Link to this sectionExport von YOLO26 nach TF GraphDef für die Bereitstellung#

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 Repräsentation 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 mobilen Geräten 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-Fähigkeiten 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 von der Forschung in reale Anwendungen zu überführen. Es erlaubt Modellen, in Umgebungen ohne das vollständige TensorFlow-Framework zu laufen.

Das GraphDef-Format repräsentiert das Modell als serialisierten Berechnungsgraphen. 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 AI-Chips nutzen, was erhebliche Leistungssteigerungen für die YOLO26-Inferenz-Pipeline freisetzt. 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 besondere Funktionen zur Optimierung der Modellbereitstellung und Optimierung.

Hier ist ein Überblick über die wichtigsten Merkmale:

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

• Graph-Optimierung: TF GraphDef ermöglicht die Optimierung von Berechnungsgraphen. Diese Optimierungen können die Leistung steigern, indem sie den Ausführungsfluss rationalisieren, Redundanzen reduzieren und Operationen auf die jeweilige Hardware zuschneiden.

• Bereitstellungsflexibilität: 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 eine breitere Bereitstellung deiner TensorFlow-Modelle.

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

Link to this sectionBereitstellungsoptionen mit TF GraphDef#

Bevor wir uns mit dem Prozess des Exports von YOLO26-Modellen nach TF GraphDef befassen, werfen wir einen Blick auf einige typische Bereitstellungssituationen, in denen dieses Format verwendet wird.

So kannst du TF GraphDef effizient auf verschiedenen Plattformen bereitstellen.

• 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 auf GraphDef basierenden Modelle in produktive 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 Inferenz auf dem Gerät 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 laufen und die Funktionen von YOLO26 mittels JavaScript nutzen.

• Spezialisierte Hardware: Die plattformunabhängige Natur von TF GraphDef ermöglicht es, auf kundenspezifische 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 dessen Leistung über verschiedene Plattformen hinweg zu verbessern.

Link to this sectionInstallation#

Um das erforderliche Paket zu installieren, führe aus:

# Install the required package for YOLO26
pip install ultralytics

Für detaillierte Anweisungen und Best Practices bezüglich des Installationsprozesses, schau dir unsere Ultralytics Installationsanleitung an. Falls du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, konsultiere unseren Leitfaden für allgemeine Probleme für Lösungen und Tipps.

Link to this sectionVerwendung#

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

Das TF GraphDef-Format unterstützt die Modi Export, Predict und Validate. Exportiere dein Modell und lade anschließend das exportierte Modell, um Inferenz auszuführen oder dessen 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 Export.

Link to this sectionBereitstellung exportierter YOLO26 TF GraphDef-Modelle#

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 besteht in der Verwendung der YOLO("model.pb")-Methode, wie zuvor im Anwendungs-Code-Schnipsel gezeigt.

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

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

• TensorFlow Lite: Diese Seite beschreibt, wie Machine-Learning-Modelle in ein für die Inferenz auf dem Gerät optimiertes Format mit TensorFlow Lite konvertiert werden.

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

Link to this sectionZusammenfassung#

In dieser Anleitung 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 Einzelheiten zur Verwendung findest du in der offiziellen TF GraphDef-Dokumentation.

Weitere Informationen zur Integration von Ultralytics YOLO26 mit anderen Plattformen und Frameworks findest du auf unserer Integrationsleitfaden-Seite.

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 Repräsentation des Modells, die ideal für die Bereitstellung in verschiedenen Umgebungen wie Mobilgeräten und Web ist. Um ein YOLO26-Modell nach TF GraphDef zu exportieren, befolge diese Schritte:

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 bereitzustellen, einschließlich Mobilgeräten und Webbrowsern.
2. Optimierungen: Das Format ermöglicht mehrere Optimierungen wie Constant Folding, Quantisierung und Graphtransformationen, welche die Ausführungseffizienz verbessern und den Speicherverbrauch 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 im Vergleich zu 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 Bereitstellungsoptionen.

Entdecke 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 auf verschiedenen spezialisierten Hardwareplattformen bereitstellen. Typische Bereitstellungsszenarien umfassen:

• TensorFlow Serving: Nutze TensorFlow Serving für eine skalierbare Modellbereitstellung in Produktionsumgebungen. Es unterstützt die Modellverwaltung und effiziente Bereitstellung.
• Mobile Geräte: Konvertiere TF GraphDef-Modelle in TensorFlow Lite, das für mobile und eingebettete Geräte optimiert ist und Inferenz auf dem Gerät ermöglicht.
• Webbrowser: Stelle Modelle mittels TensorFlow.js für clientseitige Inferenz in Webanwendungen bereit.
• AI-Beschleuniger: Nutze TPUs und kundenspezifische AI-Chips für beschleunigte Inferenz.

Überprüfe den Abschnitt Bereitstellungsoptionen für detaillierte Informationen.

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

Zur Fehlerbehebung bei häufigen Problemen beim Export von YOLO26-Modellen bietet Ultralytics umfassende Leitfäden und Ressourcen. Wenn du bei der Installation oder dem Modellexport auf Probleme stößt, schau hier nach:

• Leitfaden zu häufigen Problemen: 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.