So exportierst du YOLO26 für das Deployment in TF GraphDef

Wenn du modernste 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 zum Beispiel auf Mobilgeräten oder spezialisierter Hardware.

In diesem Leitfaden 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 das Deployment optimieren und die Computer Vision-Fähigkeiten von YOLO26 in einer breiteren Palette von Anwendungen und Plattformen nutzen.

Warum solltest du nach TF GraphDef exportieren?

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

Das GraphDef-Format stellt das Modell als serialisierten Berechnungsgraphen dar. Dies ermöglicht verschiedene Optimierungstechniken wie Constant Folding, Quantisierung und Graphtransformationen. Diese Optimierungen sorgen für eine effiziente Ausführung, reduzierten Speicherverbrauch und schnellere Inferenzgeschwindigkeiten.

GraphDef-Modelle können Hardwarebeschleuniger wie GPUs, TPUs und KI-Chips nutzen und so erhebliche Leistungssteigerungen für die YOLO26-Inferenz-Pipeline freischalten. Das TF GraphDef-Format erstellt ein in sich geschlossenes Paket mit dem Modell und seinen Abhängigkeiten, was das Deployment und die Integration in diverse Systeme vereinfacht.

Hauptmerkmale von TF GraphDef-Modellen

TF GraphDef bietet besondere Funktionen zur Optimierung des Model Deployments.

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 das Deployment erleichtert.

• Graph-Optimierung: TF GraphDef ermöglicht die Optimierung von Berechnungsgraphen. Diese Optimierungen können die Leistung steigern, indem der Ausführungsfluss gestrafft, Redundanzen reduziert und Operationen an spezifische Hardware angepasst werden.

• Deployment-Flexibilität: Modelle, die in das GraphDef-Format exportiert wurden, können in verschiedenen Umgebungen verwendet werden, einschließlich ressourcenbeschränkter Geräte, Webbrowser und Systeme mit spezialisierter Hardware. Dies eröffnet Möglichkeiten für ein breiteres Deployment deiner TensorFlow-Modelle.

• Produktionsfokus: GraphDef ist für den produktiven Einsatz konzipiert. Es unterstützt effiziente Ausführung, Serialisierungsfunktionen und Optimierungen, die auf reale Anwendungsfälle ausgerichtet sind.

Deployment-Optionen mit TF GraphDef

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

So kannst du effizient mit TF GraphDef auf verschiedenen Plattformen bereitstellen.

• TensorFlow Serving: Dieses Framework wurde entwickelt, um TensorFlow-Modelle in Produktionsumgebungen bereitzustellen. TensorFlow Serving bietet Modellverwaltung, Versionierung und die Infrastruktur für effizientes Model Serving im großen Maßstab. Es ist eine nahtlose Möglichkeit, deine GraphDef-basierten Modelle in produktive Webdienste oder APIs zu integrieren.

• Mobil- 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 Leistungsvorteile und Offline-Fähigkeiten bietet.

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

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

Exportieren von YOLO26-Modellen nach TF GraphDef

Du kannst dein YOLO26-Objekterkennungsmodell in das TF GraphDef-Format konvertieren, das mit verschiedenen Systemen kompatibel ist, um dessen Leistung plattformübergreifend zu verbessern.

Installation

Um das erforderliche Paket zu installieren, führe aus:

# Install the required package for YOLO26
pip install ultralytics

Für detaillierte Anleitungen und Best Practices zum Installationsprozess schau in unsere Ultralytics-Installationsanleitung. Wenn du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, konsultiere unseren Leitfaden zu häufigen Problemen für Lösungen und Tipps.

Verwendung

Alle Ultralytics YOLO26-Modelle sind so konzipiert, dass sie den Export direkt unterstützen, was die Integration in deinen bevorzugten Deployment-Workflow erleichtert. Du kannst die vollständige Liste der unterstützten Exportformate und Konfigurationsoptionen ansehen, um das beste Setup für deine Anwendung auszuwählen.

from ultralytics import YOLO

# Load the 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")

Export-Argumente

Für weitere Details zum Exportprozess besuche die Ultralytics-Dokumentationsseite zum Exportieren.

Deployment exportierter YOLO26 TF GraphDef-Modelle

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

Für weitere Informationen zum Deployment deiner TF GraphDef-Modelle wirf jedoch einen Blick auf die folgenden Ressourcen:

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

• 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 erklärt, wie TensorFlow- oder Keras-Modelle zur Verwendung in Webanwendungen in das TensorFlow.js-Format konvertiert werden.

Zusammenfassung

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 Dokumentation zu TF GraphDef.

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

FAQ

Wie 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 den Einsatz in verschiedenen Umgebungen wie Mobilgeräten und dem Web. Um ein YOLO26-Modell nach TF GraphDef zu exportieren, befolge diese Schritte:

from ultralytics import YOLO

# Load the 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.

Was sind die Vorteile der Verwendung von TF GraphDef für das YOLO26-Modell-Deployment?

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 bereitzustellen, einschließlich Mobilgeräten und Webbrowsern.
2. Optimierungen: Das Format ermöglicht verschiedene Optimierungen wie Constant Folding, Quantisierung und Graphtransformationen, die die Ausführungseffizienz verbessern und den Speicherverbrauch reduzieren.
3. Hardwarebeschleunigung: Modelle im TF GraphDef-Format können Hardwarebeschleuniger wie GPUs, TPUs und KI-Chips für Leistungssteigerungen nutzen.

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

Warum 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. State-of-the-Art-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 es sowohl für Anfänger als auch für Experten zugänglich macht.
3. Breite Kompatibilität: Unterstützt mehrere Exportformate einschließlich ONNX, TensorRT, CoreML und TensorFlow für vielseitige Deployment-Optionen.

Entdecke weitere Details in unserer Einführung zu YOLO26.

Wie kann ich ein YOLO26-Modell mithilfe von TF GraphDef auf spezialisierter Hardware bereitstellen?

Sobald ein YOLO26-Modell in das TF GraphDef-Format exportiert wurde, kannst du es auf verschiedenen spezialisierten Hardwareplattformen bereitstellen. Typische Deployment-Szenarien umfassen:

• TensorFlow Serving: Nutze TensorFlow Serving für skalierbares Model Deployment in Produktionsumgebungen. Es unterstützt Modellverwaltung und effizientes Servieren.
• Mobilgeräte: Konvertiere TF GraphDef-Modelle in TensorFlow Lite, optimiert für Mobil- und eingebettete Geräte, was eine On-Device-Inferenz ermöglicht.
• Webbrowser: Stelle Modelle mittels TensorFlow.js für die Client-seitige Inferenz in Webanwendungen bereit.
• KI-Beschleuniger: Nutze TPUs und benutzerdefinierte KI-Chips für beschleunigte Inferenz.

Überprüfe den Abschnitt Deployment-Optionen für detaillierte Informationen.

Wo 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 Leitfäden und Ressourcen. Wenn du während der Installation oder beim Modell-Export auf Probleme stößt, schau in:

• Leitfaden zu häufigen Problemen: Bietet Lösungen für häufig auftretende Probleme.
• Installationsanleitung: Schritt-für-Schritt-Anleitungen für die Einrichtung der erforderlichen Pakete.

Diese Ressourcen sollten dir helfen, die meisten Probleme im Zusammenhang mit dem YOLO26-Modell-Export und -Deployment zu lösen.