Intel OpenVINO Dışa Aktarma

Bu kılavuzda, YOLO11 modellerini OpenVINO biçimine aktarmayı ele alıyoruz; bu, 3 kata kadar CPU hızlandırması sağlayabilir ve ayrıca Intel GPU ve NPU donanımında YOLO çıkarımını hızlandırabilir.

Açık Görsel Çıkarım ve Sinir Ağı Optimizasyon araç setinin kısaltması olan OpenVINO, AI çıkarım modellerini optimize etmek ve dağıtmak için kapsamlı bir araç setidir. Adında Görsel geçmesine rağmen, OpenVINO dil, ses, zaman serileri vb. gibi çeşitli ek görevleri de destekler.

İzle: OpenVINO ile Çıkarım için Bir Ultralytics YOLOv8 Modeli Nasıl Dışa Aktarılır ve Optimize Edilir.

Kullanım Örnekleri

Bir YOLO11n modelini OpenVINO formatına aktarın ve aktarılan modelle çıkarım yapın.

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model
model.export(format="openvino")  # creates 'yolo11n_openvino_model/'

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")

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

# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

# Export a YOLO11n PyTorch model to OpenVINO format
yolo export model=yolo11n.pt format=openvino # creates 'yolo11n_openvino_model/'

# Run inference with the exported model
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg'

# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg' device="intel:gpu"

Dışa Aktarma Argümanları

Dışa aktarma süreci hakkında daha fazla bilgi için Ultralytics'in dışa aktarma hakkındaki dokümantasyon sayfasını ziyaret edin.

OpenVINO'nun Faydaları

1. Performans: OpenVINO, Intel CPU'larının, entegre ve ayrık GPU'ların ve FPGA'lerin gücünü kullanarak yüksek performanslı çıkarım sağlar.
2. Heterojen Yürütme Desteği: OpenVINO, bir kez yazıp desteklenen herhangi bir Intel donanımında (CPU, GPU, FPGA, VPU, vb.) dağıtmak için bir API sağlar.
3. Model Optimizatörü: OpenVINO, PyTorch, TensorFlow, TensorFlow Lite, Keras, ONNX, PaddlePaddle ve Caffe gibi popüler derin öğrenme framework'lerinden modelleri içe aktaran, dönüştüren ve optimize eden bir Model Optimizatörü sağlar.
4. Kullanım Kolaylığı: Araç seti, araç setinin farklı yönlerini öğreten (YOLOv8 optimizasyonu dahil) 80'den fazla eğitim not defteriyle birlikte gelir.

OpenVINO Dışa Aktarma Yapısı

Bir modeli OpenVINO formatına aktardığınızda, aşağıdakileri içeren bir dizinle sonuçlanır:

1. XML dosyası: Ağ topolojisini tanımlar.
2. BIN dosyası: Ağırlıklar ve yanlılıklar ikili verilerini içerir.
3. Eşleme dosyası: Orijinal model çıktı tensörlerinin OpenVINO tensör adlarına eşlemesini tutar.

Bu dosyaları OpenVINO Inference Engine ile çıkarım yapmak için kullanabilirsiniz.

Dağıtımda OpenVINO Dışa Aktarımını Kullanma

Modeliniz OpenVINO biçiminde başarıyla dışa aktarıldıktan sonra, çıkarımı çalıştırmak için iki temel seçeneğiniz vardır:

1. Şunu kullanın: ultralytics yüksek düzeyli bir API sağlayan ve OpenVINO Runtime'ı saran paket.

2. Yerel olanı kullanın openvino çıkarım davranışı üzerinde daha gelişmiş veya özelleştirilmiş kontrol için paket.

Ultralytics ile Çıkarım

Ultralytics paketi, dışa aktarılan OpenVINO modelini tahmin yöntemiyle kullanarak kolayca çıkarım çalıştırmanıza olanak tanır. Ayrıca hedef cihazı da belirtebilirsiniz (örneğin, intel:gpu, intel:npu, intel:cpu) cihaz argümanını kullanarak.

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")  # the path of your exported OpenVINO model
# Run inference with the exported model
ov_model.predict(device="intel:gpu")  # specify the device you want to run inference on

Bu yaklaşım, çıkarım hattı üzerinde tam kontrole ihtiyaç duymadığınız durumlarda hızlı prototipleme veya dağıtım için idealdir.

OpenVINO Runtime ile Çıkarım

OpenVINO Runtime, desteklenen tüm Intel donanımlarında çıkarım yapmak için birleşik bir API sağlar. Ayrıca Intel donanımı genelinde yük dengeleme ve eşzamansız yürütme gibi gelişmiş yetenekler de sunar. Çıkarımı çalıştırma hakkında daha fazla bilgi için YOLO11 not defterlerine bakın.

Unutmayın, modeli Çalışma Zamanı ile doğru şekilde kurmak ve kullanmak için XML ve BIN dosyalarının yanı sıra giriş boyutu, normalleştirme için ölçek faktörü vb. gibi uygulamaya özel ayarlara da ihtiyacınız olacaktır.

Dağıtım uygulamanızda, genellikle aşağıdaki adımları yaparsınız:

1. oluşturarak OpenVINO'yu başlat core = Core().
2. Modeli kullanarak yükleyin core.read_model() yöntemi.
3. Modeli kullanarak derleyin core.compile_model() fonksiyonu.
4. Girdiyi hazırlayın (resim, metin, ses vb.).
5. Kullanarak çıkarım çalıştırın compiled_model(input_data).

Daha ayrıntılı adımlar ve kod parçacıkları için OpenVINO dökümanlarına veya API eğitimine bakın.

OpenVINO YOLO11 Kıyaslamaları

Ultralytics ekibi, OpenVINO ile uyumlu farklı Intel cihazlarında hızı ve doğruluğu değerlendirerek çeşitli model formatları ve kesinlik genelinde YOLO11'i kıyasladı.

Intel Core CPU

Intel® Core® serisi, Intel tarafından üretilen yüksek performanslı işlemcilerden oluşan bir seridir. Bu seri, Core i3 (giriş seviyesi), Core i5 (orta seviye), Core i7 (üst seviye) ve Core i9 (aşırı performans) işlemcilerini içerir. Her seri, günlük görevlerden zorlu profesyonel iş yüklerine kadar farklı bilgi işlem ihtiyaçlarına ve bütçelere hitap eder. Her yeni nesilde, performans, enerji verimliliği ve özelliklerde iyileştirmeler yapılır.

Aşağıdaki kıyaslamalar, FP32 hassasiyetinde 12. Nesil Intel® Core® i9-12900KS CPU üzerinde çalışır.

Intel® Core™ Ultra

Intel® Core™ Ultra™ serisi, oyuncular ve içerik oluşturuculardan yapay zekadan yararlanan profesyonellere kadar modern kullanıcıların gelişen taleplerini karşılamak üzere tasarlanmış, yüksek performanslı bilişimde yeni bir ölçüt temsil ediyor. Bu yeni nesil ürün grubu, geleneksel bir CPU serisinden daha fazlasıdır; güçlü CPU çekirdeklerini, entegre yüksek performanslı GPU özelliklerini ve tek bir çip içinde özel bir Nöral İşleme Birimini (NPU) birleştirerek çeşitli ve yoğun bilgi işlem iş yükleri için birleşik bir çözüm sunar.

Intel® Core Ultra™ mimarisinin kalbinde, geleneksel işleme görevleri, GPU hızlandırmalı iş yükleri ve yapay zeka odaklı operasyonlar genelinde olağanüstü performans sağlayan hibrit bir tasarım bulunur. NPU'nun dahil edilmesi, cihaz üzerinde yapay zeka çıkarımını geliştirerek, çok çeşitli uygulamalarda daha hızlı, daha verimli makine öğrenimi ve veri işlemeyi mümkün kılar.

Core Ultra™ ailesi, enerji açısından verimli tasarımlardan, ciddi bilgi işlem gücü gerektiren dizüstü bilgisayarlar ve kompakt form faktörleri için ideal olan "H" tanımıyla işaretlenmiş yüksek güçlü varyantlara kadar farklı performans ihtiyaçlarına göre uyarlanmış çeşitli modeller içerir. Seri genelinde, kullanıcılar CPU, GPU ve NPU entegrasyonunun sinerjisinden yararlanarak olağanüstü verimlilik, yanıt verme ve çoklu görev yetenekleri sunar.

Intel'in devam eden inovasyonunun bir parçası olarak, Core Ultra™ serisi, geleceğe hazır bilgi işlem için yeni bir standart belirliyor. Mevcut birden fazla model ve ufukta daha fazlası ile bu seri, Intel'in yeni nesil akıllı, AI ile geliştirilmiş cihazlar için en son teknoloji çözümler sunma taahhüdünün altını çiziyor.

Aşağıdaki kıyaslamalar, FP32 ve INT8 hassasiyetinde Intel® Core™ Ultra™ 7 258V ve Intel® Core™ Ultra™ 7 265K üzerinde çalışır.

Intel® Core™ Ultra™ 7 258V

Kıyaslamalar

Entegre Intel® Arc™ GPUIntel® Lunar Lake CPUEntegre Intel® AI Boost NPU

Ayrıntılı Kıyaslama Sonuçları

Model	Format	Kesinlik	Durum	Boyut (MB)	metrikler/mAP50-95(B)	Çıkarım süresi (ms/im)
YOLO11n	PyTorch	FP32	✅	5.4	0.5052	32.27
YOLO11n	OpenVINO	FP32	✅	10.4	0.5068	11.84
YOLO11n	OpenVINO	INT8	✅	3.3	0.4969	11.24
YOLO11s	PyTorch	FP32	✅	18.4	0.5776	92.09
YOLO11s	OpenVINO	FP32	✅	36.4	0.5797	14.82
YOLO11s	OpenVINO	INT8	✅	9.8	0.5751	12.88
YOLO11m	PyTorch	FP32	✅	38.8	0.6262	277.24
YOLO11m	OpenVINO	FP32	✅	77.1	0.6306	22.94
YOLO11m	OpenVINO	INT8	✅	20.2	0.6126	17.85
YOLO11l	PyTorch	FP32	✅	49.0	0.6361	348.97
YOLO11l	OpenVINO	FP32	✅	97.3	0.6365	27.34
YOLO11l	OpenVINO	INT8	✅	25.7	0.6242	20.83
YOLO11x	PyTorch	FP32	✅	109.3	0.6984	666.07
YOLO11x	OpenVINO	FP32	✅	217.8	0.6890	39.09
YOLO11x	OpenVINO	INT8	✅	55.9	0.6856	30.60

Ayrıntılı Kıyaslama Sonuçları

Model	Format	Kesinlik	Durum	Boyut (MB)	metrikler/mAP50-95(B)	Çıkarım süresi (ms/im)
YOLO11n	PyTorch	FP32	✅	5.4	0.5052	32.27
YOLO11n	OpenVINO	FP32	✅	10.4	0.5077	32.55
YOLO11n	OpenVINO	INT8	✅	3.3	0.4980	22.98
YOLO11s	PyTorch	FP32	✅	18.4	0.5776	92.09
YOLO11s	OpenVINO	FP32	✅	36.4	0.5782	98.38
YOLO11s	OpenVINO	INT8	✅	9.8	0.5745	52.84
YOLO11m	PyTorch	FP32	✅	38.8	0.6262	277.24
YOLO11m	OpenVINO	FP32	✅	77.1	0.6307	275.74
YOLO11m	OpenVINO	INT8	✅	20.2	0.6172	132.63
YOLO11l	PyTorch	FP32	✅	49.0	0.6361	348.97
YOLO11l	OpenVINO	FP32	✅	97.3	0.6361	348.97
YOLO11l	OpenVINO	INT8	✅	25.7	0.6240	171.36
YOLO11x	PyTorch	FP32	✅	109.3	0.6984	666.07
YOLO11x	OpenVINO	FP32	✅	217.8	0.6900	783.16
YOLO11x	OpenVINO	INT8	✅	55.9	0.6890	346.82

Ayrıntılı Kıyaslama Sonuçları

Model	Format	Kesinlik	Durum	Boyut (MB)	metrikler/mAP50-95(B)	Çıkarım süresi (ms/im)
YOLO11n	PyTorch	FP32	✅	5.4	0.5052	32.27
YOLO11n	OpenVINO	FP32	✅	10.4	0.5085	8.33
YOLO11n	OpenVINO	INT8	✅	3.3	0.5019	8.91
YOLO11s	PyTorch	FP32	✅	18.4	0.5776	92.09
YOLO11s	OpenVINO	FP32	✅	36.4	0.5788	9.72
YOLO11s	OpenVINO	INT8	✅	9.8	0.5710	10.58
YOLO11m	PyTorch	FP32	✅	38.8	0.6262	277.24
YOLO11m	OpenVINO	FP32	✅	77.1	0.6301	19.41
YOLO11m	OpenVINO	INT8	✅	20.2	0.6124	18.26
YOLO11l	PyTorch	FP32	✅	49.0	0.6361	348.97
YOLO11l	OpenVINO	FP32	✅	97.3	0.6362	23.70
YOLO11l	OpenVINO	INT8	✅	25.7	0.6240	21.40
YOLO11x	PyTorch	FP32	✅	109.3	0.6984	666.07
YOLO11x	OpenVINO	FP32	✅	217.8	0.6892	43.91
YOLO11x	OpenVINO	INT8	✅	55.9	0.6890	34.04

Intel® Core™ Ultra™ 7 265K

Kıyaslamalar

Entegre Intel® Arc™ GPUIntel® Arrow Lake CPUEntegre Intel® AI Boost NPU

Ayrıntılı Kıyaslama Sonuçları

Model	Format	Kesinlik	Durum	Boyut (MB)	metrikler/mAP50-95(B)	Çıkarım süresi (ms/im)
YOLO11n	PyTorch	FP32	✅	5.4	0.5072	16.29
YOLO11n	OpenVINO	FP32	✅	10.4	0.5079	13.13
YOLO11n	OpenVINO	INT8	✅	3.3	0.4976	8.86
YOLO11s	PyTorch	FP32	✅	18.4	0.5771	39.61
YOLO11s	OpenVINO	FP32	✅	36.4	0.5808	18.26
YOLO11s	OpenVINO	INT8	✅	9.8	0.5726	13.24
YOLO11m	PyTorch	FP32	✅	38.8	0.6258	100.65
YOLO11m	OpenVINO	FP32	✅	77.1	0.6310	43.50
YOLO11m	OpenVINO	INT8	✅	20.2	0.6137	20.90
YOLO11l	PyTorch	FP32	✅	49.0	0.6367	131.37
YOLO11l	OpenVINO	FP32	✅	97.3	0.6371	54.52
YOLO11l	OpenVINO	INT8	✅	25.7	0.6226	27.36
YOLO11x	PyTorch	FP32	✅	109.3	0.6990	212.45
YOLO11x	OpenVINO	FP32	✅	217.8	0.6884	112.76
YOLO11x	OpenVINO	INT8	✅	55.9	0.6900	52.06

Ayrıntılı Kıyaslama Sonuçları

Model	Format	Kesinlik	Durum	Boyut (MB)	metrikler/mAP50-95(B)	Çıkarım süresi (ms/im)
YOLO11n	PyTorch	FP32	✅	5.4	0.5072	16.29
YOLO11n	OpenVINO	FP32	✅	10.4	0.5077	15.04
YOLO11n	OpenVINO	INT8	✅	3.3	0.4980	11.60
YOLO11s	PyTorch	FP32	✅	18.4	0.5771	39.61
YOLO11s	OpenVINO	FP32	✅	36.4	0.5782	33.45
YOLO11s	OpenVINO	INT8	✅	9.8	0.5745	20.64
YOLO11m	PyTorch	FP32	✅	38.8	0.6258	100.65
YOLO11m	OpenVINO	FP32	✅	77.1	0.6307	81.15
YOLO11m	OpenVINO	INT8	✅	20.2	0.6172	44.63
YOLO11l	PyTorch	FP32	✅	49.0	0.6367	131.37
YOLO11l	OpenVINO	FP32	✅	97.3	0.6409	103.77
YOLO11l	OpenVINO	INT8	✅	25.7	0.6240	58.00
YOLO11x	PyTorch	FP32	✅	109.3	0.6990	212.45
YOLO11x	OpenVINO	FP32	✅	217.8	0.6900	208.37
YOLO11x	OpenVINO	INT8	✅	55.9	0.6897	113.04

Ayrıntılı Kıyaslama Sonuçları

Model	Format	Kesinlik	Durum	Boyut (MB)	metrikler/mAP50-95(B)	Çıkarım süresi (ms/im)
YOLO11n	PyTorch	FP32	✅	5.4	0.5072	16.29
YOLO11n	OpenVINO	FP32	✅	10.4	0.5075	8.02
YOLO11n	OpenVINO	INT8	✅	3.3	0.3656	9.28
YOLO11s	PyTorch	FP32	✅	18.4	0.5771	39.61
YOLO11s	OpenVINO	FP32	✅	36.4	0.5801	13.12
YOLO11s	OpenVINO	INT8	✅	9.8	0.5686	13.12
YOLO11m	PyTorch	FP32	✅	38.8	0.6258	100.65
YOLO11m	OpenVINO	FP32	✅	77.1	0.6310	29.88
YOLO11m	OpenVINO	INT8	✅	20.2	0.6111	26.32
YOLO11l	PyTorch	FP32	✅	49.0	0.6367	131.37
YOLO11l	OpenVINO	FP32	✅	97.3	0.6356	37.08
YOLO11l	OpenVINO	INT8	✅	25.7	0.6245	30.81
YOLO11x	PyTorch	FP32	✅	109.3	0.6990	212.45
YOLO11x	OpenVINO	FP32	✅	217.8	0.6894	68.48
YOLO11x	OpenVINO	INT8	✅	55.9	0.6417	49.76

Intel® Arc GPU

Intel® Arc™, yüksek performanslı oyun, içerik oluşturma ve yapay zeka iş yükleri için tasarlanmış Intel'in ayrık grafik kartları serisidir. Arc serisi, gerçek zamanlı ışın izlemeyi, yapay zeka ile geliştirilmiş grafikleri ve yüksek çözünürlüklü oyun oynamayı destekleyen gelişmiş GPU mimarilerine sahiptir. Performans ve verimliliğe odaklanan Intel® Arc™, donanım hızlandırmalı AV1 kodlama ve en son grafik API'leri için destek gibi benzersiz özellikler sunarak diğer önde gelen GPU markalarıyla rekabet etmeyi amaçlamaktadır.

Aşağıdaki kıyaslamalar, FP32 ve INT8 hassasiyetinde Intel Arc A770 ve Intel Arc B580 üzerinde çalışır.

Intel Arc A770

Intel Arc B580

Sonuçlarımızı Tekrar Üretin

Yukarıdaki Ultralytics kıyaslamalarını tüm dışa aktarma biçimlerinde yeniden oluşturmak için bu kodu çalıştırın:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml")

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all export formats
yolo benchmark model=yolo11n.pt data=coco128.yaml

Sonuç

Karşılaştırma sonuçları, YOLO11 modelini OpenVINO formatına aktarmanın faydalarını açıkça göstermektedir. Farklı modeller ve donanım platformlarında, OpenVINO formatı, karşılaştırılabilir doğruluğu korurken çıkarım hızı açısından diğer formatlardan sürekli olarak daha iyi performans göstermektedir.

Kıyaslamalar, derin öğrenme modellerini dağıtmak için bir araç olarak OpenVINO'nun etkinliğinin altını çizmektedir. Geliştiriciler, modelleri OpenVINO formatına dönüştürerek önemli performans iyileştirmeleri elde edebilir ve bu modelleri gerçek dünya uygulamalarında dağıtmayı kolaylaştırabilir.

OpenVINO'yu kullanma hakkında daha ayrıntılı bilgi ve talimatlar için resmi OpenVINO belgelerine bakın.

SSS

YOLO11 modellerini OpenVINO formatına nasıl aktarabilirim?

YOLO11 modellerini OpenVINO formatına aktarmak, CPU hızını önemli ölçüde artırabilir ve Intel donanımında GPU ve NPU hızlandırmalarını etkinleştirebilir. Dışa aktarmak için, aşağıda gösterildiği gibi Python veya CLI'yı kullanabilirsiniz:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model
model.export(format="openvino")  # creates 'yolo11n_openvino_model/'

# Export a YOLO11n PyTorch model to OpenVINO format
yolo export model=yolo11n.pt format=openvino # creates 'yolo11n_openvino_model/'

Daha fazla bilgi için dışa aktarma formatları belgelerine bakın.

YOLO11 modelleriyle OpenVINO kullanmanın faydaları nelerdir?

YOLO11 modelleriyle Intel'in OpenVINO araç setini kullanmak çeşitli avantajlar sunar:

1. Performans: CPU çıkarımında 3 kata kadar hızlanma elde edin ve hızlandırma için Intel GPU'larından ve NPU'larından yararlanın.
2. Model Optimizatörü: PyTorch, TensorFlow ve ONNX gibi popüler framework'lerden modelleri dönüştürün, optimize edin ve yürütün.
3. Kullanım Kolaylığı: Kullanıcıların başlamasına yardımcı olmak için YOLO11 için olanlar da dahil olmak üzere 80'den fazla öğretici not defteri mevcuttur.
4. Heterojen Yürütme: Modelleri birleşik bir API ile çeşitli Intel donanımlarında dağıtın.

Ayrıntılı performans karşılaştırmaları için benchmark bölümümüzü ziyaret edin.

OpenVINO'ya aktarılan bir YOLO11 modeli kullanarak çıkarımı nasıl çalıştırabilirim?

Bir YOLO11n modelini OpenVINO formatına aktardıktan sonra, Python veya CLI kullanarak çıkarım çalıştırabilirsiniz:

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")

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

# Run inference with the exported model
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg'

Daha fazla ayrıntı için tahmin modu belgelerimize bakın.

OpenVINO dışa aktarımı için neden diğer modellere kıyasla Ultralytics YOLO11'i seçmeliyim?

Ultralytics YOLO11, yüksek doğruluk ve hız ile gerçek zamanlı nesne algılama için optimize edilmiştir. Özellikle, OpenVINO ile birleştirildiğinde, YOLO11 şunları sağlar:

• Intel CPU'larda 3 kata kadar hızlanma
• Intel GPU'lar ve NPU'lar üzerinde sorunsuz dağıtım
• Çeşitli dışa aktarım formatlarında tutarlı ve karşılaştırılabilir doğruluk

Derinlemesine performans analizi için, farklı donanımlar üzerindeki detaylı YOLO11 kıyaslamalarımıza göz atın.

YOLO11 modellerini PyTorch, ONNX ve OpenVINO gibi farklı formatlarda kıyaslayabilir miyim?

Evet, YOLO11 modellerini PyTorch, TorchScript, ONNX ve OpenVINO dahil olmak üzere çeşitli formatlarda kıyaslayabilirsiniz. Seçtiğiniz veri kümesinde kıyaslamaları çalıştırmak için aşağıdaki kod parçasını kullanın:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and [accuracy](https://www.ultralytics.com/glossary/accuracy) on the COCO8 dataset for all export formats
results = model.benchmark(data="coco8.yaml")

# Benchmark YOLO11n speed and accuracy on the COCO8 dataset for all export formats
yolo benchmark model=yolo11n.pt data=coco8.yaml

Ayrıntılı kıyaslama sonuçları için kıyaslama bölümümüze ve dışa aktarma biçimleri belgelerimize bakın.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar