انتقل إلى المحتوى

Export to TF.js Model Format From a YOLO11 Model Format

Deploying machine learning models directly in the browser or on Node.js can be tricky. You'll need to make sure your model format is optimized for faster performance so that the model can be used to run interactive applications locally on the user's device. The TensorFlow.js, or TF.js, model format is designed to use minimal power while delivering fast performance.

The 'export to TF.js model format' feature allows you to optimize your Ultralytics YOLO11 models for high-speed and locally-run object detection inference. In this guide, we'll walk you through converting your models to the TF.js format, making it easier for your models to perform well on various local browsers and Node.js applications.

لماذا يجب عليك التصدير إلى TF.شبيبه؟

تصدير نماذج التعلم الآلي إلى TensorFlow.js ، التي وضعتها TensorFlow فريق كجزء من الأوسع TensorFlow النظام البيئي ، يوفر العديد من المزايا لنشر تطبيقات التعلم الآلي. يساعد على تعزيز خصوصية المستخدم وأمانه من خلال الاحتفاظ بالبيانات الحساسة على الجهاز. توضح الصورة أدناه TensorFlow.js البنية ، وكيفية تحويل نماذج التعلم الآلي ونشرها على كل من متصفحات الويب Node.js.

TFالعمارة .js

Running models locally also reduces latency and provides a more responsive user experience. TensorFlow.js also comes with offline capabilities, allowing users to use your application even without an internet connection. TF.js is designed for efficient execution of complex models on devices with limited resources as it is engineered for scalability, with GPU acceleration support.

الميزات الرئيسية ل TF.شبيبه

فيما يلي الميزات الرئيسية التي تجعل TF.js أداة قوية للمطورين:

  • دعم عبر منصة: TensorFlowيمكن استخدام .js في كل من بيئات المستعرض والبيئات Node.js ، مما يوفر المرونة في النشر عبر الأنظمة الأساسية المختلفة. يتيح للمطورين إنشاء التطبيقات ونشرها بسهولة أكبر.

  • دعم خلفيات متعددة: يدعم TensorFlow.js خلفيات متنوعة للحوسبة بما في ذلك CPU و WebGL لتسريع GPU و WebAssembly (WASM) لسرعة تنفيذ شبه أصلية و WebGPU لقدرات التعلم الآلي المتقدمة القائمة على المتصفح.

  • قدرات غير متصل بالإنترنت: مع TensorFlow.js ، يمكن تشغيل النماذج في المتصفح دون الحاجة إلى اتصال بالإنترنت ، مما يجعل من الممكن تطوير التطبيقات التي تعمل في وضع عدم الاتصال.

خيارات النشر مع TensorFlow.شبيبه

Before we dive into the process of exporting YOLO11 models to the TF.js format, let's explore some typical deployment scenarios where this format is used.

TFيوفر .js مجموعة من الخيارات لنشر نماذج التعلم الآلي الخاصة بك:

  • تطبيقات التعلم الآلي في المتصفح: يمكنك إنشاء تطبيقات الويب التي تقوم بتشغيل نماذج التعلم الآلي مباشرة في المستعرض. يتم التخلص من الحاجة إلى الحساب من جانب الخادم ويتم تقليل حمل الخادم.

  • تطبيقات Node.js:: TensorFlow يدعم .js أيضًا النشر في بيئات Node.js، مما يتيح تطوير تطبيقات التعلم الآلي من جانب الخادم. وهو مفيد بشكل خاص للتطبيقات التي تتطلب قوة معالجة الخادم أو الوصول إلى البيانات من جانب الخادم.

  • ملحقات كروم: أحد سيناريوهات النشر المثيرة للاهتمام هو إنشاء ملحقات كروم باستخدام TensorFlow.js. على سبيل المثال، يمكنك تطوير ملحق يسمح للمستخدمين بالنقر بزر الماوس الأيمن على صورة داخل أي صفحة ويب لتصنيفها باستخدام نموذج تعلّم الآلة المدرّب مسبقًا. TensorFlow.js يمكن دمجها في تجارب تصفح الويب اليومية لتوفير رؤى فورية أو تعزيزات فورية استنادًا إلى التعلم الآلي.

Exporting YOLO11 Models to TensorFlow.js

You can expand model compatibility and deployment flexibility by converting YOLO11 models to TF.js.

تركيب

لتثبيت الحزمة المطلوبة ، قم بتشغيل:

تركيب

# Install the required package for YOLO11
pip install ultralytics

For detailed instructions and best practices related to the installation process, check our Ultralytics Installation guide. While installing the required packages for YOLO11, if you encounter any difficulties, consult our Common Issues guide for solutions and tips.

استخدام

Before diving into the usage instructions, it's important to note that while all Ultralytics YOLO11 models are available for exporting, you can ensure that the model you select supports export functionality here.

استخدام

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة Ultralytics صفحة الوثائق حول خيارات النشر.

Deploying Exported YOLO11 TensorFlow.js Models

Now that you have exported your YOLO11 model to the TF.js format, the next step is to deploy it. The primary and recommended first step for running a TF.js is to use the YOLO("./yolo11n_web_model") method, as previously shown in the usage code snippet.

ومع ذلك ، للحصول على إرشادات متعمقة حول نشر TF.js النماذج ، ألق نظرة على الموارد التالية:

ملخص

In this guide, we learned how to export Ultralytics YOLO11 models to the TensorFlow.js format. By exporting to TF.js, you gain the flexibility to optimize, deploy, and scale your YOLO11 models on a wide range of platforms.

لمزيد من التفاصيل حول الاستخدام ، قم بزيارة TensorFlow.js الوثائق الرسمية.

For more information on integrating Ultralytics YOLO11 with other platforms and frameworks, don't forget to check out our integration guide page. It's packed with great resources to help you make the most of YOLO11 in your projects.

الأسئلة المتداولة

How do I export Ultralytics YOLO11 models to TensorFlow.js format?

Exporting Ultralytics YOLO11 models to TensorFlow.js (TF.js) format is straightforward. You can follow these steps:

استخدام

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة Ultralytics صفحة الوثائق حول خيارات النشر.

Why should I export my YOLO11 models to TensorFlow.js?

Exporting YOLO11 models to TensorFlow.js offers several advantages, including:

  1. التنفيذ المحلي: يمكن تشغيل النماذج مباشرةً في المتصفح أو Node.js، مما يقلل من زمن الاستجابة ويعزز تجربة المستخدم.
  2. الدعم عبر المنصات: TF.js يدعم بيئات متعددة، مما يتيح المرونة في النشر.
  3. قدرات عدم الاتصال بالإنترنت: تمكين التطبيقات من العمل بدون اتصال بالإنترنت، مما يضمن الموثوقية والخصوصية.
  4. GPU التسريع: يستفيد من WebGL لتسريع GPU ، وتحسين الأداء على الأجهزة ذات الموارد المحدودة.

للحصول على نظرة عامة شاملة، راجع عمليات التكامل مع TensorFlow.js.

كيف يفيد TensorFlow.js تطبيقات التعلم الآلي المستندة إلى المتصفح؟

TensorFlow.js مصمم خصيصًا لتنفيذ نماذج التعلم الآلي بكفاءة في المتصفحات وبيئات Node.js. إليك كيفية الاستفادة من التطبيقات المستندة إلى المتصفح:

  • يقلل من زمن الاستجابة: تشغيل نماذج التعلم الآلي محلياً، مما يوفر نتائج فورية دون الاعتماد على العمليات الحسابية من جانب الخادم.
  • يحسّن الخصوصية: يحتفظ بالبيانات الحساسة على جهاز المستخدم، مما يقلل من المخاطر الأمنية.
  • تمكين الاستخدام دون اتصال بالإنترنت: يمكن للنماذج أن تعمل بدون اتصال بالإنترنت، مما يضمن اتساق الأداء الوظيفي.
  • يدعم خلفيات متعددة: يوفر مرونة مع خلفيات خلفية مثل CPU و WebGL و WebAssembly (WASM) و WebGPU لتلبية الاحتياجات الحسابية المختلفة.

هل أنت مهتم بمعرفة المزيد عن TF.js؟ اطلع على دليل TensorFlow.js الرسمي.

What are the key features of TensorFlow.js for deploying YOLO11 models?

تتضمن الميزات الرئيسية لـ TensorFlow.js ما يلي:

  • الدعم متعدد المنصات: يمكن استخدام TF.js في كل من متصفحات الويب و Node.js، مما يوفر مرونة واسعة في النشر.
  • خلفيات متعددة: يدعم CPU و WebGL لتسريع GPU و WebAssembly (WASM) و WebGPU للعمليات المتقدمة.
  • قدرات غير متصلة بالإنترنت: يمكن تشغيل النماذج مباشرة في المتصفح دون اتصال بالإنترنت، مما يجعلها مثالية لتطوير تطبيقات الويب سريعة الاستجابة.

للاطلاع على سيناريوهات النشر والمزيد من المعلومات المتعمقة، راجع القسم الخاص بخيارات النشر مع TensorFlow.js.

Can I deploy a YOLO11 model on server-side Node.js applications using TensorFlow.js?

Yes, TensorFlow.js allows the deployment of YOLO11 models on Node.js environments. This enables server-side machine learning applications that benefit from the processing power of a server and access to server-side data. Typical use cases include real-time data processing and machine learning pipelines on backend servers.

للبدء في نشر Node.js، راجع دليل تشغيل TensorFlow.js في Node.js من TensorFlow.

📅 Created 7 months ago ✏️ Updated 1 month ago

التعليقات