanmak için sürekli olarak geliştirilmektedir.
• Güvenlik Hususları: IoT ve uç cihazlar için Google'ın güçlü güvenliğiyle entegre olur.
• Donanım Hızlandırması: Google Coral cihazlarından tam olarak yararlanmak için özel olarak tasarlanmıştır.

TF.js

TensorFlow.js (TF.js), makine öğrenimi yeteneklerini doğrudan tarayıcıya getiren ve hem web geliştiricileri hem de kullanıcılar için yeni bir olasılık alanı sunan bir kütüphanedir. Arka uç altyapısına ihtiyaç duymadan makine öğrenimi modellerinin web uygulamalarına entegrasyonuna olanak tanır.

• Performans Kıyaslamaları: İstemci cihazına bağlı olarak makul bir performansla doğrudan tarayıcıda makine öğrenmesini sağlar.
• Uyumluluk ve Entegrasyon: Web teknolojileriyle yüksek uyumluluğa sahiptir ve web uygulamalarına kolay entegrasyon sağlar.
• Topluluk Desteği ve Ekosistem: Tarayıcılarda ML modellerini dağıtmak için çeşitli araçlarla web ve Node.js geliştiricilerinden oluşan bir topluluktan destek.
• Örnek Olaylar: Sunucu tarafı işlemeye ihtiyaç duymadan istemci tarafı makine öğreniminden yararlanan etkileşimli web uygulamaları için idealdir.
• Bakım ve Güncellemeler: TensorFlow ekibi tarafından açık kaynak topluluğunun katkılarıyla sürdürülmektedir.
• Güvenlik Hususları: Web platformunun güvenlik modelini kullanarak tarayıcının güvenli bağlamında çalışır.
• Donanım Hızlandırması: Performans, WebGL gibi donanım hızlandırmasına erişen web tabanlı API'lerle artırılabilir.

PaddlePaddle

PaddlePaddle, Baidu tarafından geliştirilen açık kaynaklı bir derin öğrenme çerçevesidir. Hem araştırmacılar için verimli hem de geliştiriciler için kullanımı kolay olacak şekilde tasarlanmıştır. Özellikle Çin'de popülerdir ve Çince dil işleme için özel destek sunar.

• Performans Kıyaslamaları: Kullanım kolaylığı ve ölçeklenebilirliğe odaklanarak rekabetçi performans sunar.
• Uyumluluk ve Entegrasyon: Baidu'nun ekosistemine iyi entegre edilmiştir ve çok çeşitli uygulamaları destekler.
• Topluluk Desteği ve Ekosistem: Topluluk küresel olarak daha küçük olmasına rağmen, özellikle Çin'de hızla büyüyor.
• Örnek Olaylar: Çin pazarlarında ve diğer büyük çerçevelere alternatif arayan geliştiriciler tarafından yaygın olarak kullanılır.
• Bakım ve Güncellemeler: Çince dilindeki AI uygulamalarına ve hizmetlerine hizmet vermeye odaklanarak düzenli olarak güncellenir.
• Güvenlik Hususları: Çin veri yönetimi standartlarına hitap ederek veri gizliliğini ve güvenliğini vurgular.
• Donanım Hızlandırma: Baidu'nun kendi Kunlun çipleri de dahil olmak üzere çeşitli donanım hızlandırmalarını destekler.

MNN

MNN, yüksek verimli ve hafif bir derin öğrenme çerçevesidir. Derin öğrenme modellerinin çıkarımını ve eğitimini destekler ve cihaz üzerinde çıkarım ve eğitim için endüstri lideri performansa sahiptir. Ek olarak, MNN, IoT gibi gömülü cihazlarda da kullanılır.

• Performans Kriterleri: ARM sistemleri için mükemmel optimizasyon ile mobil cihazlar için yüksek performans.
• Uyumluluk ve Entegrasyon: Mobil ve gömülü ARM sistemleri ve X86-64 CPU mimarileriyle iyi çalışır.
• Topluluk Desteği ve Ekosistem: Mobil ve gömülü makine öğrenimi topluluğu tarafından desteklenmektedir.
• Örnek Olaylar: Mobil sistemlerde verimli performans gerektiren uygulamalar için idealdir.
• Bakım ve Güncellemeler: Mobil cihazlarda yüksek performans sağlamak için düzenli olarak bakımı yapılır.
• Güvenlik Hususları: Verileri yerel tutarak cihaz üzerinde güvenlik avantajları sağlar.
• Donanım Hızlandırma: Maksimum verimlilik için ARM işlemciler ve GPU'lar için optimize edilmiştir.

NCNN

NCNN, mobil platform için optimize edilmiş yüksek performanslı bir sinir ağı çıkarım çerçevesidir. Hafif yapısı ve verimliliği ile öne çıkar, bu da onu kaynakların sınırlı olduğu mobil ve gömülü cihazlar için özellikle uygun hale getirir.

• Performans Kıyaslamaları: Mobil platformlar için yüksek düzeyde optimize edilmiştir ve ARM tabanlı cihazlarda verimli çıkarım sunar.
• Uyumluluk ve Entegrasyon: ARM mimarisine sahip cep telefonları ve gömülü sistemlerdeki uygulamalar için uygundur.
• Topluluk Desteği ve Ekosistem: Mobil ve gömülü ML uygulamalarına odaklanan niş fakat aktif bir topluluk tarafından desteklenmektedir.
• Örnek Olaylar: Android ve diğer ARM tabanlı sistemlerde verimlilik ve hızın kritik olduğu mobil uygulamalar için tercih edilir.
• Bakım ve Güncellemeler: Çeşitli ARM cihazlarında yüksek performansı korumak için sürekli olarak geliştirilmektedir.
• Güvenlik Hususları: Cihaz üzerinde işlem yapmanın doğal güvenliğinden yararlanarak, cihaz üzerinde yerel olarak çalışmaya odaklanır.
• Donanım Hızlandırma: ARM işlemcileri ve GPU'lar için özel olarak tasarlanmış, bu mimariler için özel optimizasyonlar içerir.

YOLO11 Dağıtım Seçeneklerinin Karşılaştırmalı Analizi

Aşağıdaki tablo, YOLO11 modelleri için mevcut olan çeşitli dağıtım seçeneklerinin bir anlık görüntüsünü sunarak, çeşitli kritik kriterlere göre proje ihtiyaçlarınıza en uygun olanı değerlendirmenize yardımcı olur. Her dağıtım seçeneğinin formatına ayrıntılı bir bakış için lütfen Ultralytics'in dışa aktarma formatları hakkındaki dokümantasyon sayfasına bakın.

Bu karşılaştırmalı analiz size üst düzey bir genel bakış sunar. Dağıtım için, projenizin özel gereksinimlerini ve kısıtlamalarını göz önünde bulundurmak ve her seçenek için mevcut ayrıntılı belgelere ve kaynaklara başvurmak önemlidir.

Topluluk ve Destek

YOLO11'e başlarken, yardımcı bir topluluğa ve desteğe sahip olmak önemli bir etki yaratabilir. İşte ilgi alanlarınızı paylaşan diğer kişilerle nasıl bağlantı kuracağınız ve ihtiyacınız olan yardımı nasıl alacağınız.

Daha Geniş Toplulukla Etkileşim Kurun

• GitHub Tartışmaları: GitHub'daki YOLO11 deposunun, soru sorabileceğiniz, sorunları bildirebileceğiniz ve iyileştirmeler önerebileceğiniz bir "Tartışmalar" bölümü vardır.
• Ultralytics Discord Sunucusu: Ultralytics'in diğer kullanıcılar ve geliştiricilerle etkileşim kurabileceğiniz bir Discord sunucusu vardır.

Resmi Belgelendirme ve Kaynaklar

• Ultralytics YOLO11 Belgeleri: Resmi belgeler, YOLO11'e kapsamlı bir genel bakışın yanı sıra kurulum, kullanım ve sorun giderme kılavuzları sunar.

Bu kaynaklar, zorlukların üstesinden gelmenize ve YOLO11 topluluğundaki en son trendler ve en iyi uygulamalar hakkında güncel kalmanıza yardımcı olacaktır.

Sonuç

Bu kılavuzda, YOLO11 için farklı dağıtım seçeneklerini inceledik. Seçiminizi yaparken dikkate almanız gereken önemli faktörleri de tartıştık. Bu seçenekler, modelinizi çeşitli ortamlar ve performans gereksinimleri için özelleştirmenize olanak tanıyarak, onu gerçek dünya uygulamaları için uygun hale getirir.

YOLO11 ve Ultralytics topluluğunun değerli bir yardım kaynağı olduğunu unutmayın. Normal belgelerde bulamayacağınız benzersiz ipuçları ve çözümler öğrenmek için diğer geliştiriciler ve uzmanlarla bağlantı kurun. Bilgi aramaya, yeni fikirler keşfetmeye ve deneyimlerinizi paylaşmaya devam edin.

Mutlu dağıtımlar!

SSS

YOLO11 için farklı donanım platformlarında hangi dağıtım seçenekleri mevcuttur?

Ultralytics YOLO11, her biri belirli ortamlar ve donanım platformları için tasarlanmış çeşitli dağıtım formatlarını destekler. Başlıca formatlar şunlardır:

• Mükemmel python entegrasyonu ile araştırma ve prototipleme için PyTorch.
• TorchScript, python'un kullanılamadığı üretim ortamları için.
• Çapraz platform uyumluluğu ve donanım hızlandırması için ONNX.
• Intel donanımında optimize edilmiş performans için OpenVINO.
• NVIDIA GPU'larda yüksek hızlı çıkarım için TensorRT.

Her formatın kendine özgü avantajları vardır. Ayrıntılı bir inceleme için dışa aktarma süreci belgelerimize bakın.

Bir Intel CPU üzerinde YOLO11 modelimin çıkarım hızını nasıl artırabilirim?

Intel CPU'lar üzerindeki çıkarım hızını artırmak için, YOLO11 modelinizi Intel'in OpenVINO araç setini kullanarak dağıtabilirsiniz. OpenVINO, modelleri Intel donanımından verimli bir şekilde yararlanacak şekilde optimize ederek önemli performans artışları sunar.

1. YOLO11 modelinizi kullanarak OpenVINO formatına dönüştürün model.export() fonksiyonu.
2. Intel OpenVINO Dışa Aktarma belgelerindeki ayrıntılı kurulum kılavuzunu takip edin.

Daha fazla bilgi için blog gönderimize göz atın.

YOLO11 modellerini mobil cihazlarda dağıtabilir miyim?

Evet, YOLO11 modelleri, hem Android hem de iOS platformları için TensorFlow Lite (TF Lite) kullanılarak mobil cihazlara dağıtılabilir. TF Lite, mobil ve gömülü cihazlar için tasarlanmıştır ve cihaz üzerinde verimli çıkarım sağlar.

# Export command for TFLite format
model.export(format="tflite")

# CLI command for TFLite export
yolo export --format tflite

Modelleri mobil cihazlara dağıtma hakkında daha fazla bilgi için TF Lite entegrasyon kılavuzumuza bakın.

YOLO11 modelim için bir dağıtım formatı seçerken hangi faktörleri göz önünde bulundurmalıyım?

YOLO11 için bir dağıtım formatı seçerken aşağıdaki faktörleri göz önünde bulundurun:

• Performans: TensorRT gibi bazı formatlar NVIDIA GPU'larda olağanüstü hızlar sağlarken, OpenVINO Intel donanımı için optimize edilmiştir.
• Uyumluluk: ONNX, farklı platformlarda geniş uyumluluk sunar.
• Entegrasyon Kolaylığı: CoreML veya TF Lite gibi formatlar sırasıyla iOS ve Android gibi belirli ekosistemler için özel olarak tasarlanmıştır.
• Topluluk Desteği: PyTorch ve TensorFlow gibi formatlar, kapsamlı topluluk kaynaklarına ve desteğine sahiptir.

Karşılaştırmalı bir analiz için dışa aktarma formatları belgelerimize bakın.

Bir web uygulamasında YOLO11 modellerini nasıl dağıtabilirim?

YOLO11 modellerini bir web uygulamasında dağıtmak için, makine öğrenimi modellerinin doğrudan tarayıcıda çalıştırılmasını sağlayan TensorFlow.js'yi (TF.js) kullanabilirsiniz. Bu yaklaşım, arka uç altyapısına olan ihtiyacı ortadan kaldırır ve gerçek zamanlı performans sağlar.

1. YOLO11 modelini TF.js biçimine aktarın.
2. Dışa aktarılan modeli web uygulamanıza entegre edin.

Adım adım talimatlar için TensorFlow.js entegrasyonu kılavuzumuza bakın.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar