🔥 Öne Çıkanlar:
- YOLOv10, son teknoloji bir gerçek zamanlı nesne tespit modelidir.
- NVIDIA Jetson Orin, gerçek zamanlı nesne tespiti için güçlü bir gömülü platformdur.
- Jetson-examples, NVIDIA Jetson cihazlarında bilgisayarla görme ve üretken AI içeren konteynerleştirilmiş uygulamaları dağıtmak için tasarlanmış bir araçtır.
YOLOv10’a Giriş
Tsinghua Üniversitesi’ndeki araştırmacılar tarafından geliştirilen YOLOv10, gerçek zamanlı nesne tespitinde devrim niteliğinde bir yaklaşım sunarak, önceki YOLO sürümlerinin hem son işlem hem de model mimarisi konusundaki sınırlamalarını ele alır. Non-maximum suppression (NMS) işlemini ortadan kaldırarak ve çeşitli model bileşenlerini optimize ederek, YOLOv10, farklı model ölçeklerinde son teknoloji performans ve verimlilik elde eder. Örneğin, YOLOv10-S, COCO’da RT-DETR-R18’den 1.8 kat daha hızlıdır ve parametreleri ile FLOP’ları 2.8 kat azaltır. YOLOv9-C ile karşılaştırıldığında, YOLOv10-B, aynı performansta gecikmeyi %46 ve parametreleri %25 azaltır.
Model Mimarisi ve Performansı
YOLOv10, NMS’siz eğitim için tutarlı çift atama kullanarak ve bütünsel verimlilik-doğruluk odaklı model tasarımı ile, YOLOv8’den seçilmiştir. Bu yaklaşım, YOLOv10 modellerinin verimliliğini ve doğruluğunu artırır.
Önemli Karşılaştırmalar:
- YOLOv10: Gerçek zamanlı uçtan uca nesne tespit modeli olarak tasarlanan YOLOv10, seleflerinden önemli ölçüde daha hızlıdır. COCO veri seti gibi benchmarklarda yüksek performans sergilerken, daha düşük parametre sayısı ile verimliliğine katkıda bulunur.
- YOLOv8: Ultralytics tarafından geliştirilen YOLOv8, son teknoloji nesne tespiti ve görüntü segmentasyonu yetenekleri ile tanınır. Çeşitli bilgisayarla görme görevlerinde doğruluk ve sağlamlıkta mükemmel sonuçlar verir, ancak YOLOv10’un hızına ulaşamaz.
Hız ve Verimlilik:
- YOLOv10: Optimizasyonları, görüntüleri daha hızlı işleyebilmesini sağlar, bu da onu gerçek zamanlı uygulamalar için ideal hale getirir. Bu hız avantajı, parametrelerde önemli bir artış olmadan elde edilir, böylece model hafif ve verimli kalır.
- YOLOv8: Verimli olmasına rağmen, daha yüksek doğruluk ve sağlamlığa odaklanır, bazen işleme hızından ödün vererek.
YOLOv10 Hızını Nasıl Elde Ediyor?
Önemli Özellikler:
- NMS’siz Eğitim: NMS ihtiyacını ortadan kaldırmak için tutarlı çift atamalar kullanarak, çıkarım gecikmesini azaltır.
- Bütünsel Model Tasarımı: Hem verimlilik hem de doğruluk perspektifinden bileşenlerin kapsamlı optimizasyonu, hafif sınıflandırma başlıkları, mekansal-kanal ayrılmış alt örnekleme ve sıralı rehber blok tasarımını içerir.
- Gelişmiş Model Yetenekleri: Önemli bir hesaplama maliyeti olmadan performansı artırmak için büyük çekirdekli konvolüsyonlar ve kısmi kendine dikkat modülleri içerir.
YOLOv10’u Kenarda Kolayca, Sadece Bir Dakikada Dağıtın!
Jetson-example, üretken AI modelleri olan Ollama ve Llama3 gibi, ayrıca YOLOv8 ve YOLOv10 gibi bilgisayarla görme modellerini içeren tek satırlık dağıtım projeleri ve kenar AI uygulamaları sunar. Tüm ortamları sizin için önceden yapılandırdık, böylece projelerinizi tek komutla dağıtabilirsiniz.
jetson-examples ile dağıtım yapın: https://github.com/Seeed-Projects/jetson-examples/blob/main/reComputer/scripts/yolov10/README.md
Başlamak için Adımlar:
- Seeed’den bir Jetson Orin cihazı alın; tam sistem cihazlarımız Jetpack ile önceden yapılandırılmıştır.
- jetson-examples aracını kurmak için şu komutu kullanın:
pip3 install jetson-examples. - YOLOv10 modelini çalıştırın.
- Web UI aracılığıyla gerçek zamanlı çıkarım sonuçlarını kontrol edin.
📌 Not: Özel modelinizle en iyi performans için, modelinizi fiziksel dünya gereksinimlerine uyacak şekilde hızlandırmak için TensorRT kullanmanızı şiddetle öneririz. Jetson’da DeepStream SDK desteği ile TensorRT kullanmayı öğrenmek için: TensorRT with DeepStream SDK adresine göz atın.
YOLOv10’u NVIDIA Jetson Orin üzerinde kolayca dağıtın ve gerçek zamanlı, uçtan uca nesne tespit yeteneklerinden yararlanarak kenar AI uygulamalarınızı verimli bir şekilde güçlendirin!