MobileNetV3-Small Modeli: Detaylı Açıklama Model Nedir? timm/mobilenetv3_small_100.lamb_in1k, özellikle mobil ve edge cihazlar için optimize edilmiş hafif bir konvolüsyonel sinir ağı modelidir. ImageNet-1k veri seti üzerinde LAMB optimizer ile eğitilmiş olup, yüksek doğruluk ve düşük hesaplama maliyeti sunar. Teknik Özellikler: Mimari: MobileNetV3-Small (Hafifletilmiş CNN) Optimizer: LAMB (Layer-wise Adaptive Moments) Eğitim Verisi: ImageNet-1k (1.3M görüntü) Çıktı: 1000 sınıf ImageNet sınıflandırması Öne Çıkan Özellik: Düşük güç tüketimi, yüksek verimlilik Ana Avantajlar: ✅ Düşük bellek kullanımı ✅ Hızlı çıkarım süresi ✅ Mobil cihazlarda yüksek performans ✅ Düşük güç tüketimi Kullanım Alanları: Mobil Görüntü Sınıflandırma Edge AI Uygulamaları Gerçek Zamanlı Nesne Tanıma Gömülü Sistemler IoT Cihazları için AI Kurulum ve Kullanım Kodu 1. Gereksinimlerin Yüklenmesi pip install timm torch torchvision Pillow 2. Modelin Yüklenmesi import timm import torch from PIL import Image import requests from io import BytesIO # Modeli yükle model = timm.create_model( 'timm/mobilenetv3_small_100.lamb_in1k', pretrained=True ) model.eval() # Değerlendirme modu # ImageNet sınıf etiketlerini yükle from timm.data import ImageNetInfo imagenet_info = ImageNetInfo() class_names = imagenet_info.get_class_names() 3. Görüntü Ön İşleme # Görüntü işleme için transformlar from timm.data import create_transform from timm.data.constants import IMAGENET_DEFAULT_MEAN, IMAGENET_DEFAULT_STD transform = create_transform( input_size=224, is_training=False, mean=IMAGENET_DEFAULT_MEAN, std=IMAGENET_DEFAULT_STD ) def load_and_preprocess_image(image_path_or_url): """Görüntüyü yükle ve ön işleme yap""" if image_path_or_url.startswith('http'): response = requests.get(image_path_or_url) image = Image.open(BytesIO(response.content)).convert('RGB') else: image = Image.open(image_path_or_url).convert('RGB') return transform(image).unsqueeze(0) # Batch dimension ekle 4. Tahmin Yapma def classify_image(image_path): """Görüntüyü sınıflandır""" # Görüntüyü yükle ve işle input_tensor = load_and_preprocess_image(image_path) # Tahmin yap with torch.no_grad(): output = model(input_tensor) # Sonuçları işle probabilities = torch.nn.functional.softmax(output[0], dim=0) top5_prob, top5_indices = torch.topk(probabilities, 5) print("En Olası 5 Sınıf:") print("-" * 40) for i, (prob, idx) in enumerate(zip(top5_prob, top5_indices)): print(f"{i+1}. {class_names[idx]:<30} %{prob.item()*100:.2f}") return top5_prob, top5_indices # Örnek kullanım # results = classify_image("kedi.jpg") 5. GPU Desteği ile Hızlandırılmış Kullanım # GPU kullanımı device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = model.to(device) def fast_classify(image_path): """GPU ile hızlı sınıflandırma""" input_tensor = load_and_preprocess_image(image_path).to(device) with torch.no_grad(): output = model(input_tensor) return torch.nn.functional.softmax(output[0], dim=0) 6. Toplu İşlemler def batch_classify(image_paths, batch_size=4): """Toplu görüntü sınıflandırma""" results = {} for i in range(0, len(image_paths), batch_size): batch_paths = image_paths[i:i+batch_size] batch_tensors = [] for path in batch_paths: batch_tensors.append(load_and_preprocess_image(path)) batch_tensor = torch.cat(batch_tensors, 0).to(device) with torch.no_grad(): batch_output = model(batch_tensor) # Sonuçları işle for j, path in enumerate(batch_paths): probs = torch.nn.functional.softmax(batch_output[j], dim=0) top_prob, top_idx = torch.topk(probs, 1) results[path] = { 'class': class_names[top_idx.item()], 'confidence': top_prob.item() } return results Performans Optimizasyonu 1. Quantization ile Model Küçültme # Modeli quantize et (daha küçük boyut) quantized_model = torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtype=torch.qint8 ) 2. ONNX Formatına Dönüştürme # ONNX formatına dönüştür dummy_input = torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy_input, "mobilenetv3_small.onnx", opset_version=11 ) İndirme ve Kurulum Otomatik İndirme: Model, timm kütüphanesi ile otomatik olarak indirilir: import timm model = timm.create_model('timm/mobilenetv3_small_100.lamb_in1k', pretrained=True) Manuel İndirme: Hugging Face Hub: https://huggingface.co/timm/mobilenetv3_small_100.lamb_in1k Model Boyutu: ~10MB Gereksinimler: Python 3.6+, PyTorch 1.8+ Örnek Uygulama: Gerçek Zamanlı Sınıflandırma import cv2 import numpy as np def real_time_classification(): """Webcam ile gerçek zamanlı sınıflandırma""" cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break # Görüntüyü işle pil_image = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)) input_tensor = transform(pil_image).unsqueeze(0).to(device) # Tahmin yap with torch.no_grad(): output = model(input_tensor) probabilities = torch.nn.functional.softmax(output[0], dim=0) top_prob, top_idx = torch.topk(probabilities, 1) # Sonuçları göster label = f"{class_names[top_idx.item()]}: %{top_prob.item()*100:.1f}" cv2.putText(frame, label, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow('Real-time Classification', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() # Gerçek zamanlı sınıflandırmayı başlat # real_time_classification() Önemli Notlar Model Boyutu: ~10MB (çok hafif) Giriş Boyutu: 224x224 piksel Çıktı: 1000 sınıf ImageNet kategorisi En İyi Kullanım: Mobil cihazlar ve edge computing Performans: CPU'da bile yüksek hız Bu model, özellikle kaynak kısıtlı ortamlarda yüksek performanslı görüntü sınıflandırma için ideal bir çözüm sunar. Mobil cihazlarda, gömülü sistemlerde ve gerçek zamanlı uygulamalarda rahatlıkla kullanılabilir.
