So exportierst du YOLO26 für die Bereitstellung nach TF GraphDef#

Wenn du hochmoderne Computer Vision-Modelle wie YOLO26 in verschiedenen Umgebungen bereitstellst, stößt du möglicherweise auf Kompatibilitätsprobleme. Google TensorFlow GraphDef bzw. 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 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 die Bereitstellung optimieren und die Computer-Vision-Funktionen von YOLO26 in einem breiteren Spektrum von Anwendungen und Plattformen nutzen.

Warum 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.

Hauptmerkmale von TF GraphDef-Modellen#

TF GraphDef bietet spezielle Funktionen zur Optimierung von 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.

Bereitstellungsoptionen 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.

• Mobil- und Embedded-Geräte: Mit Tools wie LiteRT kannst du TF GraphDef-Modelle in Formate konvertieren, die für Smartphones, Tablets und verschiedene Embedded-Geräte optimiert sind. Deine Modelle können dann für die geräteinterne Inferenz verwendet werden, bei der die Ausführung lokal erfolgt, was häufig Leistungssteigerungen und Offline-Funktionen 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 Funktionen 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.

Unterstützte Aufgaben#

TF GraphDef-Export unterstützt sechs der sieben Ultralytics-Aufgaben. Semantische Segmentierung und Tiefenschätzung sind nur mit YOLO26 verfügbar, der einzigen Modellfamilie, die diese Köpfe bereitstellt. Pose-Modelle können exportiert werden, aber die Ultralytics GraphDef-Inferenz wird für diese derzeit nicht unterstützt.

Exportieren von YOLO26-Modellen nach TF GraphDef#

Du kannst dein YOLO26-Modell 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 Folgendes aus:

# Install the required package for YOLO26
pip install ultralytics

Detaillierte Anweisungen und bewährte Methoden zum Installationsprozess findest du in unserer Ultralytics-Installationsanleitung. Wenn während der Installation der erforderlichen Pakete für YOLO26 Schwierigkeiten auftreten, findest du in unserem Leitfaden zu häufigen Problemen Lösungen und Tipps.

Verwendung#

Alle Ultralytics YOLO26 models sind so konzipiert, dass sie den Export von Haus aus unterstützen, sodass du sie mühelos in deinen bevorzugten Bereitstellungsworkflow integrieren kannst. Du kannst the full list of supported export formats and configuration options einsehen, um das beste Setup für deine Anwendung auszuwählen.

Das TF GraphDef-Format unterstützt die Modi Export, Predict und Validate, mit der Ausnahme, dass Pose-Modelle derzeit nur den Export unterstützen. Exportiere dein Modell und lade das exportierte Modell anschließend, um eine 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")

Export-Argumente#

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

Bereitstellung 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 in Produktionsumgebungen effizient bereitgestellt und bedient werden.

• TensorFlow Lite: Diese Seite beschreibt, wie Machine-Learning-Modelle in ein Format konvertiert werden, das für die geräteinterne Inferenz mit TensorFlow Lite optimiert ist.

• TensorFlow.js: Ein Leitfaden zur Modellkonvertierung, der zeigt, 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 TF GraphDef-Dokumentation.

Weitere Informationen zur Integration von Ultralytics YOLO26 in andere Plattformen und Frameworks findest du auf unserer Integrationsleitfadenseite.

FAQ#