Link to this sectionSo exportierst du YOLO26 für die Bereitstellung nach TF GraphDef#

Wenn du hochmoderne Computer-Vision-Modelle wie YOLO26 in verschiedenen Umgebungen bereitstellst, kannst du auf Kompatibilitätsprobleme stoßen. Googles TensorFlow GraphDef, oder TF GraphDef, bietet eine Lösung, indem es eine serialisierte, plattformunabhängige Darstellung deines Modells bereitstellt. Mit dem TF GraphDef-Modellformat kannst du dein YOLO26-Modell in Umgebungen bereitstellen, in denen das vollständige TensorFlow-Ökosystem möglicherweise nicht verfügbar ist, wie etwa auf Mobilgeräten oder spezialisierter Hardware.

In dieser Anleitung führen wir dich Schritt für Schritt durch den Export deiner Ultralytics YOLO26-Modelle in das TF GraphDef-Modellformat. Durch die Konvertierung deines Modells kannst du die Bereitstellung optimieren und die Computer-Vision-Funktionen von YOLO26 in einer breiteren Palette von Anwendungen und Plattformen nutzen.

Link to this sectionWarum solltest du nach TF GraphDef exportieren?#

TF GraphDef ist eine leistungsstarke Komponente des TensorFlow-Ökosystems, die von Google entwickelt wurde. Sie kann verwendet werden, um Modelle wie YOLO26 zu optimieren und bereitzustellen. Der Export nach TF GraphDef ermöglicht es dir, Modelle aus der Forschung in reale Anwendungen zu überführen. Dies erlaubt es Modellen, in Umgebungen ohne das vollständige TensorFlow-Framework zu laufen.

Das GraphDef-Format repräsentiert das Modell als serialisierten Berechnungs-Graphen. Dies ermöglicht verschiedene Optimierungstechniken wie Constant Folding, Quantisierung und Graph-Transformationen. Diese Optimierungen sorgen für eine effiziente Ausführung, reduzierten Speicherbedarf und schnellere Inferenzgeschwindigkeiten.

GraphDef-Modelle können Hardwarebeschleuniger wie GPUs, TPUs und AI-Chips nutzen, was signifikante Leistungssteigerungen für die YOLO26-Inferenzpipeline freischaltet. Das TF GraphDef-Format erstellt ein in sich geschlossenes Paket mit dem Modell und seinen Abhängigkeiten, was die Bereitstellung und Integration in verschiedene Systeme vereinfacht.

Link to this sectionHauptmerkmale von TF GraphDef-Modellen#

TF GraphDef bietet spezielle Funktionen zur Rationalisierung der Modellbereitstellung und Optimierung.

Hier ist ein Überblick über die wichtigsten Merkmale:

• Modell-Serialisierung: TF GraphDef bietet eine Möglichkeit, TensorFlow-Modelle in einem plattformunabhängigen Format zu serialisieren und zu speichern. Diese serialisierte Darstellung ermöglicht es dir, deine Modelle ohne die ursprüngliche Python-Codebasis zu laden und auszuführen, was die Bereitstellung erleichtert.

• Graph-Optimierung: TF GraphDef ermöglicht die Optimierung von Berechnungs-Graphen. Diese Optimierungen können die Leistung steigern, indem sie den Ausführungsfluss rationalisieren, Redundanzen reduzieren und Operationen an spezifische Hardware anpassen.

• Bereitstellungsflexibilität: In das GraphDef-Format exportierte Modelle können in verschiedenen Umgebungen verwendet werden, einschließlich ressourcenbeschränkter Geräte, Webbrowser und Systeme mit spezialisierter Hardware. Dies eröffnet Möglichkeiten für eine breitere Bereitstellung deiner TensorFlow-Modelle.

• Fokus auf Produktion: GraphDef ist für die Bereitstellung in der Produktion konzipiert. Es unterstützt effiziente Ausführung, Serialisierungsfunktionen und Optimierungen, die auf reale Anwendungsfälle ausgerichtet sind.

Link to this sectionBereitstellungsoptionen mit TF GraphDef#

Bevor wir in den Prozess des Exports von YOLO26-Modellen nach TF GraphDef eintauchen, werfen wir einen Blick auf einige typische Bereitstellungsszenarien, in denen dieses Format verwendet wird.

Hier erfährst du, wie du mit TF GraphDef effizient über verschiedene Plattformen hinweg bereitstellen kannst.

• TensorFlow Serving: Dieses Framework ist darauf ausgelegt, TensorFlow-Modelle in Produktionsumgebungen bereitzustellen. TensorFlow Serving bietet Modellverwaltung, Versionierung und die Infrastruktur für eine effiziente Modellbereitstellung in großem Maßstab. Es ist eine nahtlose Möglichkeit, deine GraphDef-basierten Modelle in Produktions-Webdienste oder APIs zu integrieren.

• Mobile und eingebettete Geräte: Mit Tools wie TensorFlow Lite kannst du TF GraphDef-Modelle in Formate konvertieren, die für Smartphones, Tablets und verschiedene eingebettete Geräte optimiert sind. Deine Modelle können dann für die On-Device-Inferenz verwendet werden, bei der die Ausführung lokal erfolgt, was oft Leistungssteigerungen und Offline-Fähigkeiten bietet.

• Webbrowser: TensorFlow.js ermöglicht die Bereitstellung von TF GraphDef-Modellen direkt in Webbrowsern. Es ebnet den Weg für Echtzeit-Objekterkennungsanwendungen, die auf der Client-Seite ausgeführt werden und die Fähigkeiten von YOLO26 über JavaScript nutzen.

• Spezialisierte Hardware: Die plattformunabhängige Natur von TF GraphDef ermöglicht es, auf benutzerdefinierte Hardware wie Beschleuniger und TPUs (Tensor Processing Units) abzuzielen. Diese Geräte können Leistungsvorteile für rechenintensive Modelle bieten.

Link to this sectionExportieren von YOLO26-Modellen nach TF GraphDef#

Du kannst dein YOLO26-Objekterkennungsmodell in das TF GraphDef-Format konvertieren, das mit verschiedenen Systemen kompatibel ist, um seine Leistung über Plattformen hinweg zu verbessern.

Link to this sectionInstallation#

Um das erforderliche Paket zu installieren, führe Folgendes aus:

# Install the required package for YOLO26
pip install ultralytics

Detaillierte Anweisungen und Best Practices für den Installationsprozess findest du in unserem Ultralytics-Installationsleitfaden. Wenn du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, schau in unserem Leitfaden zu häufigen Problemen nach Lösungen und Tipps.

Link to this sectionVerwendung#

Alle Ultralytics YOLO26 models sind so konzipiert, dass sie den Export sofort unterstützen, was die Integration in deinen bevorzugten Bereitstellungs-Workflow vereinfacht. Du kannst die vollständige Liste der unterstützten Exportformate und Konfigurationsoptionen einsehen, um das beste Setup für deine Anwendung zu wählen.

Das TF GraphDef-Format unterstützt die Modi Export, Predict und Validate. Exportiere dein Modell und lade dann das exportierte Modell, um eine Inferenz durchzuführen oder die Genauigkeit zu validieren.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionExport-Argumente#

Weitere Details zum Exportprozess findest du auf der Ultralytics-Dokumentationsseite zum Exportieren.

Link to this sectionBereitstellung von exportierten YOLO26 TF GraphDef-Modellen#

Sobald du dein YOLO26-Modell in das TF GraphDef-Format exportiert hast, ist der nächste Schritt die Bereitstellung. Der primäre und empfohlene erste Schritt zur Ausführung eines TF GraphDef-Modells ist die Verwendung der Methode YOLO("model.pb"), wie sie bereits im Nutzungscode-Schnipsel gezeigt wurde.

Für weitere Informationen zur Bereitstellung deiner TF GraphDef-Modelle schaue dir jedoch die folgenden Ressourcen an:

• TensorFlow Serving: Ein Leitfaden zu TensorFlow Serving, der vermittelt, wie Machine Learning-Modelle effizient in Produktionsumgebungen bereitgestellt und serviert werden.

• TensorFlow Lite: Diese Seite beschreibt, wie man Machine-Learning-Modelle in ein für die On-Device-Inferenz optimiertes Format mit TensorFlow Lite konvertiert.

• TensorFlow.js: Ein Leitfaden zur Modellkonvertierung, der zeigt, wie TensorFlow- oder Keras-Modelle zur Verwendung in Webanwendungen in das TensorFlow.js-Format konvertiert werden.

Link to this sectionZusammenfassung#

In diesem Leitfaden haben wir untersucht, wie man Ultralytics YOLO26-Modelle in das TF GraphDef-Format exportiert. Dadurch kannst du deine optimierten YOLO26-Modelle flexibel in verschiedenen Umgebungen bereitstellen.

Weitere Details zur Verwendung findest du in der offiziellen TF GraphDef-Dokumentation.

Für weitere Informationen zur Integration von Ultralytics YOLO26 mit anderen Plattformen und Frameworks siehe unsere Seite mit Integrationsleitfäden.

Link to this sectionFAQ#

Link to this sectionWie exportiere ich ein YOLO26-Modell in das TF GraphDef-Format?#

Ultralytics YOLO26-Modelle können nahtlos in das TensorFlow GraphDef (TF GraphDef)-Format exportiert werden. Dieses Format bietet eine serialisierte, plattformunabhängige Darstellung des Modells, ideal für die Bereitstellung in unterschiedlichen Umgebungen wie Mobilgeräten und Web. Um ein YOLO26-Modell nach TF GraphDef zu exportieren, folge diesen Schritten:

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

Für weitere Informationen zu verschiedenen Exportoptionen besuche die Ultralytics-Dokumentation zum Modell-Export.

Link to this sectionWas sind die Vorteile der Verwendung von TF GraphDef für die YOLO26-Modellbereitstellung?#

Der Export von YOLO26-Modellen in das TF GraphDef-Format bietet mehrere Vorteile, darunter:

1. Plattformunabhängigkeit: TF GraphDef bietet ein plattformunabhängiges Format, das es ermöglicht, Modelle in verschiedenen Umgebungen, einschließlich Mobilgeräten und Webbrowsern, bereitzustellen.
2. Optimierungen: Das Format ermöglicht mehrere Optimierungen wie Constant Folding, Quantisierung und Graph-Transformationen, die die Ausführungseffizienz verbessern und den Speicherbedarf reduzieren.
3. Hardwarebeschleunigung: Modelle im TF GraphDef-Format können Hardwarebeschleuniger wie GPUs, TPUs und AI-Chips für Leistungssteigerungen nutzen.

Lies mehr über die Vorteile im TF GraphDef-Abschnitt unserer Dokumentation.

Link to this sectionWarum sollte ich Ultralytics YOLO26 gegenüber anderen Objekterkennungs-Modellen verwenden?#

Ultralytics YOLO26 bietet zahlreiche Vorteile gegenüber anderen Modellen wie YOLOv5 und YOLOv7. Einige Hauptvorteile sind:

1. Modernste Leistung: YOLO26 bietet außergewöhnliche Geschwindigkeit und Genauigkeit für Echtzeit-Objekterkennung, Instanzsegmentierung, semantische Segmentierung und Klassifizierung.
2. Benutzerfreundlichkeit: Bietet eine benutzerfreundliche API für Modelltraining, Validierung, Vorhersage und Export, was den Zugang sowohl für Anfänger als auch für Experten erleichtert.
3. Breite Kompatibilität: Unterstützt mehrere Exportformate einschließlich ONNX, TensorRT, CoreML und TensorFlow für vielseitige Bereitstellungsoptionen.

Erkunde weitere Details in unserer Einführung zu YOLO26.

Link to this sectionWie kann ich ein YOLO26-Modell auf spezialisierter Hardware mit TF GraphDef bereitstellen?#

Sobald ein YOLO26-Modell in das TF GraphDef-Format exportiert wurde, kannst du es über verschiedene spezialisierte Hardwareplattformen hinweg bereitstellen. Typische Bereitstellungsszenarien umfassen:

• TensorFlow Serving: Nutze TensorFlow Serving für eine skalierbare Modellbereitstellung in Produktionsumgebungen. Es unterstützt Modellverwaltung und effizientes Servieren.
• Mobilgeräte: Konvertiere TF GraphDef-Modelle in TensorFlow Lite, das für Mobil- und eingebettete Geräte optimiert ist und Inferenz direkt auf dem Gerät ermöglicht.
• Webbrowser: Stelle Modelle mit TensorFlow.js für clientseitige Inferenz in Webanwendungen bereit.
• AI-Beschleuniger: Nutze TPUs und benutzerdefinierte AI-Chips für beschleunigte Inferenz.

Überprüfe den Abschnitt Bereitstellungsoptionen für detaillierte Informationen.

Link to this sectionWo finde ich Lösungen für häufige Probleme beim Exportieren von YOLO26-Modellen?#

Zur Fehlerbehebung bei häufigen Problemen mit dem Export von YOLO26-Modellen bietet Ultralytics umfassende Anleitungen und Ressourcen. Wenn du bei der Installation oder dem Modell-Export auf Probleme stößt, beziehe dich auf:

• Leitfaden für häufige Probleme: Bietet Lösungen für häufig auftretende Probleme.
• Installationsanleitung: Schritt-für-Schritt-Anweisungen zur Einrichtung der benötigten Pakete.

Diese Ressourcen sollten dir helfen, die meisten Probleme im Zusammenhang mit dem Export und der Bereitstellung von YOLO26-Modellen zu lösen.