Verständnis YOLOv8Die Bereitstellungsoptionen von

Einführung

Sie haben auf Ihrer Reise mit YOLOv8. Sie haben fleißig Daten gesammelt, akribisch kommentiert und Stunden investiert, um Ihre benutzerdefinierten Daten zu trainieren und rigoros zu bewerten YOLOv8 Modell. Jetzt ist es an der Zeit, Ihr Modell für Ihre spezifische Anwendung, Ihren Anwendungsfall oder Ihr Projekt einzusetzen. Aber es gibt eine wichtige Entscheidung, die vor Ihnen steht: Wie Sie Ihr Modell effektiv exportieren und bereitstellen können.

Dieser Leitfaden führt Sie durch YOLOv8und die wesentlichen Faktoren, die bei der Auswahl der richtigen Option für Ihr Projekt zu berücksichtigen sind.

So wählst du die richtige Bereitstellungsoption für dein YOLOv8 Modell

Wenn es an der Zeit ist, dein YOLOv8 Modell einzusetzen, ist die Wahl eines geeigneten Exportformats sehr wichtig. Wie in der DokumentationUltralytics YOLOv8 Modes beschrieben, kannst du mit der Funktion model.export() dein trainiertes Modell in eine Vielzahl von Formaten konvertieren, die auf unterschiedliche Umgebungen und Leistungsanforderungen zugeschnitten sind.

Welches Format am besten geeignet ist, hängt vom Einsatzbereich deines Modells ab, wobei Geschwindigkeit, Hardwarebeschränkungen und einfache Integration berücksichtigt werden müssen. Im folgenden Abschnitt sehen wir uns die einzelnen Exportoptionen genauer an und erklären, wann du dich für eine davon entscheiden solltest.

YOLOv8Die Bereitstellungsoptionen von

Schauen wir uns die verschiedenen YOLOv8 Einsatzmöglichkeiten an. Einen detaillierten Überblick über den Exportprozess findest du auf der Ultralytics Dokumentationsseite zum Exportieren.

PyTorch

PyTorch ist eine Open-Source-Bibliothek für maschinelles Lernen, die häufig für Anwendungen im Bereich Deep Learning und künstliche Intelligenz verwendet wird. Sie bietet ein hohes Maß an Flexibilität und Geschwindigkeit, was sie zu einem Favoriten unter Forschern und Entwicklern gemacht hat.

• Leistungsbenchmarks: PyTorch ist für seine Benutzerfreundlichkeit und Flexibilität bekannt, was im Vergleich zu anderen, spezialisierteren und optimierten Frameworks zu einem leichten Leistungsabfall führen kann.

• Kompatibilität und Integration: Bietet hervorragende Kompatibilität mit verschiedenen Data Science- und Machine Learning-Bibliotheken in Python.

• Community Support und Ökosystem: Eine der lebendigsten Communities mit umfangreichen Ressourcen zum Lernen und zur Fehlerbehebung.

• Fallstudien: In vielen akademischen Arbeiten wird auf Modelle verwiesen, die in PyTorch eingesetzt werden.

• Wartung und Updates: Regelmäßige Updates mit aktiver Entwicklung und Unterstützung für neue Funktionen.

• Sicherheitsaspekte: Regelmäßige Patches für Sicherheitsprobleme, aber die Sicherheit hängt weitgehend von der Gesamtumgebung ab, in der es eingesetzt wird.

• Hardware-Beschleunigung: Unterstützt CUDA für die GPU Beschleunigung, die für die Beschleunigung des Modelltrainings und der Inferenz unerlässlich ist.

TorchScript

TorchScript Erweitert PyTorch, indem der Export von Modellen in einer C++-Laufzeitumgebung ausgeführt werden kann. Dadurch eignet es sich für Produktionsumgebungen, in denen Python ist nicht verfügbar.

• Leistungsvergleiche: Kann eine bessere Leistung als die native PyTorch bieten, besonders in Produktionsumgebungen.

• Kompatibilität und Integration: Entwickelt für den nahtlosen Übergang von PyTorch zu C++-Produktionsumgebungen, auch wenn einige fortgeschrittene Funktionen möglicherweise nicht perfekt übertragen werden können.

• Community-Unterstützung und Ökosystem: Profitiert von der großen Community von PyTorch, hat aber einen engeren Kreis von spezialisierten Entwicklern.

• Fallstudien: Weit verbreitet in der Industrie, wo der Leistungs-Overhead von Python einen Engpass darstellt.

• Wartung und Updates: Wird zusammen mit PyTorch gewartet und regelmäßig aktualisiert.

• Sicherheitsaspekte: Bietet mehr Sicherheit, indem es den Betrieb von Modellen in Umgebungen ohne vollständige Python Installationen ermöglicht.

• Hardware-Beschleunigung: Vererbt die Unterstützung von PyTorch CUDA und sorgt so für eine effiziente Nutzung von GPU .

ONNX

Das Open Neural Network Exchange (ONNX) ist ein Format, das die Interoperabilität von Modellen zwischen verschiedenen Frameworks ermöglicht, was bei der Bereitstellung auf verschiedenen Plattformen entscheidend sein kann.

• Leistungsbenchmarks: Die Leistung der ONNX Modelle kann je nach Laufzeit variieren.

• Kompatibilität und Integration: Hohe Interoperabilität über mehrere Plattformen und Hardware hinweg aufgrund seiner Framework-agnostischen Natur.

• Gemeinschaftliche Unterstützung und Ökosystem: Unterstützt von vielen Organisationen, was zu einem breiten Ökosystem und einer Vielzahl von Tools zur Optimierung führt.

• Fallstudien: Wird häufig verwendet, um Modelle zwischen verschiedenen Machine-Learning-Frameworks zu verschieben und so seine Flexibilität zu demonstrieren.

• Wartung und Updates: Da es sich um einen offenen Standard handelt, wird ONNX regelmäßig aktualisiert, um neue Vorgänge und Modelle zu unterstützen.

• Sicherheitsaspekte: Wie bei jedem plattformübergreifenden Tool ist es wichtig, bei der Konvertierung und Bereitstellung sichere Verfahren zu gewährleisten.

• Hardware-Beschleunigung: Mit ONNX Runtime können die Modelle verschiedene Hardware-Optimierungen nutzen.

OpenVINO

OpenVINO ist ein Intel Toolkit, das den Einsatz von Deep-Learning-Modellen auf Intel Hardware erleichtert und die Leistung und Geschwindigkeit erhöht.

• Leistungsbenchmarks: Speziell optimiert für Intel CPUs, GPUs und VPUs, die auf kompatibler Hardware erhebliche Leistungssteigerungen bieten.

• Kompatibilität und Integration: Funktioniert am besten innerhalb des Intel Ökosystems, unterstützt aber auch eine Reihe von anderen Plattformen.

• Community-Unterstützung und Ökosystem: Unterstützt von Intel, mit einer soliden Nutzerbasis, vor allem im Bereich der Computer Vision.

• Fallstudien: Wird oft in IoT- und Edge-Computing-Szenarien eingesetzt, in denen die Intel Hardware weit verbreitet ist.

• Wartung und Updates: Intel aktualisiert OpenVINO regelmäßig, um die neuesten Deep-Learning-Modelle und Intel Hardware zu unterstützen.

• Sicherheitsaspekte: Bietet robuste Sicherheitsfunktionen für den Einsatz in sensiblen Anwendungen.

• Hardware-Beschleunigung: Maßgeschneidert für die Beschleunigung auf Intel Hardware, die spezielle Befehlssätze und Hardwarefunktionen nutzt.

Weitere Einzelheiten zur Bereitstellung mit OpenVINO findest du in der Dokumentation Ultralytics Integration: Intel OpenVINO Exportieren.

TensorRT

TensorRT ist ein leistungsstarker Deep-Learning-Optimierer und eine Laufzeitumgebung von NVIDIA, die sich ideal für Anwendungen eignet, bei denen Geschwindigkeit und Effizienz gefragt sind.

• Leistungsbenchmarks: Liefert Spitzenleistung auf NVIDIA GPUs mit Unterstützung für Hochgeschwindigkeitsinferenzen.

• Kompatibilität und Integration: Am besten geeignet für NVIDIA Hardware, mit begrenzter Unterstützung außerhalb dieser Umgebung.

• Community-Unterstützung und Ökosystem: Ein starkes Unterstützungsnetzwerk durch die Entwicklerforen und die Dokumentation von NVIDIA.

• Fallstudien: Weit verbreitet in Branchen, die Echtzeit-Inferenzen aus Video- und Bilddaten benötigen.

• Wartung und Updates: NVIDIA pflegt TensorRT mit regelmäßigen Updates, um die Leistung zu verbessern und neue GPU Architekturen zu unterstützen.

• Sicherheitsaspekte: Wie bei vielen anderen Produkten von NVIDIA liegt auch hier der Schwerpunkt auf der Sicherheit, aber die Einzelheiten hängen von der Einsatzumgebung ab.

• Hardware-Beschleunigung: Exklusiv für NVIDIA GPUs entwickelt, die eine tiefgreifende Optimierung und Beschleunigung bieten.

CoreML

CoreML ist Apples Framework für maschinelles Lernen, das für die Leistung auf den Geräten im Apple-Ökosystem optimiert ist, einschließlich iOS, macOS, watchOS und tvOS.

• Leistungsbenchmarks: Optimiert für On-Device-Leistung auf Apple-Hardware bei minimalem Batterieverbrauch.

• Kompatibilität und Integration: Exklusiv für das Apple-Ökosystem, das einen optimierten Workflow für iOS und macOS-Anwendungen bietet.

• Community-Unterstützung und Ökosystem: Starke Unterstützung durch Apple und eine engagierte Entwicklergemeinschaft mit umfangreicher Dokumentation und Tools.

• Fallstudien: Wird häufig in Anwendungen verwendet, die maschinelle Lernfunktionen auf Apple-Produkten erfordern.

• Wartung und Updates: Regelmäßig von Apple aktualisiert, um die neuesten Entwicklungen im Bereich des maschinellen Lernens und der Apple Hardware zu unterstützen.

• Sicherheitsaspekte: Du profitierst von Apples Fokus auf den Datenschutz und die Datensicherheit.

• Hardware-Beschleunigung: Nutzt die Vorteile der neuronalen Engine von Apple und GPU für beschleunigte maschinelle Lernaufgaben.

TF SavedModel

TF SavedModel ist TensorFlow-Format zum Speichern und Bereitstellen von Machine-Learning-Modellen, das sich besonders für skalierbare Serverumgebungen eignet.

• Leistungsvergleiche: Bietet skalierbare Leistung in Serverumgebungen, insbesondere in Verbindung mit TensorFlow Serving.

• Kompatibilität und Integration: Umfassende Kompatibilität im gesamten Ökosystem von TensorFlow, einschließlich Cloud- und Enterprise-Server-Implementierungen.

• Community-Unterstützung und Ökosystem: Große Unterstützung durch die Community aufgrund der Popularität von TensorFlow, mit einer Vielzahl von Tools für den Einsatz und die Optimierung.

• Fallstudien: Wird häufig in Produktionsumgebungen eingesetzt, um Deep-Learning-Modelle in großem Umfang bereitzustellen.

• Wartung und Updates: Unterstützt von Google und der TensorFlow Community, um regelmäßige Updates und neue Funktionen zu gewährleisten.

• Sicherheitsaspekte: Der Einsatz von TensorFlow Serving umfasst robuste Sicherheitsfunktionen für Anwendungen auf Unternehmensebene.

• Hardware-Beschleunigung: Unterstützt verschiedene Hardware-Beschleunigungen durch die Backends von TensorFlow.

TF GraphDef

TF GraphDef ist ein TensorFlow Format, das das Modell als Graph darstellt, was für Umgebungen von Vorteil ist, in denen ein statischer Berechnungsgraph erforderlich ist.

• Leistungsbenchmarks: Bietet eine stabile Leistung für statische Berechnungsgraphen, wobei der Schwerpunkt auf Konsistenz und Zuverlässigkeit liegt.

• Kompatibilität und Integration: Lässt sich leicht in die Infrastruktur von TensorFlow integrieren, ist aber im Vergleich zu SavedModel weniger flexibel.

• Community-Unterstützung und Ökosystem: Gute Unterstützung durch das Ökosystem von TensorFlow mit vielen Ressourcen für die Optimierung von statischen Graphen.

• Fallstudien: Nützlich in Szenarien, in denen ein statischer Graph notwendig ist, wie z.B. in bestimmten eingebetteten Systemen.

• Wartung und Updates: Regelmäßige Updates zusammen mit den Kern-Updates von TensorFlow.

• Sicherheitserwägungen: Gewährleistet einen sicheren Einsatz mit den bewährten Sicherheitspraktiken von TensorFlow.

• Hardware-Beschleunigung: Kann die Hardware-Beschleunigungsoptionen von TensorFlow nutzen, ist aber nicht so flexibel wie SavedModel.

TF Lite

TF Lite ist TensorFlowDie Lösung für maschinelles Lernen auf mobilen und eingebetteten Geräten, die eine leichtgewichtige Bibliothek für Inferenz auf dem Gerät bietet.

• Performance Benchmarks: Entwickelt für Geschwindigkeit und Effizienz auf mobilen und eingebetteten Geräten.

• Kompatibilität und Integration: Aufgrund seines geringen Gewichts kann es auf einer Vielzahl von Geräten eingesetzt werden.

• Community-Unterstützung und Ökosystem: Unterstützt von Google gibt es eine stabile Community und eine wachsende Zahl von Ressourcen für Entwickler.

• Fallstudien: Beliebt bei mobilen Anwendungen, die Inferenzen auf dem Gerät bei minimalem Platzbedarf erfordern.

• Wartung und Updates: Regelmäßig aktualisiert, um die neuesten Funktionen und Optimierungen für mobile Geräte einzubeziehen.

• Sicherheitsaspekte: Bietet eine sichere Umgebung für die Ausführung von Modellen auf Endnutzergeräten.

• Hardware-Beschleunigung: Unterstützt eine Vielzahl von Hardware-Beschleunigungsoptionen, darunter GPU und DSP.

TF Kante TPU

TF Edge TPU wurde für schnelle, effiziente Berechnungen auf der Edge-Hardware Google TPU entwickelt und eignet sich perfekt für IoT-Geräte, die Echtzeitverarbeitung benötigen.

• Leistungsbenchmarks: Speziell optimiert für schnelles, effizientes Rechnen auf Google's Edge TPU Hardware.

• Kompatibilität und Integration: Funktioniert ausschließlich mit TensorFlow Lite Modellen auf Edge TPU Geräten.

• Community-Unterstützung und Ökosystem: Wachsende Unterstützung durch Ressourcen, die von Google und Drittentwicklern bereitgestellt werden.

• Fallstudien: Einsatz in IoT-Geräten und Anwendungen, die Echtzeitverarbeitung mit geringer Latenz erfordern.

• Wartung und Updates: Kontinuierliche Verbesserung, um die Fähigkeiten neuer Edge TPU Hardware-Releases zu nutzen.

• Sicherheitsaspekte: Integriert mit Google die robuste Sicherheit für IoT- und Edge-Geräte.

• Hardware-Beschleunigung: Speziell entwickelt, um die Vorteile der Google Coral-Geräte voll auszuschöpfen.

TF.js

TensorFlow.js (TF.js) ist eine Bibliothek, die maschinelles Lernen direkt in den Browser bringt und damit Webentwicklern und -nutzern neue Möglichkeiten eröffnet. Sie ermöglicht die Integration von maschinellen Lernmodellen in Webanwendungen, ohne dass eine Backend-Infrastruktur erforderlich ist.

• Leistungsvergleiche: Ermöglicht maschinelles Lernen direkt im Browser mit angemessener Leistung, je nach Client-Gerät.

• Kompatibilität und Integration: Hohe Kompatibilität mit Webtechnologien, die eine einfache Integration in Webanwendungen ermöglicht.

• Community-Unterstützung und Ökosystem: Unterstützung durch eine Community von Web- und Node.js-Entwicklern mit einer Vielzahl von Tools für den Einsatz von ML-Modellen in Browsern.

• Fallstudien: Ideal für interaktive Webanwendungen, die vom maschinellen Lernen auf der Client-Seite profitieren, ohne dass eine serverseitige Verarbeitung erforderlich ist.

• Wartung und Updates: Wird vom TensorFlow Team mit Beiträgen aus der Open-Source-Gemeinschaft gepflegt.

• Sicherheitsaspekte: Läuft im sicheren Kontext des Browsers und nutzt das Sicherheitsmodell der Webplattform.

• Hardware-Beschleunigung: Die Leistung kann mit webbasierten APIs verbessert werden, die auf Hardware-Beschleunigung wie WebGL zugreifen.

PaddlePaddle

PaddlePaddle ist ein Open-Source-Framework für Deep Learning, das von Baidu entwickelt wurde. Es ist so konzipiert, dass es sowohl für Forscher/innen effizient als auch für Entwickler/innen einfach zu bedienen ist. Es ist besonders in China beliebt und bietet spezielle Unterstützung für die Verarbeitung chinesischer Sprache.

• Leistungsvergleiche: Bietet wettbewerbsfähige Leistung mit Fokus auf Benutzerfreundlichkeit und Skalierbarkeit.

• Kompatibilität und Integration: Gut integriert in das Ökosystem von Baidu und unterstützt eine breite Palette von Anwendungen.

• Unterstützung und Ökosystem der Gemeinschaft: Die Community ist zwar global gesehen kleiner, aber sie wächst schnell, vor allem in China.

• Fallstudien: Wird häufig in chinesischen Märkten und von Entwicklern verwendet, die nach Alternativen zu anderen großen Frameworks suchen.

• Wartung und Updates: Regelmäßige Updates mit dem Schwerpunkt auf chinesischsprachigen KI-Anwendungen und -Diensten.

• Sicherheitsaspekte: Der Schwerpunkt liegt auf dem Datenschutz und der Sicherheit und entspricht den chinesischen Data Governance Standards.

• Hardware-Beschleunigung: Unterstützt verschiedene Hardware-Beschleunigungen, darunter Baidus eigene Kunlun-Chips.

NCNN

NCNN ist ein leistungsstarkes Framework für neuronale Netze, das für mobile Plattformen optimiert wurde. Es zeichnet sich durch sein geringes Gewicht und seine Effizienz aus, wodurch es sich besonders gut für mobile und eingebettete Geräte eignet, bei denen die Ressourcen begrenzt sind.

• Leistungsbenchmarks: Hochgradig optimiert für mobile Plattformen, mit effizienter Inferenz auf ARM-basierten Geräten.

• Kompatibilität und Integration: Geeignet für Anwendungen auf Handys und eingebetteten Systemen mit ARM-Architektur.

• Community-Unterstützung und Ökosystem: Unterstützt von einer aktiven Nischengemeinschaft, die sich auf mobile und eingebettete ML-Anwendungen konzentriert.

• Fallstudien: Bevorzugt für mobile Anwendungen, bei denen Effizienz und Geschwindigkeit auf Android und anderen ARM-basierten Systemen entscheidend sind.

• Wartung und Updates: Kontinuierlich verbessert, um die hohe Leistung auf einer Reihe von ARM-Geräten zu erhalten.

• Sicherheitsaspekte: Der Schwerpunkt liegt auf der lokalen Ausführung auf dem Gerät, wodurch die Sicherheit der geräteinternen Verarbeitung genutzt wird.

• Hardware-Beschleunigung: Maßgeschneidert für ARM-CPUs und GPUs, mit speziellen Optimierungen für diese Architekturen.

Vergleichende Analyse der YOLOv8 Einsatzoptionen

Die folgende Tabelle gibt einen Überblick über die verschiedenen Bereitstellungsoptionen für die Modelle von YOLOv8 . So kannst du anhand mehrerer wichtiger Kriterien beurteilen, welche Option am besten zu deinen Projektanforderungen passt. Einen detaillierten Einblick in die Formate der einzelnen Bereitstellungsoptionen findest du auf der Dokumentationsseite zu den Exportformaten unterUltralytics .

Diese vergleichende Analyse gibt dir einen umfassenden Überblick. Für den Einsatz ist es wichtig, dass du die spezifischen Anforderungen und Einschränkungen deines Projekts berücksichtigst und die detaillierte Dokumentation und die verfügbaren Ressourcen für jede Option konsultierst.

Gemeinschaft und Unterstützung

Wenn du mit YOLOv8 anfängst, kann eine hilfreiche Gemeinschaft und Unterstützung einen großen Einfluss haben. Hier erfährst du, wie du mit anderen, die deine Interessen teilen, in Kontakt kommst und die Unterstützung bekommst, die du brauchst.

Engagiere dich in der breiteren Gemeinschaft

• GitHub-Diskussionen: Das YOLOv8 Repository auf GitHub hat einen "Discussions"-Bereich, in dem du Fragen stellen, Probleme melden und Verbesserungen vorschlagen kannst.

• Ultralytics Discord Server: Ultralytics hat einen Discord Server, auf dem du dich mit anderen Nutzern und Entwicklern austauschen kannst.

Offizielle Dokumentation und Ressourcen

• Ultralytics YOLOv8 Docs: Die offizielle Dokumentation bietet einen umfassenden Überblick über YOLOv8 und enthält Anleitungen zur Installation, Nutzung und Fehlerbehebung.

Diese Ressourcen helfen dir, Herausforderungen zu meistern und über die neuesten Trends und Best Practices in der YOLOv8 Community auf dem Laufenden zu bleiben.

Fazit

In diesem Leitfaden haben wir die verschiedenen Bereitstellungsoptionen für YOLOv8 untersucht. Wir haben auch die wichtigen Faktoren besprochen, die du bei deiner Wahl berücksichtigen solltest. Mit diesen Optionen kannst du dein Modell an verschiedene Umgebungen und Leistungsanforderungen anpassen, damit es für reale Anwendungen geeignet ist.

Vergiss nicht, dass die YOLOv8 und Ultralytics Community eine wertvolle Quelle der Hilfe ist. Tausche dich mit anderen Entwicklern und Experten aus, um einzigartige Tipps und Lösungen zu erfahren, die du vielleicht nicht in der normalen Dokumentation findest. Suche weiter nach Wissen, erforsche neue Ideen und teile deine Erfahrungen.

Viel Spaß beim Einsatz!

FAQ

Welche Einsatzmöglichkeiten gibt es für YOLOv8 auf verschiedenen Hardware-Plattformen?

Ultralytics YOLOv8 unterstützt verschiedene Bereitstellungsformate, die jeweils für bestimmte Umgebungen und Hardware-Plattformen entwickelt wurden. Zu den wichtigsten Formaten gehören:

• PyTorch für Forschung und Prototyping, mit hervorragender Python Integration.
• TorchScript für Produktionsumgebungen, in denen Python nicht verfügbar ist.
• ONNX für plattformübergreifende Kompatibilität und Hardware-Beschleunigung.
• OpenVINO für optimierte Leistung auf Intel Hardware.
• TensorRT für Hochgeschwindigkeitsinferenzen auf NVIDIA GPUs.

Jedes Format hat einzigartige Vorteile. Eine detaillierte Beschreibung findest du in unserer Dokumentation zum Exportprozess.

Wie kann ich die Inferenzgeschwindigkeit meines YOLOv8 Modells auf Intel CPU verbessern?

Um die Inferenzgeschwindigkeit auf Intel CPUs zu erhöhen, kannst du dein YOLOv8 Modell mit dem OpenVINO Toolkit von Intel einsetzen. OpenVINO bietet erhebliche Leistungssteigerungen durch die Optimierung der Modelle, um die Intel Hardware effizient zu nutzen.

1. Konvertiere dein YOLOv8 Modell in das OpenVINO Format, indem du die model.export() Funktion.
2. Befolge die detaillierte Anleitung zur Einrichtung in der DokumentationIntel OpenVINO Export.

Weitere Informationen findest du in unserem Blogbeitrag.

Kann ich YOLOv8 Modelle auf mobilen Geräten einsetzen?

Ja, YOLOv8 Modelle können mit TensorFlow Lite (TF Lite) für die Plattformen Android und iOS auf mobilen Geräten eingesetzt werden. TF Lite wurde für mobile und eingebettete Geräte entwickelt und ermöglicht effiziente Inferenzen auf dem Gerät.

# Export command for TFLite format
model.export(format="tflite")

# CLI command for TFLite export
yolo export --format tflite

Weitere Informationen zur Bereitstellung von Modellen für mobile Endgeräte findest du in unserem TF Lite Integrationsleitfaden.

Welche Faktoren sollte ich bei der Wahl eines Einsatzformats für mein YOLOv8 Modell berücksichtigen?

Wenn du dich für ein Einsatzformat für YOLOv8 entscheidest, beachte die folgenden Faktoren:

• Leistung: Einige Formate wie TensorRT bieten außergewöhnliche Geschwindigkeiten auf NVIDIA GPUs, während OpenVINO für Intel Hardware optimiert ist.
• Kompatibilität: ONNX bietet eine breite Kompatibilität über verschiedene Plattformen hinweg.
• Leichte Integration: Formate wie CoreML oder TF Lite sind auf bestimmte Ökosysteme wie iOS bzw. Android zugeschnitten.
• Community-Unterstützung: Formate wie PyTorch und TensorFlow verfügen über umfangreiche Community-Ressourcen und Unterstützung.

Eine vergleichende Analyse findest du in unserer Dokumentation zu den Exportformaten.

Wie kann ich YOLOv8 Modelle in einer Webanwendung einsetzen?

Um YOLOv8 Modelle in einer Webanwendung einzusetzen, kannst du TensorFlow.js (TF.js) verwenden, mit dem du Machine Learning Modelle direkt im Browser ausführen kannst. Dieser Ansatz macht eine Backend-Infrastruktur überflüssig und bietet Leistung in Echtzeit.

1. Exportiere das Modell YOLOv8 in das Format TF.js.
2. Integriere das exportierte Modell in deine Webanwendung.

Eine Schritt-für-Schritt-Anleitung findest du in unserem Leitfaden zur TensorFlow.js-Integration.

Kommentare