Dağıtım Haberler

SenseCraft AI: Herhangi Bir Kamerayı YOLOv8 ile Kod Yazmadan Yükseltin!

Büyük miktarda video verisinden değerli, gerçek zamanlı içgörü elde etmek, kenardan buluta çıkarım gerektirir. NVIDIA TensorRT ve DeepStream SDK’sını kullanarak, NVIDIA Jetson üzerinde YOLOv8 modellerinin çıkarım performansını maksimize edebiliriz.

Daha ileri bir adım olarak, SenseCraft AI‘yi tanıtıyoruz; bu, herhangi bir YOLOv8‘i NVIDIA Jetson Orin cihazlarına dağıtmak ve yakalanan akışları görselleştirmek için açık kaynaklı bir çıkarım sunucusu ve web arayüzü içeren yeni bir uygulama setidir. Depoya adım atın 👉 github.com/Seeed-Studio/SenseCraft-AI

  • Microsoft COCO üzerinde eğitilmiş bir YOLOv8 modeli ile deney yapın;
  • Nesne tespiti, segmentasyon ve poz tahmini görevlerini destekleme;
  • İnsan sayımı, araç tespiti ve kask tespiti gibi endüstriler için tıklayarak dağıtım uygulamaları;
  • Özel YOLOv8 modeli ve hızlı performans testi (yakında).

Nasıl başlayabilirim?

  1. Jetpack 5.0.1 ve üzeri ile bir NVIDIA Jetson Orin cihazı hazırlayın; Jetson’ı bir ekrana bağlayın ve açın;

Bir tane yok mu? Seeed’in reComputer Orin Nano/Orin NX serisini kontrol edin, üretim sınıfı Orin modülü ve taşıyıcı kart ile kenar AI kutusu ve yerleşik Jetpack sistemi.

2. Tek satırlık betikle hızlı başlangıç!

bash ./script/edge-ai-setup.sh

Kendi modelinizi oluşturun (BYOM)!

Veri setleri

Belirli bir AI uygulamanız varsa ve uygulamanıza uygun kendi AI modelinizi getirmek istiyorsanız, kendi veri setinizi toplayabilir, etiketleyebilir ve ardından YOLOv8 kullanarak eğitebilirsiniz.

Kendi verilerinizi toplamak istemiyorsanız, ayrıca hazır bulunan kamuya açık veri setlerini de seçebilirsiniz. COCO veri seti, Pascal VOC veri seti gibi birçok kamuya açık veri setini indirebilirsiniz ve daha fazlası. Roboflow Universe, geniş bir veri seti yelpazesi sunan önerilen bir platformdur ve 90,000+ veri seti ve 66+ milyon görüntü ile bilgisayarla görme modelleri oluşturmak için mevcuttur. Ayrıca, Google’da açık kaynak veri setlerini arayabilir ve mevcut çeşitli veri setlerinden birini seçebilirsiniz.

Eğitim için net adımlarla wiki’mizi takip edin!

Uygulamada kullanılan AI modeli için özel gereksinimleriniz varsa, burada kendi modelinizi getirebilir, kendi veri setinizi toplayabilir, etiketleyebilir ve ardından modeli YOLOv8 kullanarak eğitebilirsiniz.

Burada bir modeli eğitmek için üç önerilen yöntemimiz var:

1. Ultralytics HUB

Roboflow’u Ultralytics HUB’a kolayca entegre edebilirsiniz, böylece tüm Roboflow projeleriniz eğitim için hazır olacaktır. Burada, eğitim sürecine kolayca başlamak için bir Google Colab not defteri sunulmakta ve ayrıca eğitim ilerlemesini gerçek zamanlı olarak görüntüleyebilirsiniz.

2. Kendi oluşturduğumuz bir Google Colab çalışma alanını kullanın.

Burada, Roboflow API’sini kullanarak Roboflow projesinden veri setini indiriyoruz. Hazırlanmış bir Google Colab çalışma alanını açmak ve çalışma alanında belirtilen adımları takip etmek için buraya tıklayın.

3. Eğitim süreci için yerel bir PC kullanın.

Burada, yeterince güçlü bir GPU’ya sahip olduğunuzdan emin olmalı ve ayrıca veri setini manuel olarak indirmeniz gerekmektedir.

Şimdi deneyin! Herhangi bir eski kamerayı en son bilgisayarla görme teknolojisi ile yükseltme zamanı!

Seeed NVIDIA Jetson Ekosistemi

Seeed, NVIDIA Partner Network‘de kenar AI için bir Elite ortaktır. Daha fazla taşıyıcı kart, tam sistem cihazları, özelleştirme hizmetleri, kullanım durumları ve geliştirici araçlarını keşfetmek için Seeed’in NVIDIA Jetson ekosistemi sayfasını ziyaret edin.

Bizimle ortak olun!

AI yeniliğinin ön saflarında bizimle birlikte yer alın! Keskin donanım ve teknolojinin gücünü kullanarak makine öğrenimini gerçek dünyada devrim niteliğinde dağıtımını gerçekleştirin. Geliştiricilere ve işletmelere mevcut en iyi ML çözümlerini sağlama misyonumuzun bir parçası olun. Daha fazla kenar AI olasılıklarını keşfetmek için başarılı vakalar kataloğumuzu gözden geçirin!

İlk adımı atın ve bu heyecan verici yolculuğun bir parçası olmak için bize bir e-posta gönderin:  edgeai@seeed.cc ! 

Daha Fazla Kaynak


Leave a Reply

Your email address will not be published. Required fields are marked *