Erste Schritte

YOLO26 für die Bereitstellung nach TF GraphDef exportieren

Bei der Bereitstellung von Computer-Vision-Modellen wie YOLO26 in verschiedenen Umgebungen können Kompatibilitätsprobleme auftreten. Googles TensorFlow GraphDef, auch TF GraphDef genannt, bietet eine Lösung: eine serialisierte, plattformunabhängige Darstellung deines Modells. Mit dem TF-GraphDef-Modellformat kannst du dein YOLO26-Modell in Umgebungen bereitstellen, in denen das vollständige TensorFlow-Ökosystem möglicherweise nicht verfügbar ist, etwa auf Mobilgeräten oder spezialisierter Hardware.

Diese Anleitung führt dich Schritt für Schritt durch den Export deiner Ultralytics-YOLO26-Modelle in das TF-GraphDef-Modellformat. Durch die Konvertierung deines Modells vereinfachst du die Bereitstellung und kannst die Computer-Vision-Funktionen von YOLO26 in einer größeren Auswahl von Anwendungen und Plattformen nutzen.

TensorFlow GraphDef model serialization format

Warum solltest du nach TF GraphDef exportieren?#

TF GraphDef ist eine zentrale Komponente des von Google entwickelten TensorFlow-Ökosystems. Das Format kann zur Optimierung und Bereitstellung von Modellen wie YOLO26 verwendet werden. Mit dem Export in TF GraphDef kannst du Modelle aus der Forschung in reale Anwendungen überführen. Modelle lassen sich damit in Umgebungen ohne das vollständige TensorFlow-Framework ausführen.

Das GraphDef-Format stellt das Modell als serialisierten Berechnungsgraphen dar. Dadurch sind verschiedene Optimierungstechniken wie Constant Folding, Quantisierung und Graphtransformationen möglich. Diese Optimierungen können die Ausführungseffizienz verbessern, den Speicherbedarf senken und die Inferenz beschleunigen.

GraphDef-Modelle können Hardwarebeschleuniger wie GPUs, TPUs und KI-Chips nutzen, um die YOLO26-Inferenzpipeline zu beschleunigen. Das TF-GraphDef-Format erstellt ein eigenständiges Paket mit dem Modell und seinen Abhängigkeiten, wodurch die Bereitstellung und Integration in verschiedene Systeme vereinfacht wird.

Wichtige Merkmale von TF-GraphDef-Modellen#

TF GraphDef bietet besondere Funktionen, mit denen sich die Modellbereitstellung und -optimierung vereinfachen lassen.

Hier sind die wichtigsten Merkmale:

  • Modellserialisierung: TF GraphDef bietet eine Möglichkeit, TensorFlow-Modelle in einem plattformunabhängigen Format zu serialisieren und zu speichern. Dank dieser serialisierten Darstellung kannst du deine Modelle ohne die ursprüngliche Python-Codebasis laden und ausführen, was die Bereitstellung erleichtert.

  • Graphoptimierung: TF GraphDef ermöglicht die Optimierung von Berechnungsgraphen. Diese Optimierungen können die Leistung steigern, indem sie den Ausführungsablauf vereinfachen, Redundanzen verringern und Operationen an bestimmte Hardware anpassen.

  • Flexible Bereitstellung: In das GraphDef-Format exportierte Modelle können in verschiedenen Umgebungen eingesetzt werden, darunter Geräte mit begrenzten Ressourcen, Webbrowser und Systeme mit spezieller Hardware. Dadurch ergeben sich mehr Möglichkeiten, deine TensorFlow-Modelle bereitzustellen.

  • Auf den Produktiveinsatz ausgelegt: GraphDef wurde für die Bereitstellung in Produktivumgebungen entwickelt. Das Format unterstützt eine effiziente Ausführung, Serialisierung und Optimierungen, die auf reale Anwendungsfälle zugeschnitten sind.

Bereitstellungsoptionen mit TF GraphDef#

Bevor du YOLO26-Modelle in TF GraphDef exportierst, findest du hier typische Bereitstellungsszenarien, in denen dieses Format verwendet wird.

  • TensorFlow Serving: Dieses Framework dient der Bereitstellung von TensorFlow-Modellen in Produktionsumgebungen. TensorFlow Serving bietet Modellverwaltung, Versionsverwaltung und die Infrastruktur für eine effiziente Bereitstellung von Modellen in großem Umfang. Es ermöglicht die unkomplizierte Integration deiner GraphDef-basierten Modelle in produktive Webdienste oder APIs.

  • Mobilgeräte und eingebettete Geräte: Mit Tools wie LiteRT kannst du TF-GraphDef-Modelle in Formate konvertieren, die für Smartphones, Tablets und verschiedene eingebettete Geräte optimiert sind. Anschließend kannst du deine Modelle für die Inferenz direkt auf dem Gerät nutzen. Die Ausführung erfolgt lokal und bietet oft höhere Leistung sowie Offline-Funktionen. Ultralytics kann YOLO26 auch direkt nach LiteRT exportieren.

  • Webbrowser: TensorFlow.js ermöglicht die Bereitstellung von TF-GraphDef-Modellen direkt in Webbrowsern. Damit lassen sich clientseitige Anwendungen zur Objekterkennung in Echtzeit ausführen und YOLO26 über JavaScript nutzen.

  • Spezialisierte Hardware: Dank der Plattformunabhängigkeit von TF GraphDef lässt sich das Format auch auf kundenspezifischer Hardware wie Beschleunigern und Tensorverarbeitungseinheiten (TPUs) einsetzen. Diese Geräte können bei rechenintensiven Modellen Leistungsvorteile bieten.

Unterstützte Aufgaben#

Der TF-GraphDef-Export unterstützt alle sieben Ultralytics-Aufgaben. Semantische Segmentierung und Tiefenschätzung sind nur mit YOLO26 verfügbar, der einzigen Modellfamilie, die diese Köpfe enthält.

AufgabeYOLOv8YOLO11YOLO26
Erkennung✅✅✅
Segmentierung✅✅✅
Semantik❌❌✅
Tiefe❌❌✅
Klassifizierung✅✅✅
Pose✅✅✅
OBB✅✅✅

YOLO26-Modelle nach TF GraphDef exportieren#

Du kannst dein YOLO26-Modell in das TF-GraphDef-Format konvertieren, das mit verschiedenen Systemen kompatibel ist, um die Leistung auf unterschiedlichen Plattformen zu verbessern.

Installation#

Führe zum Installieren des erforderlichen Pakets Folgendes aus:

Installation
# Install the required package for YOLO26
pip install ultralytics

Ausführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserer Installationsanleitung von Ultralytics. Falls bei der Installation der für YOLO26 erforderlichen Pakete Probleme auftreten, findest du Lösungen und Tipps in unserer Anleitung zu häufigen Problemen.

Plattformunterstützung

Der TF-GraphDef-Export wird unter macOS mit Python 3.13 oder höher nicht unterstützt.

Verwendung#

Alle Ultralytics YOLO26-Modelle sind so ausgelegt, dass sie sofort exportiert werden können. Dadurch lassen sie sich problemlos in deinen bevorzugten Bereitstellungsablauf integrieren. In der vollständigen Liste der unterstützten Exportformate und Konfigurationsoptionen findest du die passende Konfiguration für deine Anwendung.

Das TF-GraphDef-Format unterstützt die Modi Exportieren, Vorhersagen und Validieren. Exportiere dein Modell und lade anschließend das exportierte Modell, um Inferenz auszuführen oder seine Genauigkeit zu validieren.

Exportieren
from ultralytics import YOLO

# Ein YOLO26-Modell laden
model = YOLO("yolo26n.pt")

# Modell in das TF-GraphDef-Format exportieren
model.export(format="pb")  # erstellt „yolo26n.pb“
Vorhersagen
from ultralytics import YOLO

# Exportiertes TF-GraphDef-Modell laden
model = YOLO("yolo26n.pb")

# Inferenz ausführen
results = model("https://ultralytics.com/images/bus.jpg")
Validieren
from ultralytics import YOLO

# Exportiertes TF-GraphDef-Modell laden
model = YOLO("yolo26n.pb")

# Die Genauigkeit anhand des COCO8-Datensatzes validieren
metrics = model.val(data="coco8.yaml")

Exportargumente#

ArgumentTypStandardBeschreibung
formatstr'pb'Zielformat des exportierten Modells, das die Kompatibilität mit verschiedenen Bereitstellungsumgebungen festlegt.
imgszint oder tuple640Gewünschte Bildgröße für die Modelleingabe. Kann eine Ganzzahl für quadratische Bilder oder ein Tupel (height, width) für bestimmte Abmessungen sein.
quantizeint oder strNoneExport mit fester FP32-Präzision. GraphDef unterstützt keine FP16-, INT8- oder W8A16-Präzisionskonvertierung während des Exports.
opsetintNoneONNX-opset für den Zwischengraphen. Wenn nicht angegeben, wird 18 verwendet (niedriger bei PyTorch < 2.4, höchstens jedoch die installierte Version onnx); RT-DETR verwendet 19.
batchint1Gibt die Batchgröße für die Inferenz des Exportmodells oder die Höchstzahl der Bilder an, die das exportierte Modell gleichzeitig im predict-Modus verarbeiten kann.
devicestrNoneGibt das Gerät für den Export an: CPU (device=cpu), MPS für Apple-Chips (device=mps).

Weitere Informationen zum Exportvorgang findest du auf der Ultralytics-Dokumentationsseite zum Export.

Exportierte YOLO26-TF-GraphDef-Modelle bereitstellen#

Nachdem du dein YOLO26-Modell in das TF-GraphDef-Format exportiert hast, folgt die Bereitstellung. Der empfohlene erste Schritt zur Ausführung eines TF-GraphDef-Modells ist die Methode YOLO("model.pb"), wie bereits im Codebeispiel zur Verwendung gezeigt.

Weitere Informationen zur Bereitstellung deiner TF-GraphDef-Modelle findest du in den folgenden Ressourcen:

  • TensorFlow Serving: Eine Anleitung zu TensorFlow Serving, die erklärt, wie du Modelle für maschinelles Lernen effizient in Produktivumgebungen bereitstellst und ausführst.

  • TensorFlow Lite: Diese Seite beschreibt, wie du Modelle für maschinelles Lernen in ein Format konvertierst, das für die Inferenz direkt auf dem Gerät mit TensorFlow Lite optimiert ist.

  • TensorFlow.js: Eine Anleitung zur Modellkonvertierung, in der erklärt wird, wie du TensorFlow- oder Keras-Modelle für den Einsatz in Webanwendungen in das TensorFlow.js-Format konvertierst.

Zusammenfassung#

In dieser Anleitung haben wir erläutert, wie du Ultralytics YOLO26-Modelle in das TF-GraphDef-Format exportierst. So kannst du deine optimierten YOLO26-Modelle flexibel in verschiedenen Umgebungen bereitstellen.

Weitere Informationen zur Verwendung findest du in der offiziellen Dokumentation zu TF GraphDef.

Häufig gestellte Fragen#

  • Ultralytics-YOLO26-Modelle lassen sich in das TensorFlow-GraphDef-Format (TF GraphDef) exportieren. Dieses Format bietet eine serialisierte, plattformunabhängige Darstellung des Modells und eignet sich ideal für die Bereitstellung in unterschiedlichen Umgebungen wie Mobilgeräten und im Web. Führe zum Export eines YOLO26-Modells in TF GraphDef die folgenden Schritte aus:

    Verwendung
    from ultralytics import YOLO
    
    # Ein YOLO26-Modell laden
    model = YOLO("yolo26n.pt")
    
    # Modell in das TF-GraphDef-Format exportieren
    model.export(format="pb")  # erstellt „yolo26n.pb“
    
    # Exportiertes TF-GraphDef-Modell laden
    tf_graphdef_model = YOLO("yolo26n.pb")
    
    # Inferenz ausführen
    results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

    Weitere Informationen zu den verschiedenen Exportoptionen findest du in der Ultralytics-Dokumentation zum Modellexport.

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

    1. Plattformunabhängigkeit: TF GraphDef bietet ein plattformunabhängiges Format, mit dem Modelle in verschiedenen Umgebungen, darunter auf Mobilgeräten und in Webbrowsern, bereitgestellt werden können.
    2. Optimierungen: Das Format ermöglicht verschiedene Optimierungen wie Konstantenfaltung, Quantisierung und Graphtransformationen, die die Ausführung effizienter machen und den Speicherbedarf verringern.
    3. Hardwarebeschleunigung: Modelle im TF-GraphDef-Format können Hardwarebeschleuniger wie GPUs, TPUs und KI-Chips nutzen, um die Leistung zu steigern.

    Weitere Vorteile findest du im Abschnitt TF GraphDef unserer Dokumentation.

  • Ultralytics YOLO26 bietet gegenüber anderen Modellen wie YOLOv5 und YOLOv7 zahlreiche Vorteile. Zu den wichtigsten gehören:

    1. Hervorragende Leistung: YOLO26 bietet hohe Geschwindigkeit und Genauigkeit für Objekterkennung, Instanzsegmentierung, semantische Segmentierung und Klassifizierung in Echtzeit.
    2. Einfache Bedienung: Die benutzerfreundliche API für Modelltraining, Validierung, Vorhersage und Export macht das Modell sowohl für Einsteiger als auch für Experten zugänglich.
    3. Breite Kompatibilität: Unterstützt mehrere Exportformate wie ONNX, TensorRT, CoreML und TensorFlow und bietet damit vielseitige Bereitstellungsoptionen.

    Weitere Einzelheiten findest du in unserer Einführung zu YOLO26.

  • Nachdem du ein YOLO26-Modell in das TF-GraphDef-Format exportiert hast, kannst du es auf verschiedenen spezialisierten Hardwareplattformen bereitstellen. Typische Einsatzszenarien sind:

    • TensorFlow Serving: Verwende TensorFlow Serving für die skalierbare Bereitstellung von Modellen in Produktivumgebungen. Es unterstützt die Modellverwaltung und eine effiziente Bereitstellung.
    • Mobilgeräte: Konvertiere TF-GraphDef-Modelle in TensorFlow Lite, das für Mobilgeräte und eingebettete Geräte optimiert ist und Inferenz direkt auf dem Gerät ermöglicht.
    • Webbrowser: Stelle Modelle mit TensorFlow.js für die clientseitige Inferenz in Webanwendungen bereit.
    • KI-Beschleuniger: Nutze TPUs und kundenspezifische KI-Chips, um die Inferenz zu beschleunigen.

    Ausführliche Informationen findest du im Abschnitt zu den Bereitstellungsoptionen.

  • Zur Behebung häufiger Probleme beim Export von YOLO26-Modellen stellt Ultralytics umfassende Anleitungen und Ressourcen bereit. Wenn bei der Installation oder beim Modellexport Probleme auftreten, findest du Hilfe in folgenden Ressourcen:

    Diese Ressourcen sollten dir helfen, die meisten Probleme beim Export und bei der Bereitstellung von YOLO26-Modellen zu beheben.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.