- İHA görüntüsünde araç ya da insan tespiti
- Tarımda bitki hastalığı sınıflandırma
- Şerit ve yol segmentasyonu
- Poz tahmini
- Su altı görüntü iyileştirme
- IMU verisinden anomali tespiti
Proje kapsamı
- Proje, T3 Gemstone O1’e bağlı en az bir çevre birimden (kamera, mikrofon, sensör vb.) veya kart üzerindeki sensörden veri alır. MIPI CSI ya da USB kamera ve her türlü sensör ve veri kaynağı serbesttir.
- Alınan veri, seçilen yapay zekâ algoritması ile T3-GEM-O1 üzerinde işlenir ve anlamlı bir çıktıya dönüştürülür (sınıflandırma, tespit, metin üretimi, tahmin vb.).
- Takım; makine öğrenmesi, derin öğrenme, dil modelleri veya bilgisayarlı görü gibi alanlardan kendi yetkinliğine uygun olanı seçer.
- Seçilen algoritma, T3-GEM-O1’in kaynak sınırları (işlemci, bellek, güç) içinde çıkarım yapabilecek şekilde hazırlanır. Bu amaçla model eğitilebilir, ince ayar (fine-tuning) yapılabilir veya optimize edilebilir.
- Geliştirilen projeye ait çıkarım kodu, gerçek zamanlı olarak gerçek çevre koşullarında çalıştırılabilmelidir.
Eğitim ve model seçimi
- Takımlar, diledikleri veri setini ve yapay zekâ modelini (temel (foundational), önceden eğitilmiş (pre-trained) ya da damıtılmış (distilled) modeller dahil) eğitim ve geliştirme sürecinde kullanabilir.
- Model eğitimi ve ince ayar işlemleri için istenen donanım (kişisel bilgisayar, GPU, bulut vb.) kullanılabilir. Önceden eğitilmiş modeller lisanslarına uygun olarak kullanılmalıdır; kaynakların belirtilmesi gerekir.
- Eğitim yapılan veri setinin açık kaynak olarak paylaşılması zorunlu değildir. Ancak veri setinin niteliği (kaynağı, boyutu, içeriği, etiketleme biçimi vb.) belirtilmelidir.
- Modelin kart üzerindeki hızlandırıcıda çalışan kısmı ve CPU’da kalan katmanlar belirtilmelidir. Hızlandırıcının kullanılma durumu ve yöntemi Jüri Heyeti tarafından değerlendirilecektir.
Eğitilen model repo dışında bir kaynakta barındırılacaksa bu kaynak HuggingFace veya Kaggle
platformlarından biri olmalıdır.
Değerlendirme ortamı
- Çıkarım (inference) işlemlerinin tamamı yalnızca T3-GEM-O1 üzerinde yapılır.
- Harici yapay zekâ hızlandırıcısı, uzak sunucu, bulut servisi veya başka bir bilgisayardan işlem desteği alınamaz. Model eğitimi başka bir kaynakta gerçekleşse bile eğitilmiş model kart üzerinde barındırılabilmeli ve çıkarım kodu çalıştırılabilmelidir.
- Yazılımın kurulumu kartta tamamlandıktan sonra internet bağlantısı olmadan çalışabilmelidir. Çalışma sırasında internet veya T3-GEM-O1 dışındaki herhangi bir kaynağa ihtiyaç duyulmamalıdır.
Referans GitHub reposu
Proje geliştirilirken temel alınacak repo:t3gemstone/challenge-01
github.com/t3gemstone/challenge-01
Referans ortam
Jüri Heyeti ölçümü referans ortamda yapılacaktır: O1’in eMMC belleğine yazılmış T3 Gemstone OS Minimal v2026.1 (Ubuntu 22.04) imajı ve t3-gem-o1-edgeai 11.0 paketi. Bu sürümler 20 Aralık’a kadar değiştirilmeyecektir. Geliştirme Desktop imajında da yapılabilecektir; ancak takımların kodlarını teslimden önce referans ortamda denemeleri beklenmektedir. Referans ortam aşağıdaki adımlarla kurulur. Jüri Heyeti değerlendirmede aynı adımlarla kurulmuş bir kart kullanır; takımların projelerini teslimden önce bu adımlarla kurdukları bir kartta denemeleri beklenmektedir.1
İmajı yazın
T3 Gemstone OS Minimal v2026.1 (Ubuntu 22.04) imajını Gem-Imager ile O1’in eMMC belleğine yazın
(eMMC Kullanımı). Kartı açın, seri port ya da SSH ile bağlanın
(Hızlı Başlangıç) ve internete bağlayın.
2
Edge AI paketini ve git'i kurun
git, yarışma reposunu karta almak için kurulur.3
Edge AI overlay'ini etkinleştirin
/boot/uEnv.txt dosyasındaki overlays= satırının sonuna, bir boşluk bırakarak
k3-am67a-t3-gem-o1-edgeai-apps.dtbo ekleyin ve kartı yeniden başlatın.4
Kurulumu doğrulayın
Yapay zekâ hızlandırıcısı root yetkisi ister; Edge AI ortam değişkenleri
/opt/t3-edgeai-env dosyasıyla
yüklenir.source komutu SDK: 11_00_00 bilgisini, son komut ise TIDLExecutionProvider içeren bir liste
yazdırmalıdır.5
Repoyu karta alın
Takımınızın fork’unu klonlayın. Takımlar projelerini repodaki
takimlar/<takim-adi>/ klasöründe, sablon/
klasörünün yapısıyla geliştirir.6
Takım klasörünü denetleyin
olcum/kontrol.py, klasörün şablona ve bu şartnameye uygunluğunu modeli çalıştırmadan denetler. Aynı denetim
her commit’te GitHub Actions’ta da çalışır.7
Değerlendirme betiğini çalıştırın
Jüri Heyeti her takımı Betik her takım için sırasıyla şunları yapar:
olcum/calistir.py betiğiyle değerlendirir; takımlar aynı betiği kendi kartlarında
çalıştırarak projelerinin Jüri Heyeti’nin kartında nasıl çalışacağını görebilir. Betik root olarak
çalıştırılır ve Edge AI ortam değişkenlerini kendisi yükler.- Takım klasörünün bir kopyasını alır; repodaki dosyalar değişmez.
- Kurulum aşamasında (internet açık)
requirements.txt’deki paketleri takıma özel bir Python sanal ortamına kurar,apt.txt’deki paketlerin kurulu olduğunu denetler,model/indir.txt’deki dosyaları HuggingFace ya da Kaggle’dan indirip SHA256 özetlerini doğrular ve varsakurulum.shbetiğini çalıştırır. - Takımın
degerlendir.shbetiğini internet bağlantısı olmadan ve süre sınırıyla çalıştırır. Bu betik modelitest-seti/klasöründeki veriyle çalıştırır ve sonuçlarısonuc.jsondosyasına yazar: başarım metriğinin adı ve değeri zorunlu; FPS ve gecikme isteğe bağlıdır. sonuc.jsondosyasını doğrular.
8
Sonuçları inceleyin
Sonuçlar
sonuclar/<tarih-saat>/ klasörüne yazılır: ozet.csv sonuçların özetini,
<takim-adi>/kurulum.log ve <takim-adi>/calistirma.log ayrıntıları içerir.
