> ## Documentation Index
> Fetch the complete documentation index at: https://docs.t3gemstone.org/llms.txt
> Use this file to discover all available pages before exploring further.

# Model Kullanma

> Görüntü İşleme Uygulaması Hazırlama

Bu bölümde, kendi veri setinizle veya hazır olarak edindiğiniz görüntü işleme modellerini nasıl
kullanacağınız hakkında bilgi verilecektir.

```bash theme={"system"}
sudo su
source /opt/t3-edgeai-env
```

Bu komutlar, `root` kullanıcısına geçmenizi ve Edge AI için gerekli olan ortam değişkenlerini yükleminizi sağlar.

<Tip>Ortam değişkeni dosyası yoksa [Edge AI Kurulumu](/tr/boards/o1/ai/installation) bölümünden ilgili paketi kurabilirsiniz.</Tip>

## Edge AI GStreamer Apps

Bu proje, Texas Instruments tarafından sağlanan ve T3 Gemstone O1 gibi cihazlarda yapay zeka uygulamalarını
hızla geliştirmek için kullanılabilecek bir açık kaynak referans uygulamaları koleksiyonudur. Temel olarak,
GStreamer tabanlı bir mimariyle çalışmakta olup Texas Instruments işlemcileri ve SoC donanımları üzerinde görüntü
işleme, nesne algılama, akış (streaming) ve diğer yapay zeka iş akışlarını gerçekleştirmek için hazır
çözümler sunmaktadır.

Kurulum bölümündeki Edge AI kurulumunu yaptığınız zaman `/opt/edgeai-gst-apps` klasöründen bu projeye erişebilirsiniz.

Configs klasörü içinde birden fazla uygulama için örnekler mevcuttur. Python ve C++ dillerinde projeyi
çalıştırmanıza olanak sağlamaktadır.

Örneğin `configs/image_classification.yaml` içerisinde yer alan config aşağıdaki gibidir.

```yaml theme={"system"}
title: "Image Classification"
log_level: 2
inputs:
    input0:
        source: /dev/video-usb-cam0
        format: jpeg
        width: 1280
        height: 720
        framerate: 30
    input1:
        source: /opt/edgeai-test-data/videos/video0_1280_768.h264
        format: h264
        width: 1280
        height: 768
        framerate: 30
        loop: True
    input2:
        source: /opt/edgeai-test-data/images/%04d.jpg
        width: 1280
        height: 720
        index: 0
        framerate: 1
        loop: True
models:
    model0:
        model_path: /opt/model_zoo/TVM-CL-3090-mobileNetV2-tv
        topN: 5
    model1:
        model_path: /opt/model_zoo/TFL-CL-0000-mobileNetV1-mlperf
        topN: 5
    model2:
        model_path: /opt/model_zoo/ONR-CL-6360-regNetx-200mf
        topN: 5
outputs:
    output0:
        sink: kmssink
        width: 1920
        height: 1080
        overlay-perf-type: graph
    output1:
        sink: /opt/edgeai-test-data/output/output_video.mkv
        width: 1920
        height: 1080
    output2:
        sink: /opt/edgeai-test-data/output/output_image_%04d.jpg
        width: 1920
        height: 1080
    output3:
        sink: remote
        width: 1920
        height: 1080
        port: 8081
        host: 127.0.0.1
        encoding: jpeg
        overlay-perf-type: graph

flows:
    flow0: [input2,model1,output0,[320,150,1280,720]]
```

Yukarıdaki YAML dosyasını kendi ihtiyaçlarına göre düzenleyebilirisiniz.

<ParamField body="TITLE" default="Image Classification" required>
  Uygulamanın başlığı. Log çıktılarında ve arayüzde referans olarak kullanılır.
</ParamField>

<ParamField body="LOG_LEVEL" default="2" required>
  Log detay seviyesini belirler. 0: minimal, 5: debug
</ParamField>

<ParamField body="INPUTS" required>
  İşlenecek giriş veri kaynakları.
</ParamField>

<ParamField body="INPUT_SOURCE" default="<cihaz-yolu>,<dosya-yolu>" required>
  Giriş kaynağının yolu.
</ParamField>

<ParamField body="INPUT_FORMAT" default="jpeg,h264" required>
  Giriş veri formatı. Örneğin: jpeg, h264
</ParamField>

<ParamField body="INPUT_WIDTH" default="1280" required>
  Giriş görüntü genişliği (piksel)
</ParamField>

<ParamField body="INPUT_HEIGHT" default="720" required>
  Giriş görüntü yüksekliği (piksel)
</ParamField>

<ParamField body="INPUT_FRAMERATE" default="30" required>
  Giriş kare hızı (FPS)
</ParamField>

<ParamField body="INPUT_LOOP" default="True,False">
  Döngü ile tekrar edecek mi?
</ParamField>

<ParamField body="MODELS" required>
  Kullanılacak modeller
</ParamField>

<ParamField body="MODEL_PATH" default="<dosya-yolu>" required>
  Modelin dosya yolu.
</ParamField>

<ParamField body="MODEL_TOPN" default="5" required>
  Modelden alınacak top-N tahmin sayısı.
</ParamField>

<ParamField body="OUTPUTS" required>
  Çıkış hedefleri
</ParamField>

<ParamField body="OUTPUT_SINK" default="remote,kmssink,<dosya-yolu>" required>
  Çıkış yolu
</ParamField>

<ParamField body="OUTPUT_WIDTH" default="1920" required>
  Streaming çözünürlüğü genişliği (piksel)
</ParamField>

<ParamField body="OUTPUT_HEIGHT" default="1080" required>
  Streaming çözünürlüğü yüksekliği (piksel)
</ParamField>

<ParamField body="OUTPUT_HOST" default="127.0.0.1">
  Streaming yapılacak host IP
</ParamField>

<ParamField body="OUTPUT_PORT" default="8081">
  Streaming port numarası
</ParamField>

<ParamField body="OUTPUT_ENCODING" default="jpeg,h264" required>
  Streaming görüntü formatı
</ParamField>

<ParamField body="OUTPUT_OVERLAY_PERF_TYPE" default="graph">
  Performans grafiği overlay türü
</ParamField>

<ParamField body="FLOWS" required>
  Veri akışını tanımlar.
</ParamField>

<ParamField body="FLOW" default="[input2, model1, output0, [320,150,1280,720]]" required>
  Veri akışını tanımlar: input → model → output. Opsiyonel olarak ROI (x,y,width,height) belirtebilirsiniz.
</ParamField>

<Warning>
  Görüntü işleme adımlarına başlamadan önce `root` olarak oturum açtığınızdan ve ortam değişkenlerini yüklediğinizden emin olunuz.
</Warning>

<CodeGroup>
  ```bash Python theme={"system"}
  cd /opt/edgeai-gst-apps/apps_python && ./app_edgeai.py ../configs/image_classification.yaml
  ```

  ```bash C++ theme={"system"}
  # Projeyi derleyiniz
  cd /opt/edgeai-gst-apps && ./scripts/compile_cpp_apps.sh

  # Script ile uygulamayı derledikten sonra aşağıdaki komut ile örnek uygulamayı çalıştırabilirsiniz.
  cd /opt/edgeai-gst-apps/apps_cpp && ./bin/Release/app_edgeai ../configs/image_classification.yaml
  ```
</CodeGroup>

Görüntü işlemeyi sonra erdirmek için bir defa `CTRL + C` kombinasyonuna basarak sonlandırabilirsiniz.

YAML dosyasında çıkış dosyasında değişiklik yapmadıysanız `/opt/edgeai-test-data/output/output_video.mkv` üzerinden
çıktıya erişebilirsiniz.

## Mevcut Python Kodunuza Entegre Etme

TensorFlow Lite, modelleri varsayılan olarak cihazın CPU'sunda (Merkezi İşlem Birimi) çalıştırır.

"Delegate" (Temsilci/Vekil), TFLite modelinizdeki hesaplamaların bir kısmını veya tamamını CPU yerine daha
özelleşmiş bir donanıma "devretme" (delegate etme) mekanizmasıdır. Bu özel donanımları (örneğin T3 Gemstone O1
Geliştirme Kartı içerisinde yer alan görüntü işleme hızlandırıcıları) kullanabilmek için gereken paylaşımlı
kütüphane dosyasını (.so, .dll vb.) yüklemeniz gerekmektedir.

<Warning>
  Görüntü işleme adımlarına başlamadan önce `root` olarak oturum açtığınızdan ve ortam değişkenlerini
  yüklediğinizden emin olunuz.
</Warning>

```python Python lines theme={"system"}
#!/usr/bin/python3

import numpy as np
from tflite_runtime.interpreter import Interpreter
from tflite_runtime.interpreter import load_delegate

# 1. Edge AI delegate kütüphanesini yükle
try:
    edgetpu_delegate = load_delegate('/usr/lib/libtidl_tfl_delegate.so')
    delegates_list = [edgetpu_delegate]
    print("Edge TPU bulundu ve yüklendi.")
except (ValueError, OSError):
    delegates_list = [] # TPU bulunamazsa, normal CPU'da çalıştır
    print("Edge TPU bulunamadı, CPU kullanılacak.")

# 2. Modeli yükle ve Interpreter'ı başlatırken delegate'i kullan
interpreter = Interpreter(
    model_path="modelinizin_adi.tflite",
    experimental_delegates=delegates_list
)

# 3. Kalan standart TFLite adımları...
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# ... (Giriş verisini ayarla, modeli çalıştır, vb.)
```