ModellerModel Tipleri

Model Tipleri

Her model tipi farklı inference node’u ile kullanılır ve farklı çıktı üretir.

YOLO Detection

Görüntüde nesneleri tespit eder; her tespit için sınıf adı, güven değeri ve bounding box koordinatları döner.

Kullanım senaryoları: Nesne varlık/yokluk kontrolü, montaj parçası tespiti, kusur tespiti, güvenlik ihlali (kişi tespiti)

Çıktı formatı:

[
  {
    "class_name": "somun",
    "class_id": 0,
    "confidence": 0.92,
    "bbox": { "x": 120, "y": 80, "width": 45, "height": 45 }
  }
]

Node: DetectionInference

Parametreler:

  • confidence_threshold: Minimum güven (varsayılan 0.5)
  • iou_threshold: NMS için örtüşme eşiği (varsayılan 0.45)
  • max_detections: Maksimum tespit sayısı (varsayılan 100)

YOLO Segmentation

Nesne tespitine ek olarak her nesne için piksel maskesi üretir. Yüzey kusuru, çatlak, boya hatası tespiti için kullanılır.

Kullanım senaryoları: Yüzey kusuru tespiti, şekil analizi, alan hesaplama

Çıktı: Bounding box + maske (piksel koordinat listesi veya RLE)

Node: SegmentationInference

ONNX (Classification)

Görüntüyü önceden tanımlanmış sınıflara ayırır. Kalite grading (A/B/C), ürün doğrulama için kullanılır.

Kullanım senaryoları: A/B/C kalite sınıflandırma, ürün tipi doğrulama, anomali/normal ayrımı

Çıktı:

[
  { "class_name": "A", "confidence": 0.87 },
  { "class_name": "B", "confidence": 0.10 },
  { "class_name": "C", "confidence": 0.03 }
]

Node: ClassificationInference

Parametreler:

  • top_k: En yüksek K sınıfı döndür
  • input_size: Giriş görüntüsü boyutu

OCR

Görüntüden metin okur. Seri numara, tarih kodu, parti numarası doğrulama için kullanılır.

Kullanım senaryoları: Seri numara okuma, etiket doğrulama, tarih kodu kontrolü, barkod alternatifi

Çıktı: { "text": "SN-20240415-0042", "confidence": 0.98 }

Node: OcrInference

Not: Çıktı metin StringCompare node’uyla doğrulanabilir; beklenen format regex ile kontrol edilebilir.

LLM / VLM

Büyük dil veya görüntü-dil modelleri ile görüntü analizi. Özelleşmiş tespit modeliyle çözülemeyen esnek analiz senaryoları için.

Kullanım senaryoları: Karmaşık sahne yorumlama, çok bağlamlı analiz, doğal dil raporlama

Container: Ollama

Parametreler:

  • model: Ollama model adı (örn. llava, bakllava)
  • prompt: Görev tanımı
  • max_tokens: Yanıt uzunluğu

LLM inference, detection ve classification’a kıyasla çok daha yavaştır (saniyeler yerine 100ms düzeyinde). Gerçek zamanlı yüksek hızlı pipeline’larda LLM kullanımı önerilmez. Saatte birkaç kez çalışan analiz veya raporlama amaçlı kullanım için uygundur.

Özel Container Protokolü

VisioAI container protokolüne uyan herhangi bir FastAPI servisi özel container olarak kullanılabilir. Protokol gereksinimleri:

  • POST /v1/predict — inference endpoint
  • GET /v1/health — sağlık kontrolü
  • GET /v1/info — model metadata
  • GET /v1/ready — yükleme tamamlandı mı?

Ayrıntılar için Edese teknik dokümantasyonuna başvurun.

Model YüklemeGenel Bakış