Edge AI Nedir ve Neden Önemli?
Bulut tabanlı yapay zeka çözümleri güçlü olsa da, gecikme, bant genişliği ve gizlilik sorunlarıyla karşılaşabilirsiniz. Edge AI, veriyi kaynağa yakın işleyerek bu engelleri ortadan kaldırır; özellikle gerçek zamanlı görüntü işleme uygulamalarında fark yaratır.
- Edge AI Nedir ve Neden Önemli?
- Raspberry Pi vs. NVIDIA Jetson: Platform Karşılaştırması
- Gereksinimler ve Hazırlık
- Raspberry Pi ile Edge AI Kurulumu
- 1. İşletim Sistemi ve Güncellemeler
- 2. OpenCV ve TensorFlow Lite Kurulumu
- 3. Basit Nesne Tanıma Örneği
- NVIDIA Jetson Nano ile Edge AI Kurulumu
- 1. JetPack SDK Kurulumu
- 2. CUDA ve TensorRT ile Derin Öğrenme Çerçeveleri
- 3. DeepStream ile Gerçek Zamanlı Nesne Takibi
- Performans Testleri ve Optimizasyon
- Kullanım Senaryoları
- Sonuç ve Gelecek Adımlar

Raspberry Pi vs. NVIDIA Jetson: Platform Karşılaştırması
- Raspberry Pi 4: 4 GB RAM, 64‑bit CPU, düşük maliyet, geniş topluluk desteği. TensorFlow Lite ve OpenCV gibi hafif çerçevelerle çalışır.
- NVIDIA Jetson Nano: 128‑core GPU, 4 GB RAM, CUDA desteği, daha yüksek inferans hızı. JetPack SDK ve DeepStream ile profesyonel AI uygulamaları.
Seçiminiz proje bütçeniz, gereksinim duyduğunuz işlem gücü ve geliştirme sürenize göre değişecektir.
Gereksinimler ve Hazırlık
- İşletim sistemi: Raspberry Pi OS (64‑bit) veya JetPack (Ubuntu‑based).
- Gerekli paketler:
python3,pip,opencv,tensorflow‑lite(Pi) veyatorch,tensorrt(Jetson). - USB kamera veya Raspberry Pi Camera Module.
- Güç kaynağı: En az 5 V 3 A (Pi) / 5 V 4 A (Jetson).
Raspberry Pi ile Edge AI Kurulumu
1. İşletim Sistemi ve Güncellemeler
SD kartınıza Raspberry Pi OS (64‑bit) imajını yazın, ardından terminalde:
sudo apt update && sudo apt upgrade -y
sudo apt install python3-pip python3-venv git -y
2. OpenCV ve TensorFlow Lite Kurulumu
Sanallaştırma ortamı oluşturun ve paketleri yükleyin:
python3 -m venv edgeai
source edgeai/bin/activate
pip install --upgrade pip
pip install opencv-python-headless tflite-runtime
3. Basit Nesne Tanıma Örneği
Aşağıdaki Python betiği, coco_ssd_mobilenet_v1_1.0_quant.tflite modelini kullanarak kamera akışında nesneleri algılar.
import cv2, numpy as np, tflite_runtime.interpreter as tflite
model_path = 'coco_ssd_mobilenet_v1_1.0_quant.tflite'
interpreter = tflite.Interpreter(model_path=model_path)
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
if not ret: break
img = cv2.resize(frame, (300,300))
img = np.expand_dims(img, axis=0).astype(np.uint8)
interpreter.set_tensor(input_details[0]['index'], img)
interpreter.invoke()
boxes = interpreter.get_tensor(output_details[0]['index'])
classes = interpreter.get_tensor(output_details[1]['index'])
scores = interpreter.get_tensor(output_details[2]['index'])
# Basit görselleştirme
for i in range(len(scores[0])):
if scores[0][i] > 0.5:
ymin, xmin, ymax, xmax = boxes[0][i]
(h, w) = frame.shape[:2]
(startX, startY, endX, endY) = (int(xmin*w), int(ymin*h), int(xmax*w), int(ymax*h))
cv2.rectangle(frame, (startX,startY), (endX,endY), (0,255,0), 2)
cv2.imshow('Edge AI - Raspberry Pi', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
NVIDIA Jetson Nano ile Edge AI Kurulumu
1. JetPack SDK Kurulumu
Jetson Nano’yu ilk kez başlatırken JetPack 5.0 (Ubuntu 20.04) otomatik olarak gelir. Gerekli paketleri eklemek için:
sudo apt update && sudo apt install python3-pip python3-venv git -y
sudo apt install nvidia-jetpack -y
2. CUDA ve TensorRT ile Derin Öğrenme Çerçeveleri
Jetson, torch ve tensorflow paketlerinin GPU destekli sürümlerini sağlar. Sanal ortam oluşturup kurulum:
python3 -m venv jetedge
source jetedge/bin/activate
pip install --upgrade pip
pip install torch torchvision torchaudio --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v511
pip install opencv-python-headless
3. DeepStream ile Gerçek Zamanlı Nesne Takibi
DeepStream örneklerinden deepstream-test1 çalıştırarak kamera akışını inceleyebilirsiniz:
deepstream-test1-app -c /opt/nvidia/deepstream/deepstream‑test1/configs/deepstream‑test1‑cam‑source.txt
Bu komut, GPU hızlandırmalı bir pipeline oluşturur ve 30 fps üzerinde nesne algılaması sağlar.
Performans Testleri ve Optimizasyon
- İnferans Süresi: Raspberry Pi ~150 ms, Jetson Nano ~30 ms (mobilenet‑v2‑ssd).
- Güç Tüketimi: Pi 5 W, Jetson 10 W (tam yükte).
- Model Optimizasyonu: TensorRT (Jetson) ve
tflitequantization (Pi) ile gecikme %40‑%60 azalır.
Kullanım Senaryoları
- Akıllı güvenlik kameraları – yüz tanıma ve araç plakası okuma.
- Endüstriyel kalite kontrol – üretim bandında hatalı ürün tespiti.
- Tarım izleme – drone görüntülerinde hastalık ve yabani ot tespiti.
Sonuç ve Gelecek Adımlar
Edge AI, düşük gecikme ve veri gizliliği gerektiren projelerde vazgeçilmez bir araçtır. Raspberry Pi, prototip aşaması ve bütçe odaklı çözümler için ideal iken, NVIDIA Jetson Nano, yüksek performans ve ölçeklenebilirlik sunar. İlk adım olarak bir model seçin, platformunuza uygun SDK’yı kurun ve basit bir inferans betiğiyle test edin. Ardından, TensorRT ya da TFLite quantization ile modeli iyileştirerek gerçek dünyada sorunsuz bir deneyim elde edebilirsiniz.
❓ Sıkça Sorulan Sorular
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Edge AI nedir ve bulut AI’dan farkı nedir?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Edge AI, veriyi cihazın kendisinde işleyerek gecikmeyi azaltır, bant genişliği tasarrufu sağlar ve veri gizliliğini artırır; bulut AI ise veriyi merkezi sunuculara gönderir.”}},{“@type”:”Question”,”name”:”Raspberry Pi ile hangi AI modelleri çalıştırılabilir?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”TensorFlow Lite, PyTorch Mobile ve ONNX Runtime gibi hafif çerçevelerle Mobilenet, EfficientDet ve TinyYOLO gibi modeller Raspberry Pi 4’te sorunsuz çalışır.”}},{“@type”:”Question”,”name”:”NVIDIA Jetson Nano’da performans nasıl artırılır?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Modeli TensorRT ile optimize etmek, FP16 veya INT8 quantization kullanmak ve DeepStream SDK ile GPU hızlandırmalı pipeline oluşturmak performansı ‑ artırır.”}}]}
