Mobil yapay zeka uygulamalar\u0131nda Snapdragon NPU’lar\u0131n sessizce CPU’ya d\u00fc\u015fmesi, performans\u0131 olumsuz etkiler. CI s\u00fcre\u00e7lerinizde bu gizli geri d\u00f6n\u00fc\u015fleri nas\u0131l tespit edece\u011finizi ve \u00f6nleyece\u011finizi \u00f6\u011frenin.<\/p>\n
G\u00fcn\u00fcm\u00fcz mobil cihazlar\u0131, yapay zeka (AI) modellerini \u00e7al\u0131\u015ft\u0131rma konusunda inan\u0131lmaz yeteneklere sahip. Ak\u0131ll\u0131 telefonlar\u0131m\u0131zdaki kameralardan sesli asistanlara, art\u0131r\u0131lm\u0131\u015f ger\u00e7eklik deneyimlerinden ki\u015fiselle\u015ftirilmi\u015f \u00f6nerilere kadar bir\u00e7ok \u00f6zellik, cihaz \u00fczerinde \u00e7al\u0131\u015fan karma\u015f\u0131k AI modelleri sayesinde m\u00fcmk\u00fcn oluyor. Bu modellerin performans\u0131, kullan\u0131c\u0131 deneyimi a\u00e7\u0131s\u0131ndan kritik bir \u00f6neme sahiptir. \u0130\u015fte tam bu noktada, Qualcomm Snapdragon i\u015flemcilerdeki NPU’lar (Neural Processing Unit – N\u00f6ral \u0130\u015flem Birimi) devreye giriyor. NPU’lar, AI i\u015f y\u00fcklerini CPU’ya k\u0131yasla \u00e7ok daha verimli ve enerji dostu bir \u015fekilde i\u015flemek \u00fczere \u00f6zel olarak tasarlanm\u0131\u015ft\u0131r. Ancak, bazen bu modellerin beklenmedik bir \u015fekilde NPU yerine CPU’ya geri d\u00f6nmesi, yani “sessiz NPU geri d\u00f6n\u00fc\u015f\u00fc” ya\u015fanabilir. Bu durum, uygulaman\u0131z\u0131n performans\u0131nda ciddi d\u00fc\u015f\u00fc\u015flere, pil \u00f6mr\u00fcnde azalmaya ve genel kullan\u0131c\u0131 memnuniyetsizli\u011fine yol a\u00e7abilir. \u0130\u015fin k\u00f6t\u00fc yan\u0131, bu geri d\u00f6n\u00fc\u015fler genellikle sessizce ger\u00e7ekle\u015fir ve standart de\u011ferlendirme setlerinizde fark edilmeyebilir.<\/p>\n
Peki, bu gizli performans d\u00fc\u015fman\u0131n\u0131 nas\u0131l yakalayabiliriz? S\u00fcrekli Entegrasyon (CI) ortamlar\u0131, yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerinin vazge\u00e7ilmez bir par\u00e7as\u0131d\u0131r ve kod de\u011fi\u015fikliklerinin otomatik olarak test edilmesini sa\u011flar. Bu makalede, Snapdragon cihazlarda ortaya \u00e7\u0131kan sessiz NPU geri d\u00f6n\u00fc\u015flerini CI ortam\u0131n\u0131zda nas\u0131l proaktif bir \u015fekilde tespit edece\u011finizi ve \u00f6nleyece\u011finizi ad\u0131m ad\u0131m inceleyece\u011fiz. Temel kavramlardan ba\u015flayarak, geleneksel test yakla\u015f\u0131mlar\u0131n\u0131n neden yetersiz kald\u0131\u011f\u0131n\u0131 a\u00e7\u0131klayacak, ard\u0131ndan CI pipeline’\u0131n\u0131za entegre edebilece\u011finiz pratik stratejiler ve kod \u00f6rnekleri sunaca\u011f\u0131z. Amac\u0131m\u0131z, geli\u015ftiricilerin bu karma\u015f\u0131k sorunu anlamalar\u0131na ve mobil AI uygulamalar\u0131n\u0131n her zaman en iyi performans\u0131 sunmas\u0131n\u0131 sa\u011flamalar\u0131na yard\u0131mc\u0131 olmakt\u0131r.<\/p>\n
Yapay zeka modelleri, \u00f6zellikle derin \u00f6\u011frenme (deep learning) tabanl\u0131 olanlar, yo\u011fun matematiksel i\u015flemler gerektirir. Bu i\u015flemler genellikle matris \u00e7arp\u0131mlar\u0131 ve evri\u015fim (convolution) gibi tekrarlayan ve paralel olarak y\u00fcr\u00fct\u00fclebilen g\u00f6revleri i\u00e7erir. Geleneksel merkezi i\u015flem birimleri (CPU’lar), genel ama\u00e7l\u0131 g\u00f6revler i\u00e7in tasarlanm\u0131\u015f olsalar da, bu t\u00fcr paralel ve yo\u011fun matematiksel y\u00fckleri verimli bir \u015fekilde i\u015fleme konusunda s\u0131n\u0131rl\u0131 kalabilirler. Bu durum, mobil cihazlarda pil \u00f6mr\u00fc ve \u0131s\u0131nma gibi ek sorunlara yol a\u00e7ar. \u0130\u015fte bu y\u00fczden, yapay zeka i\u015f y\u00fcklerine \u00f6zel donan\u0131mlar geli\u015ftirilmi\u015ftir.<\/p>\n
Grafik \u0130\u015flem Birimleri (GPU’lar), ba\u015flang\u0131\u00e7ta grafik i\u015fleme i\u00e7in tasarlanm\u0131\u015f olsalar da, y\u00fcksek paralel i\u015flem yetenekleri sayesinde yapay zeka e\u011fitiminde ve \u00e7\u0131kar\u0131m\u0131nda (inference) yayg\u0131n olarak kullan\u0131lmaktad\u0131r. Ancak, mobil GPU’lar da kendi k\u0131s\u0131tlamalar\u0131na sahiptir; \u00f6zellikle enerji t\u00fcketimi ve belirli AI model mimarilerine olan uyumluluklar\u0131, mobil ortamda idealden uzak olabilir. Bu noktada, N\u00f6ral \u0130\u015flem Birimleri (NPU’lar) devreye girer. NPU’lar, do\u011frudan yapay sinir a\u011flar\u0131n\u0131n \u00e7al\u0131\u015fma prensiplerine g\u00f6re optimize edilmi\u015f, d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimiyle y\u00fcksek performans sunan \u00f6zel \u00e7iplerdir. Snapdragon i\u015flemcilerdeki Hexagon DSP (Dijital Sinyal \u0130\u015flemcisi) ve AI Engine gibi bile\u015fenler, Qualcomm’un NPU yakla\u015f\u0131mlar\u0131n\u0131n \u00f6nemli bir par\u00e7as\u0131d\u0131r. Bu birimler, bir AI modelinin \u00e7\u0131kar\u0131m a\u015famas\u0131n\u0131 (yani e\u011fitilmi\u015f bir modelin yeni veriler \u00fczerinde tahminler yapmas\u0131n\u0131) h\u0131zland\u0131rmak i\u00e7in tasarlanm\u0131\u015ft\u0131r.<\/p>\n
NPU’lar\u0131n sundu\u011fu avantajlar sadece h\u0131zla s\u0131n\u0131rl\u0131 de\u011fildir. Ayn\u0131 zamanda \u00e7ok daha az enerji t\u00fcketerek pil \u00f6mr\u00fcn\u00fc uzat\u0131r ve cihaz\u0131n a\u015f\u0131r\u0131 \u0131s\u0131nmas\u0131n\u0131 engeller. Bu, mobil cihazlar i\u00e7in hayati \u00f6neme sahiptir, \u00e7\u00fcnk\u00fc kullan\u0131c\u0131lar uygulamalar\u0131n\u0131n h\u0131zl\u0131 ve sorunsuz \u00e7al\u0131\u015fmas\u0131n\u0131 beklerken, ayn\u0131 zamanda cihazlar\u0131n\u0131n \u015farj\u0131n\u0131n \u00e7abuk bitmesini veya a\u015f\u0131r\u0131 \u0131s\u0131nmas\u0131n\u0131 istemezler. Bir AI modelini NPU \u00fczerinde \u00e7al\u0131\u015ft\u0131rmak, uygulaman\u0131z\u0131n daha ak\u0131c\u0131, daha duyarl\u0131 ve genel olarak daha keyifli bir deneyim sunmas\u0131n\u0131 sa\u011flar. Dolay\u0131s\u0131yla, bir mobil AI uygulamas\u0131n\u0131n ba\u015far\u0131s\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde modelin NPU’da ne kadar verimli \u00e7al\u0131\u015ft\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. Bu nedenle, NPU kullan\u0131m\u0131n\u0131 en \u00fcst d\u00fczeye \u00e7\u0131karmak ve potansiyel geri d\u00f6n\u00fc\u015fleri engellemek, geli\u015ftirme s\u00fcrecinin kritik bir par\u00e7as\u0131 haline gelmektedir.<\/p>\n
Sessiz NPU geri d\u00f6n\u00fc\u015f\u00fc, bir yapay zeka modelinin NPU \u00fczerinde \u00e7al\u0131\u015fmas\u0131 beklenirken, herhangi bir hata veya uyar\u0131 mesaj\u0131 vermeden otomatik olarak CPU’ya (veya bazen GPU’ya) y\u00f6nlendirilmesi durumudur. Bu, ad\u0131ndan da anla\u015f\u0131laca\u011f\u0131 gibi “sessiz” bir olayd\u0131r; yani geli\u015ftirici genellikle bu durumdan an\u0131nda haberdar olmaz, ancak uygulaman\u0131n performans\u0131nda belirgin bir d\u00fc\u015f\u00fc\u015fle kar\u015f\u0131la\u015f\u0131r. Bu durum, geli\u015ftirme a\u015famas\u0131nda g\u00f6zden ka\u00e7t\u0131\u011f\u0131nda, kullan\u0131c\u0131lara ula\u015fan \u00fcr\u00fcn\u00fcn beklenenin alt\u0131nda performans g\u00f6stermesine neden olabilir, bu da hem marka itibar\u0131n\u0131 zedeler hem de kullan\u0131c\u0131 memnuniyetini d\u00fc\u015f\u00fcr\u00fcr.<\/p>\n
Peki, bir model neden NPU yerine CPU’ya geri d\u00f6ner? Bu durumun arkas\u0131nda birka\u00e7 yayg\u0131n neden bulunmaktad\u0131r:<\/p>\n
Bu geri d\u00f6n\u00fc\u015flerin temel etkisi, uygulaman\u0131z\u0131n performans\u0131nda g\u00f6zle g\u00f6r\u00fcl\u00fcr bir d\u00fc\u015f\u00fc\u015f ya\u015fanmas\u0131d\u0131r. NPU’nun saniyede binlerce i\u015flem yapabildi\u011fi bir senaryoda, CPU’ya d\u00fc\u015fmek, ayn\u0131 i\u015flemin \u00e7ok daha uzun s\u00fcrmesine neden olur. Bu da kare h\u0131zlar\u0131nda d\u00fc\u015f\u00fc\u015fe, uygulaman\u0131n donmas\u0131na veya genel tepkisizlik hissi yaratmas\u0131na yol a\u00e7ar. Ayr\u0131ca, CPU’nun daha yo\u011fun \u00e7al\u0131\u015fmas\u0131, pil t\u00fcketimini art\u0131r\u0131r ve cihaz\u0131n \u0131s\u0131nmas\u0131na neden olur. Bu nedenle, sessiz NPU geri d\u00f6n\u00fc\u015flerini tespit etmek ve d\u00fczeltmek, mobil AI geli\u015ftirme s\u00fcrecinde hayati bir ad\u0131md\u0131r.<\/p>\n
Yapay zeka modellerinin geli\u015ftirilmesinde, do\u011fruluk (accuracy), kesinlik (precision), geri \u00e7a\u011f\u0131rma (recall) ve F1 skoru gibi metrikler, modelin ne kadar iyi tahminler yapt\u0131\u011f\u0131n\u0131 anlamak i\u00e7in vazge\u00e7ilmezdir. Geli\u015ftiriciler, bir modelin performans\u0131n\u0131 de\u011ferlendirirken genellikle bu metrikleri kullan\u0131r ve bir modelin belirli bir e\u015fik de\u011ferinin \u00fczerinde do\u011fruluk sergiledi\u011finde “ba\u015far\u0131l\u0131” oldu\u011funu varsayarlar. Ancak, mobil cihazlarda AI modelleri i\u00e7in bu do\u011fruluk metriklerine odaklanmak, sessiz NPU geri d\u00f6n\u00fc\u015fleri gibi kritik performans sorunlar\u0131n\u0131 g\u00f6zden ka\u00e7\u0131rman\u0131za neden olabilir.<\/p>\n
Geleneksel de\u011ferlendirme setleri ve test s\u00fcre\u00e7leri, genellikle modelin *\u00e7\u0131kt\u0131s\u0131n\u0131n do\u011frulu\u011funa* odaklan\u0131r, *nas\u0131l* ve *ne kadar s\u00fcrede* \u00fcretildi\u011fine de\u011fil. Bir model, CPU \u00fczerinde \u00e7al\u0131\u015fsa bile ayn\u0131 do\u011fru sonu\u00e7lar\u0131 \u00fcretebilir. Yani, bir test setinde %95 do\u011fruluk elde etti\u011finizde, bu modelin NPU’da \u00e7al\u0131\u015ft\u0131\u011f\u0131 anlam\u0131na gelmez; sadece modelin do\u011fru tahminler yapt\u0131\u011f\u0131 anlam\u0131na gelir. Performans metrikleri (gecikme s\u00fcresi, enerji t\u00fcketimi, donan\u0131m kullan\u0131m\u0131) bu s\u00fcre\u00e7te genellikle g\u00f6z ard\u0131 edilir veya ikincil plana at\u0131l\u0131r.<\/p>\n
Bu durumun birka\u00e7 nedeni vard\u0131r:<\/p>\n
Sonu\u00e7 olarak, modelinizin do\u011fruluk metriklerinde ba\u015far\u0131l\u0131 olmas\u0131, mobil cihaz \u00fczerinde en iyi performans\u0131 sergiledi\u011fi anlam\u0131na gelmez. NPU’nun potansiyelini tam olarak kullanmak ve kullan\u0131c\u0131lar\u0131n\u0131za en iyi deneyimi sunmak i\u00e7in, performans odakl\u0131 testleri de geli\u015ftirme ve CI s\u00fcre\u00e7lerinize entegre etmeniz zorunludur. Bu, sadece modelin do\u011fru sonu\u00e7lar \u00fcretip \u00fcretmedi\u011fini de\u011fil, ayn\u0131 zamanda bu sonu\u00e7lar\u0131 ne kadar verimli bir \u015fekilde \u00fcretti\u011fini de anlamak anlam\u0131na gelir.<\/p>\n
Sessiz NPU geri d\u00f6n\u00fc\u015flerini CI ortam\u0131nda yakalamak, proaktif bir yakla\u015f\u0131m ve do\u011fru ara\u00e7lar\u0131n entegrasyonunu gerektirir. Geleneksel do\u011fruluk testlerinin \u00f6tesine ge\u00e7erek, modelinizin donan\u0131m \u00fczerinde nas\u0131l davrand\u0131\u011f\u0131n\u0131 anlamak i\u00e7in \u00f6zel performans metrikleri ve izleme y\u00f6ntemleri kullanmal\u0131y\u0131z. \u0130\u015fte CI pipeline’\u0131n\u0131zda NPU performans\u0131n\u0131 izlemek ve geri d\u00f6n\u00fc\u015fleri tespit etmek i\u00e7in izleyebilece\u011finiz stratejiler:<\/p>\n
Snapdragon cihazlarda NPU kullan\u0131m\u0131n\u0131 izlemek i\u00e7in birka\u00e7 farkl\u0131 ara\u00e7 ve y\u00f6ntem bulunmaktad\u0131r:<\/p>\n
adb shell<\/code> komutlar\u0131 arac\u0131l\u0131\u011f\u0131yla cihaz\u0131n CPU kullan\u0131m\u0131n\u0131, bellek t\u00fcketimini ve hatta belirli i\u015flemci \u00e7ekirdeklerinin y\u00fck\u00fcn\u00fc izleyebilirsiniz. NPU’ya d\u00fc\u015fmesi gereken bir modelin CPU’da yo\u011fun bir y\u00fck olu\u015fturdu\u011funu g\u00f6rmek, bir geri d\u00f6n\u00fc\u015f\u00fcn g\u00fc\u00e7l\u00fc bir i\u015faretidir. dumpsys cpuinfo<\/code> veya \/proc\/stat<\/code> gibi komutlar bu konuda size yard\u0131mc\u0131 olabilir.<\/li>\n- Snapdragon Profiler (Referans Ama\u00e7l\u0131):<\/strong> Snapdragon Profiler, geli\u015ftiricilere cihaz \u00fczerindeki CPU, GPU, NPU ve di\u011fer bile\u015fenlerin ger\u00e7ek zamanl\u0131 performans\u0131n\u0131 detayl\u0131 bir \u015fekilde analiz etme imkan\u0131 sunar. CI ortam\u0131nda otomatikle\u015ftirilmesi zor olsa da, ba\u015flang\u0131\u00e7ta referans performans verilerini toplamak ve manuel hata ay\u0131klama i\u00e7in paha bi\u00e7ilmez bir ara\u00e7t\u0131r. CI testlerinizde belirledi\u011finiz e\u015fik de\u011ferlerini bu profilerdan elde etti\u011finiz referans verilerle kar\u015f\u0131la\u015ft\u0131rabilirsiniz.<\/li>\n<\/ul>\n
Ad\u0131m 2: Performans Temelli Testleri Tan\u0131mlay\u0131n<\/h4>\n
NPU geri d\u00f6n\u00fc\u015f\u00fcn\u00fc yakalamak i\u00e7in sadece varl\u0131\u011f\u0131n\u0131 de\u011fil, ayn\u0131 zamanda etkilerini de \u00f6l\u00e7melisiniz:<\/p>\n
\n- U\u00e7tan Uca Gecikme (Latency) Testleri:<\/strong> Modelinizin belirli bir giri\u015fi i\u015fleyip \u00e7\u0131kt\u0131y\u0131 \u00fcretmesi i\u00e7in ge\u00e7en s\u00fcreyi \u00f6l\u00e7\u00fcn. NPU’da \u00e7al\u0131\u015fan bir modelin gecikme s\u00fcresi, CPU’da \u00e7al\u0131\u015fan bir modele g\u00f6re belirgin \u015fekilde daha k\u0131sa olmal\u0131d\u0131r. CI’da bu s\u00fcreyi d\u00fczenli olarak \u00f6l\u00e7erek bir e\u015fik de\u011fer (threshold) belirleyin ve bu e\u015fi\u011fin a\u015f\u0131lmas\u0131 durumunda testi ba\u015far\u0131s\u0131z say\u0131n.<\/li>\n
- \u0130\u015flem Ba\u015f\u0131na Enerji T\u00fcketimi:<\/strong> NPU’lar enerji verimlili\u011fi i\u00e7in tasarlanm\u0131\u015ft\u0131r. E\u011fer bir model CPU’ya d\u00fc\u015ferse, ayn\u0131 i\u015f y\u00fck\u00fc i\u00e7in \u00e7ok daha fazla enerji t\u00fcketir. Mobil cihazlar i\u00e7in \u00f6zel enerji \u00f6l\u00e7\u00fcm donan\u0131mlar\u0131 veya yaz\u0131l\u0131mlar\u0131 kullanarak bu metrikleri CI’da izlemek, geri d\u00f6n\u00fc\u015fleri tespit etmede g\u00fc\u00e7l\u00fc bir g\u00f6sterge olabilir.<\/li>\n
- CPU\/GPU Y\u00fck\u00fcn\u00fc \u0130zleme:<\/strong> NPU’da \u00e7al\u0131\u015fmas\u0131 beklenen bir modelin CPU veya GPU \u00fczerinde beklenenden daha y\u00fcksek bir y\u00fck olu\u015fturdu\u011funu tespit etmek, sessiz bir geri d\u00f6n\u00fc\u015f\u00fcn a\u00e7\u0131k bir i\u015faretidir. Bu, \u00f6zellikle modelin bir k\u0131sm\u0131n\u0131n NPU’da, di\u011fer k\u0131sm\u0131n\u0131n CPU’da \u00e7al\u0131\u015ft\u0131\u011f\u0131 karma senaryolarda \u00f6nemlidir.<\/li>\n<\/ul>\n
Ad\u0131m 3: \u00d6zel “Fallback Yakalama” Test Senaryolar\u0131 Geli\u015ftirin<\/h4>\n
Test senaryolar\u0131n\u0131z\u0131, NPU’yu zorlayacak ve geri d\u00f6n\u00fc\u015f potansiyelini ortaya \u00e7\u0131karacak \u015fekilde tasarlay\u0131n:<\/p>\n
\n- Sentetik Y\u00fckler ve K\u00f6\u015fe Durumlar:<\/strong> Modelinize, NPU’nun belirli operat\u00f6rlerini veya bellek kapasitesini zorlayacak sentetik giri\u015fler veya veri setleri sa\u011flay\u0131n. Desteklenmeyen bir operat\u00f6r\u00fcn tetiklendi\u011fi veya bellek s\u0131n\u0131rlar\u0131n\u0131n a\u015f\u0131ld\u0131\u011f\u0131 k\u00f6\u015fe durumlar\u0131 test edin.<\/li>\n
- Farkl\u0131 Cihaz Matrisi:<\/strong> M\u00fcmk\u00fcnse, CI ortam\u0131n\u0131zda farkl\u0131 Snapdragon yonga setlerine sahip fiziksel cihazlardan olu\u015fan bir matris kullan\u0131n. NPU yetenekleri cihazdan cihaza de\u011fi\u015fti\u011fi i\u00e7in, bir cihazda sorunsuz \u00e7al\u0131\u015fan bir modelin di\u011ferinde geri d\u00f6n\u00fc\u015f yapabilece\u011fini unutmay\u0131n.<\/li>\n
- API Sorgular\u0131:<\/strong> E\u011fer AI runtime’\u0131n\u0131z veya SDK’n\u0131z, modelin hangi donan\u0131m \u00fczerinde \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 sorgulaman\u0131za olanak tan\u0131yan bir API sunuyorsa, bu API’yi kullanarak do\u011frudan kontrol yap\u0131n.<\/li>\n<\/ul>\n
Bu stratejileri bir araya getirerek, CI pipeline’\u0131n\u0131zda sadece modelinizin do\u011fru sonu\u00e7lar verip vermedi\u011fini de\u011fil, ayn\u0131 zamanda bu sonu\u00e7lar\u0131 en verimli ve beklenen donan\u0131m \u00fczerinde \u00fcretip \u00fcretmedi\u011fini de otomatik olarak do\u011frulayabilirsiniz. Bu sayede, sessiz NPU geri d\u00f6n\u00fc\u015flerinin kullan\u0131c\u0131lar\u0131n\u0131za ula\u015fmadan \u00f6nce tespit edilmesini ve d\u00fczeltilmesini sa\u011flayarak, mobil AI uygulamalar\u0131n\u0131z\u0131n kalitesini ve performans\u0131n\u0131 garanti alt\u0131na al\u0131rs\u0131n\u0131z.<\/p>\n
CI Pipeline’\u0131n\u0131zda NPU Performans Testlerini Nas\u0131l Kurars\u0131n\u0131z? Uygulamal\u0131 Bir Rehber<\/h3>\n
Sessiz NPU geri d\u00f6n\u00fc\u015flerini yakalaman\u0131n teorik temellerini anlad\u0131ktan sonra, \u015fimdi bu stratejileri pratik olarak CI pipeline’\u0131n\u0131za nas\u0131l entegre edece\u011finize odaklanal\u0131m. Bir CI ortam\u0131nda (\u00f6rne\u011fin Jenkins, GitLab CI, GitHub Actions), fiziksel bir Android cihaz\u0131 hedef alarak otomatik testler \u00e7al\u0131\u015ft\u0131rmak, bu t\u00fcr donan\u0131m ba\u011f\u0131ml\u0131 sorunlar\u0131 tespit etmenin en etkili yoludur. \u0130\u015fte ad\u0131m ad\u0131m bir rehber ve \u00f6rnek kod bloklar\u0131:<\/p>\n
Ad\u0131m 1: CI Ortam\u0131n\u0131z\u0131 ve Cihaz Kurulumunu Haz\u0131rlay\u0131n<\/h4>\n
\u00d6ncelikle, CI sunucunuzun Android SDK’s\u0131na ve adb<\/code> (Android Debug Bridge) ara\u00e7lar\u0131na eri\u015fimi oldu\u011fundan emin olun. Daha sonra, CI sunucunuza bir veya daha fazla fiziksel Snapdragon cihaz\u0131 USB arac\u0131l\u0131\u011f\u0131yla ba\u011flay\u0131n ve USB hata ay\u0131klamas\u0131n\u0131 (USB debugging) etkinle\u015ftirin. Cihazlar\u0131n CI ortam\u0131nda s\u00fcrekli olarak ba\u011fl\u0131 ve eri\u015filebilir olmas\u0131 kritik \u00f6neme sahiptir. Birden fazla cihaz kullan\u0131yorsan\u0131z, adb -s <cihaz_seri_numaras\u0131><\/code> komutuyla belirli bir cihaz\u0131 hedefleyebilirsiniz.<\/p>\nAd\u0131m 2: Model \u00c7al\u0131\u015ft\u0131rma ve Performans \u00d6l\u00e7\u00fcm\u00fc Beti\u011fi Geli\u015ftirin<\/h4>\n
Python veya Shell betikleri kullanarak, uygulaman\u0131zdaki AI modelini \u00e7al\u0131\u015ft\u0131racak ve performans metriklerini toplayacak bir otomasyon beti\u011fi olu\u015fturun. Bu betik, uygulaman\u0131z\u0131 ba\u015flatacak, modeli tetikleyecek ve ard\u0131ndan gerekli performans verilerini cihazdan \u00e7ekecektir.<\/p>\n
\n\r\nimport subprocess\r\nimport time\r\nimport json\r\n\r\ndef run_adb_command(command, device_serial=None):\r\n \"\"\"ADB komutunu \u00e7al\u0131\u015ft\u0131r\u0131r ve \u00e7\u0131kt\u0131s\u0131n\u0131 d\u00f6nd\u00fcr\u00fcr.\"\"\"\r\n if device_serial:\r\n command = f\"adb -s {device_serial} {command}\"\r\n else:\r\n command = f\"adb {command}\"\r\n \r\n try:\r\n result = subprocess.run(command, shell=True, capture_output=True, text=True, check=True)\r\n return result.stdout.strip()\r\n except subprocess.CalledProcessError as e:\r\n print(f\"Hata: ADB komutu ba\u015far\u0131s\u0131z oldu: {e}\")\r\n print(f\"Stderr: {e.stderr}\")\r\n return None\r\n\r\ndef measure_npu_performance(app_package, activity_name, model_name, expected_npu_duration, device_serial=None):\r\n \"\"\"\r\n Belirtilen uygulamada AI modelini \u00e7al\u0131\u015ft\u0131r\u0131r, performans ve NPU geri d\u00f6n\u00fc\u015f\u00fcn\u00fc kontrol eder.\r\n \"\"\"\r\n print(f\"[{model_name}] modelini \u00e7al\u0131\u015ft\u0131rma ve NPU performans\u0131n\u0131 \u00f6l\u00e7me...\")\r\n \r\n # 1. Uygulamay\u0131 ba\u015flat\r\n print(f\"Uygulama ba\u015flat\u0131l\u0131yor: {app_package}\/{activity_name}\")\r\n run_adb_command(f\"shell am start -n {app_package}\/{activity_name}\", device_serial)\r\n time.sleep(5) # Uygulaman\u0131n ve modelin y\u00fcklenmesi i\u00e7in bekle\r\n\r\n # 2. Logcat'i temizle ve NPU ile ilgili loglar\u0131 topla\r\n print(\"Logcat temizleniyor ve NPU loglar\u0131 bekleniyor...\")\r\n run_adb_command(\"logcat -c\", device_serial) # Logcat'i temizle\r\n # Modelin \u00e7al\u0131\u015fmas\u0131n\u0131 tetikleyen bir UI otomasyonu veya intent g\u00f6nderme eklenebilir.\r\n # \u00d6rne\u011fin, bir d\u00fc\u011fmeye t\u0131klamak i\u00e7in: run_adb_command(\"shell input tap 500 500\", device_serial)\r\n time.sleep(10) # Modelin \u00e7al\u0131\u015fmas\u0131 ve log \u00fcretmesi i\u00e7in yeterli s\u00fcre\r\n\r\n logcat_output = run_adb_command(\"logcat -d -s 'QualcommAI' 'NPU_DEBUG' 'NPU_INFO'\", device_serial)\r\n if logcat_output is None:\r\n print(\"Hata: Logcat \u00e7\u0131kt\u0131s\u0131 al\u0131namad\u0131.\")\r\n return False\r\n \r\n npu_fallback_detected = False\r\n if \"NPU_FALLBACK\" in logcat_output or \"CPU fallback\" in logcat_output:\r\n npu_fallback_detected = True\r\n print(\"\ud83d\udd34 UYARI: Logcat'te NPU geri d\u00f6n\u00fc\u015f\u00fc tespit edildi!\")\r\n elif \"NPU_SUCCESS\" in logcat_output or \"NPU_ENGINE_RUN\" in logcat_output:\r\n print(\"\ud83d\udfe2 B\u0130LG\u0130: NPU kullan\u0131m\u0131 loglarda g\u00f6r\u00fcn\u00fcyor.\")\r\n else:\r\n print(\"\ud83d\udfe1 B\u0130LG\u0130: NPU kullan\u0131m\u0131na dair belirgin bir log bulunamad\u0131. Daha detayl\u0131 inceleme gerekebilir.\")\r\n \r\n # 3. CPU kullan\u0131m\u0131n\u0131 kontrol et (basit bir yakla\u015f\u0131m)\r\n print(\"CPU kullan\u0131m bilgisi toplan\u0131yor...\")\r\n cpu_info_output = run_adb_command(\"shell dumpsys cpuinfo | grep 'TOTAL'\", device_serial)\r\n if cpu_info_output:\r\n print(f\"CPU Kullan\u0131m\u0131 (Toplam): {cpu_info_output}\")\r\n # Burada CPU kullan\u0131m\u0131n\u0131 parse edip bir e\u015fik de\u011ferle kar\u015f\u0131la\u015ft\u0131rabilirsiniz.\r\n # \u00d6rne\u011fin, NPU'da \u00e7al\u0131\u015fmas\u0131 beklenen bir model i\u00e7in CPU'nun %50'den fazla kullan\u0131lmas\u0131 \u015f\u00fcpheli olabilir.\r\n # Daha geli\u015fmi\u015f analiz i\u00e7in 'top -n 1' veya '\/proc\/stat' kullan\u0131labilir.\r\n\r\n # 4. Modelin \u00e7al\u0131\u015fma s\u00fcresini \u00f6l\u00e7 (uygulama i\u00e7i \u00f6l\u00e7\u00fcm daha hassas olacakt\u0131r)\r\n # Bu \u00f6rnekte, modelin uygulama i\u00e7inde \u00f6l\u00e7t\u00fc\u011f\u00fc s\u00fcreyi logcat'e yazd\u0131\u011f\u0131n\u0131 varsayal\u0131m.\r\n # Ger\u00e7ek uygulamada modelin ba\u015flang\u0131\u00e7 ve biti\u015f zamanlar\u0131n\u0131 loglay\u0131p buradan \u00e7ekmek daha do\u011fru olur.\r\n # Basit bir sim\u00fclasyon:\r\n duration = float(run_adb_command(f\"shell getprop debug.model_duration.{model_name}\", device_serial) or \"0.0\")\r\n if duration == 0.0:\r\n print(\"\ud83d\udfe1 B\u0130LG\u0130: Model \u00e7al\u0131\u015fma s\u00fcresi uygulama i\u00e7inden al\u0131namad\u0131, varsay\u0131lan s\u00fcre kullan\u0131l\u0131yor.\")\r\n # E\u011fer uygulama i\u00e7inden s\u00fcre al\u0131nam\u0131yorsa, sentetik bir gecikme \u00f6l\u00e7\u00fcm\u00fc yap\u0131labilir.\r\n # Bu k\u0131s\u0131m, uygulaman\u0131z\u0131n modelin \u00e7al\u0131\u015fma s\u00fcresini logcat'e veya bir property'ye yazmas\u0131n\u0131 gerektirir.\r\n duration = 2.5 # Varsay\u0131lan olarak manuel g\u00f6zlemle belirlenen bir s\u00fcre\r\n \r\n print(f\"Model \u00e7al\u0131\u015fma s\u00fcresi: {duration:.2f} saniye\")\r\n\r\n # 5. Performans e\u015fik de\u011ferleri kontrol\u00fc\r\n test_passed = True\r\n if npu_fallback_detected:\r\n print(\"\u274c CI testi BA\u015eARISIZ: NPU geri d\u00f6n\u00fc\u015f\u00fc tespit edildi.\")\r\n test_passed = False\r\n \r\n if duration > expected_npu_duration:\r\n print(f\"\u274c CI testi BA\u015eARISIZ: Beklenen NPU performans e\u015fi\u011fi a\u015f\u0131ld\u0131! ({duration:.2f}s > {expected_npu_duration}s)\")\r\n test_passed = False\r\n \r\n # Uygulamay\u0131 kapat\r\n run_adb_command(f\"shell am force-stop {app_package}\", device_serial)\r\n \r\n return test_passed\r\n\r\n# \u00d6rnek Kullan\u0131m (CI beti\u011finizde bu fonksiyonu \u00e7a\u011f\u0131racaks\u0131n\u0131z)\r\nif __name__ == \"__main__\":\r\n # Kendi uygulama paket ad\u0131n\u0131z\u0131 ve ana aktivitenizi buraya girin\r\n APP_PACKAGE = \"com.example.mobileai\"\r\n ACTIVITY_NAME = \".MainActivity\" \r\n MODEL_NAME = \"my_image_classifier_v1\"\r\n EXPECTED_NPU_DURATION = 1.0 # Saniye cinsinden beklenen maksimum NPU \u00e7al\u0131\u015fma s\u00fcresi\r\n DEVICE_SERIAL = \"YOUR_DEVICE_SERIAL_NUMBER\" # adb devices komutuyla bulabilirsiniz (iste\u011fe ba\u011fl\u0131)\r\n\r\n print(\"CI NPU Performans Testi Ba\u015flat\u0131l\u0131yor...\")\r\n if not measure_npu_performance(APP_PACKAGE, ACTIVITY_NAME, MODEL_NAME, EXPECTED_NPU_DURATION, DEVICE_SERIAL):\r\n print(\"CI testi SONU\u00c7: BA\u015eARISIZ.\")\r\n exit(1) # CI pipeline'\u0131n\u0131 ba\u015far\u0131s\u0131z olarak i\u015faretle\r\n else:\r\n print(\"CI testi SONU\u00c7: BA\u015eARILI. NPU performans\u0131 beklentileri kar\u015f\u0131lad\u0131.\")\r\n exit(0) # CI pipeline'\u0131n\u0131 ba\u015far\u0131l\u0131 olarak i\u015faretle\r\n <\/code><\/pre>\n<\/p><\/div>\nAd\u0131m 3: CI Pipeline Entegrasyonu<\/h4>\n
Yukar\u0131daki Python beti\u011fini CI sisteminize (Jenkins, GitLab CI, GitHub Actions vb.) bir ad\u0131m olarak ekleyin. Bu ad\u0131m, kod her birle\u015ftirildi\u011finde veya belirli bir zaman \u00e7izelgesine g\u00f6re otomatik olarak \u00e7al\u0131\u015ft\u0131r\u0131lacakt\u0131r. Beti\u011fin \u00e7\u0131k\u0131\u015f koduna (exit(1)<\/code> veya exit(0)<\/code>) g\u00f6re CI pipeline’\u0131 ba\u015far\u0131l\u0131 veya ba\u015far\u0131s\u0131z olarak i\u015faretlenecektir.<\/p>\n\n\r\n# \u00d6rnek GitLab CI (.gitlab-ci.yml) yap\u0131land\u0131rmas\u0131\r\nstages:\r\n - test\r\n\r\nnpu_performance_test:\r\n stage: test\r\n script:\r\n - python3 npu_performance_test.py\r\n tags:\r\n - android-physical-device # Fiziksel cihaza ba\u011fl\u0131 bir runner kullan\u0131n\r\n allow_failure: false # Test ba\u015far\u0131s\u0131z olursa pipeline'\u0131 durdur\r\n <\/code><\/pre>\n<\/p><\/div>\nBu yap\u0131land\u0131rma, npu_performance_test.py<\/code> beti\u011finin her CI \u00e7al\u0131\u015ft\u0131rmas\u0131nda fiziksel bir Android cihaz \u00fczerinde tetiklenmesini sa\u011flar. Betik, NPU geri d\u00f6n\u00fc\u015f\u00fc tespit ederse veya performans e\u015fik de\u011ferleri a\u015f\u0131l\u0131rsa, CI pipeline’\u0131 ba\u015far\u0131s\u0131z olur ve geli\u015ftiricilere bu kritik sorunu d\u00fczeltmeleri i\u00e7in bildirim g\u00f6nderilir.<\/p>\nUygulama i\u00e7i \u00f6l\u00e7\u00fcmler i\u00e7in, AI modelinizin ba\u015flang\u0131\u00e7 ve biti\u015f zamanlar\u0131n\u0131 Android logcat’e veya Firebase Performance Monitoring gibi bir araca kaydetmek daha g\u00fcvenilir sonu\u00e7lar verecektir. Bu sayede, adb logcat<\/code> komutuyla bu s\u00fcreleri \u00e7ekip beti\u011finizde kullanabilirsiniz. Unutmay\u0131n ki bu yakla\u015f\u0131m, \u00f6zellikle farkl\u0131 cihazlarda ve farkl\u0131 yaz\u0131l\u0131m s\u00fcr\u00fcmlerinde s\u00fcrekli test ve kalibrasyon gerektirecektir. Ancak bu sayede, sessiz NPU geri d\u00f6n\u00fc\u015flerinin g\u00f6zden ka\u00e7mas\u0131n\u0131 engelleyerek, mobil AI uygulamalar\u0131n\u0131z\u0131n her zaman en y\u00fcksek performansta \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayabilirsiniz.<\/p>\nDaha Sa\u011flam NPU Performans Testleri \u0130\u00e7in \u0130leri D\u00fczey \u0130pu\u00e7lar\u0131 ve En \u0130yi Uygulamalar<\/h3>\n
CI ortam\u0131nda sessiz NPU geri d\u00f6n\u00fc\u015flerini yakalamak, ba\u015flang\u0131\u00e7ta karma\u015f\u0131k gibi g\u00f6r\u00fcnse de, baz\u0131 ileri d\u00fczey ipu\u00e7lar\u0131 ve en iyi uygulamalarla bu s\u00fcreci daha sa\u011flam ve g\u00fcvenilir hale getirebilirsiniz. Bu yakla\u015f\u0131mlar, sadece sorunlar\u0131 tespit etmekle kalmayacak, ayn\u0131 zamanda mobil AI modelinizin performans\u0131n\u0131 s\u00fcrekli olarak optimize etmenize de yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n
1. \u00c7oklu Cihaz Test Matrisi Olu\u015fturun<\/h4>\n
Snapdragon yonga setleri aras\u0131nda NPU mimarileri ve yetenekleri farkl\u0131l\u0131k g\u00f6sterebilir. Bu nedenle, CI ortam\u0131n\u0131zda tek bir cihazla s\u0131n\u0131rl\u0131 kalmak yerine, farkl\u0131 segmentlerden ve nesillerden (\u00f6rne\u011fin, Snapdragon 8 Gen 2, 7 Gen 1, 6xx serisi) olu\u015fan bir cihaz matrisi kurmak \u00f6nemlidir. Bu sayede, modelinizin farkl\u0131 donan\u0131m konfig\u00fcrasyonlar\u0131nda nas\u0131l davrand\u0131\u011f\u0131n\u0131 anlayabilir ve belirli bir cihazda ortaya \u00e7\u0131kan geri d\u00f6n\u00fc\u015fleri yakalayabilirsiniz. Her cihaz i\u00e7in ayr\u0131 performans e\u015fikleri belirlemek veya genel bir “en k\u00f6t\u00fc durum” senaryosu i\u00e7in e\u015fik belirlemek faydal\u0131 olacakt\u0131r.<\/p>\n
2. Regresyon Testleri \u0130\u00e7in Ge\u00e7mi\u015f Performans Verilerini Kaydedin<\/h4>\n
Her CI \u00e7al\u0131\u015ft\u0131rmas\u0131nda elde etti\u011finiz performans metriklerini (gecikme s\u00fcresi, CPU kullan\u0131m\u0131, NPU kullan\u0131m loglar\u0131) bir veritaban\u0131nda veya bir depolama hizmetinde saklay\u0131n. Bu ge\u00e7mi\u015f veriler, kod de\u011fi\u015fikliklerinin NPU performans\u0131n\u0131 nas\u0131l etkiledi\u011fini anlamak i\u00e7in paha bi\u00e7ilmez bir kaynak olacakt\u0131r. Yeni bir kod de\u011fi\u015fikli\u011fi, \u00f6nceki s\u00fcr\u00fcmlere g\u00f6re performans d\u00fc\u015f\u00fc\u015f\u00fcne (regresyon) neden olursa, otomatik olarak bir uyar\u0131 olu\u015fturulabilir. Bu, ayn\u0131 zamanda zaman i\u00e7indeki performans e\u011filimlerini izlemenize ve potansiyel sorunlar\u0131 daha ortaya \u00e7\u0131kmadan tahmin etmenize olanak tan\u0131r.<\/p>\n
3. A\/B Testleri ile Model\/SDK Versiyonlar\u0131n\u0131 Kar\u015f\u0131la\u015ft\u0131r\u0131n<\/h4>\n
Yeni bir AI model versiyonu veya Qualcomm AI Engine Direct SDK g\u00fcncellemesi yay\u0131nland\u0131\u011f\u0131nda, eski versiyonla A\/B testleri yaparak performans farklar\u0131n\u0131 \u00f6l\u00e7\u00fcn. Bu, yeni versiyonun NPU kullan\u0131m\u0131n\u0131 iyile\u015ftirip iyile\u015ftirmedi\u011fini veya beklenmedik bir geri d\u00f6n\u00fc\u015fe neden olup olmad\u0131\u011f\u0131n\u0131 h\u0131zl\u0131 bir \u015fekilde belirlemenizi sa\u011flar. Bu t\u00fcr kar\u015f\u0131la\u015ft\u0131rmal\u0131 testler, s\u00fcr\u00fcm y\u00fckseltmelerinin risklerini azalt\u0131r ve performans kazan\u0131mlar\u0131n\u0131 do\u011frular.<\/p>\n
4. Otomatik Raporlama ve Bildirim Sistemleri Kurun<\/h4>\n
CI testlerinizde bir NPU geri d\u00f6n\u00fc\u015f\u00fc veya performans d\u00fc\u015f\u00fc\u015f\u00fc tespit edildi\u011finde, ilgili geli\u015ftiricilere veya ekiplere otomatik olarak bildirim g\u00f6nderilmesi \u00e7ok \u00f6nemlidir. Slack, E-posta veya proje y\u00f6netim ara\u00e7lar\u0131na (Jira gibi) entegre bildirimler, sorunlar\u0131n h\u0131zl\u0131 bir \u015fekilde fark edilmesini ve \u00e7\u00f6z\u00fclmesini sa\u011flar. Raporlar, hangi modelin, hangi cihazda ve hangi performans e\u015fi\u011fini a\u015ft\u0131\u011f\u0131n\u0131 a\u00e7\u0131k\u00e7a belirtmelidir.<\/p>\n
5. Model Optimizasyonuna Yat\u0131r\u0131m Yap\u0131n<\/h4>\n
Sessiz geri d\u00f6n\u00fc\u015fleri \u00f6nlemenin en iyi yolu, modellerinizi NPU’da \u00e7al\u0131\u015fmak \u00fczere optimize etmektir. Bu, nicemleme (quantization – \u00f6zellikle INT8), model budama (pruning) ve NPU’ya \u00f6zel operat\u00f6rlerin kullan\u0131m\u0131 gibi teknikleri i\u00e7erir. Geli\u015ftirme s\u00fcrecinin ba\u015flar\u0131nda bu optimizasyonlara odaklanmak, sonradan ortaya \u00e7\u0131kabilecek geri d\u00f6n\u00fc\u015f sorunlar\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltacakt\u0131r. Qualcomm’un kendi ara\u00e7lar\u0131 ve k\u0131lavuzlar\u0131, bu optimizasyonlar i\u00e7in de\u011ferli kaynaklar sunar.<\/p>\n
6. Anormal Durumlar\u0131 \u0130zlemek i\u00e7in Anomali Tespitini Kullan\u0131n<\/h4>\n
Geli\u015fmi\u015f senaryolarda, NPU performans metriklerindeki anormal sapmalar\u0131 tespit etmek i\u00e7in anomali tespit algoritmalar\u0131 kullanabilirsiniz. Bir modelin ortalama \u00e7al\u0131\u015fma s\u00fcresi veya CPU kullan\u0131m\u0131 aniden belirli bir standart sapman\u0131n \u00fczerine \u00e7\u0131karsa, bu bir geri d\u00f6n\u00fc\u015f\u00fcn veya ba\u015fka bir performans sorununun i\u015fareti olabilir. Bu, \u00f6zellikle karma\u015f\u0131k sistemlerde manuel e\u015fik de\u011ferlerinin yetersiz kald\u0131\u011f\u0131 durumlarda faydal\u0131d\u0131r.<\/p>\n
Bu ileri d\u00fczey ipu\u00e7lar\u0131n\u0131 ve en iyi uygulamalar\u0131 benimseyerek, CI pipeline’\u0131n\u0131z\u0131 sadece bir hata yakalama arac\u0131 olmaktan \u00e7\u0131kar\u0131p, mobil AI uygulamalar\u0131n\u0131z\u0131n s\u00fcrekli performans optimizasyonu ve kalitesini garanti eden g\u00fc\u00e7l\u00fc bir g\u00fcvence mekanizmas\u0131na d\u00f6n\u00fc\u015ft\u00fcrebilirsiniz. Bu proaktif yakla\u015f\u0131m, hem geli\u015ftirme verimlili\u011fini art\u0131racak hem de son kullan\u0131c\u0131ya sunulan \u00fcr\u00fcn\u00fcn kalitesini y\u00fckseltecektir.<\/p>\n
Sonu\u00e7<\/h3>\n
Mobil yapay zeka uygulamalar\u0131n\u0131n ba\u015far\u0131s\u0131, sadece modellerin do\u011frulu\u011funa de\u011fil, ayn\u0131 zamanda cihaz \u00fczerindeki performans\u0131na da ba\u011fl\u0131d\u0131r. Snapdragon NPU’lar\u0131, bu performans\u0131 sa\u011flamak i\u00e7in kritik bir rol oynar, ancak “sessiz NPU geri d\u00f6n\u00fc\u015fleri” gibi gizli sorunlar, beklenen performans\u0131 ciddi \u015fekilde sekteye u\u011fratabilir. Geleneksel de\u011ferlendirme setleri bu t\u00fcr sorunlar\u0131 genellikle g\u00f6zden ka\u00e7\u0131r\u0131rken, s\u00fcrekli entegrasyon (CI) ortamlar\u0131nda proaktif performans testleri yapmak, bu geri d\u00f6n\u00fc\u015fleri hen\u00fcz kullan\u0131c\u0131lara ula\u015fmadan tespit etmenin ve d\u00fczeltmenin anahtar\u0131d\u0131r.<\/p>\n
Bu makalede ele ald\u0131\u011f\u0131m\u0131z gibi, NPU’nun temelini anlamak, geri d\u00f6n\u00fc\u015flerin nedenlerini kavramak ve ard\u0131ndan logcat izleme, performans \u00f6l\u00e7\u00fcmleri ve \u00f6zel test senaryolar\u0131 gibi teknikleri CI pipeline’\u0131n\u0131za entegre etmek, mobil AI geli\u015ftiricileri i\u00e7in vazge\u00e7ilmez bir ad\u0131md\u0131r. Uygulamal\u0131 kod \u00f6rnekleri ve ileri d\u00fczey ipu\u00e7lar\u0131 ile bu s\u00fcreci nas\u0131l otomatikle\u015ftirebilece\u011finizi g\u00f6sterdik. Unutmay\u0131n, sadece do\u011fru sonu\u00e7lar veren bir model de\u011fil, ayn\u0131 zamanda bu sonu\u00e7lar\u0131 verimli ve beklenen donan\u0131m \u00fczerinde \u00fcreten bir model, ger\u00e7ek d\u00fcnya ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir. Mobil AI uygulamalar\u0131n\u0131z\u0131n her zaman en iyi performans\u0131 sunmas\u0131n\u0131 sa\u011flamak i\u00e7in NPU performans testlerini CI k\u00fclt\u00fcr\u00fcn\u00fcz\u00fcn ayr\u0131lmaz bir par\u00e7as\u0131 haline getirin.<\/p>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n1. NPU geri d\u00f6n\u00fc\u015f\u00fc her zaman k\u00f6t\u00fc bir \u015fey midir?<\/h4>\n
Genellikle evet. NPU geri d\u00f6n\u00fc\u015f\u00fc, modelinizin beklenen h\u0131zland\u0131rmay\u0131 alamad\u0131\u011f\u0131 anlam\u0131na gelir ve bu da uygulaman\u0131z\u0131n performans\u0131nda, enerji t\u00fcketiminde ve pil \u00f6mr\u00fcnde olumsuz etkiler yarat\u0131r. Baz\u0131 durumlarda, NPU’nun desteklemedi\u011fi k\u00fc\u00e7\u00fck bir operat\u00f6r\u00fcn CPU’ya d\u00fc\u015fmesi \u00f6nemsiz olabilir, ancak modelin b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131n CPU’ya d\u00fc\u015fmesi ciddi bir sorundur.<\/p>\n
2. T\u00fcm AI modelleri NPU’da \u00e7al\u0131\u015fabilir mi?<\/h4>\n
Hay\u0131r, t\u00fcm AI modelleri NPU’da \u00e7al\u0131\u015fmaz. NPU’lar belirli operat\u00f6r setlerini ve model mimarilerini desteklemek \u00fczere optimize edilmi\u015ftir. Modelinizde NPU taraf\u0131ndan desteklenmeyen \u00f6zel katmanlar veya i\u015flemler varsa, bu k\u0131s\u0131mlar NPU’ya atanamaz veya modelin tamam\u0131 CPU’ya d\u00fc\u015febilir. Modelin NPU uyumlulu\u011funu art\u0131rmak i\u00e7in nicemleme (quantization) ve model budama (pruning) gibi optimizasyon teknikleri kullan\u0131labilir.<\/p>\n
3. Snapdragon Profiler’\u0131 CI’da otomatik olarak kullanabilir miyim?<\/h4>\n
Snapdragon Profiler, genellikle manuel analiz ve hata ay\u0131klama i\u00e7in tasarlanm\u0131\u015f bir GUI arac\u0131d\u0131r. CI ortam\u0131nda do\u011frudan otomatik olarak kullan\u0131lmas\u0131 zordur. Ancak, Profiler’dan elde etti\u011finiz referans performans verilerini (\u00f6rne\u011fin, belirli bir i\u015flemin NPU’da ne kadar s\u00fcrmesi gerekti\u011fi) CI testlerinizdeki e\u015fik de\u011ferleri belirlemek i\u00e7in kullanabilirsiniz. CI’da daha \u00e7ok adb<\/code> komutlar\u0131, logcat analizi ve uygulama i\u00e7i performans metrikleri tercih edilir.<\/p>\n4. Hangi Snapdragon \u00e7iplerinde NPU bulunur?<\/h4>\n
Qualcomm, Snapdragon 8 serisi (\u00f6rne\u011fin 8 Gen 1, 8 Gen 2, 888, 865), 7 serisi (\u00f6rne\u011fin 7 Gen 1, 780G) ve hatta baz\u0131 6 serisi (\u00f6rne\u011fin 695) gibi orta ve \u00fcst d\u00fczey yonga setlerinde NPU (genellikle “AI Engine” olarak adland\u0131r\u0131lan Hexagon DSP ve di\u011fer bile\u015fenleri i\u00e7erir) yetenekleri sunmaktad\u0131r. Ancak, NPU’nun performans\u0131 ve \u00f6zellikleri yonga setinden yonga setine b\u00fcy\u00fck \u00f6l\u00e7\u00fcde de\u011fi\u015fir.<\/p>\n
5. NPU geri d\u00f6n\u00fc\u015f\u00fcn\u00fc \u00f6nlemek i\u00e7in ne yapmal\u0131y\u0131m?<\/h4>\n
NPU geri d\u00f6n\u00fc\u015f\u00fcn\u00fc \u00f6nlemek i\u00e7in \u015funlar\u0131 yapabilirsiniz: modelinizi NPU’ya \u00f6zel olarak nicemleyin (\u00f6rne\u011fin INT8), modelinizdeki desteklenmeyen operat\u00f6rleri NPU dostu alternatiflerle de\u011fi\u015ftirin, en g\u00fcncel Qualcomm AI Engine Direct SDK’s\u0131n\u0131 kullan\u0131n, modelinizin bellek ve kaynak t\u00fcketimini optimize edin ve modelinizi farkl\u0131 Snapdragon cihazlar\u0131nda d\u00fczenli olarak test edin.<\/p>\n
#Snapdragon #NPU #YapayZeka #CI #PerformansTesti #MobilYapayZeka #Derin\u00d6\u011frenme<\/p>\n