YOLO26 für die Bereitstellung nach TF GraphDef exportieren#

Wenn du hochmoderne Computer-Vision-Modelle wie YOLO26 in verschiedenen Umgebungen bereitstellst, können Kompatibilitätsprobleme auftreten. Googles TensorFlow GraphDef, kurz TF GraphDef, bietet eine Lösung: eine serialisierte, plattformunabhängige Darstellung deines Modells. Mit dem TF-GraphDef-Modellformat kannst du dein YOLO26-Modell in Umgebungen bereitstellen, in denen möglicherweise nicht das gesamte TensorFlow-Ökosystem verfügbar ist, etwa auf Mobilgeräten oder spezieller 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 vereinfachen 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 ein leistungsstarker Bestandteil des von Google entwickelten TensorFlow-Ökosystems. Damit lassen sich Modelle wie YOLO26 optimieren und bereitstellen. Durch den Export nach TF GraphDef kannst du Modelle aus der Forschung in reale Anwendungen überführen. So können Modelle in Umgebungen ohne das vollständige TensorFlow-Framework ausgeführt werden.

Das GraphDef-Format stellt das Modell als serialisierten Berechnungsgraphen dar. Dadurch werden verschiedene Optimierungstechniken wie Konstantenfaltung, Quantisierung und Graphtransformationen ermöglicht. Diese Optimierungen sorgen für eine effiziente Ausführung, einen geringeren Speicherbedarf und schnellere Inferenz.

GraphDef-Modelle können Hardwarebeschleuniger wie GPUs, TPUs und KI-Chips nutzen und so die Leistung der YOLO26-Inferenzpipeline deutlich steigern. Das TF-GraphDef-Format erstellt ein eigenständiges Paket mit dem Modell und seinen Abhängigkeiten und vereinfacht dadurch die Bereitstellung und Integration in unterschiedliche Systeme.

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 wir uns mit dem Export von YOLO26-Modellen nach TF GraphDef befassen, werfen wir einen Blick auf einige typische Einsatzszenarien für dieses Format.

So kannst du TF GraphDef effizient auf verschiedenen Plattformen einsetzen.

• TensorFlow Serving: Dieses Framework wurde für die Bereitstellung von TensorFlow-Modellen in Produktivumgebungen entwickelt. TensorFlow Serving bietet Modellverwaltung, Versionierung und die Infrastruktur für eine effiziente Bereitstellung von Modellen in großem Maßstab. Damit kannst du deine GraphDef-basierten Modelle nahtlos in produktive Webdienste oder APIs integrieren.

• 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 lassen sich die Modelle für die Inferenz direkt auf dem Gerät verwenden. Die lokale Ausführung bietet häufig eine höhere Leistung und ermöglicht den Offlinebetrieb.

• Webbrowser: Mit TensorFlow.js kannst du TF-GraphDef-Modelle direkt in Webbrowsern bereitstellen. Damit lassen sich clientseitig Anwendungen zur Objekterkennung in Echtzeit erstellen, die die Funktionen von YOLO26 mit 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 sechs der sieben Ultralytics-Aufgaben. Semantische Segmentierung und Tiefenschätzung sind nur mit YOLO26 verfügbar, der einzigen Modellfamilie mit diesen Köpfen. Pose-Modelle lassen sich exportieren, aber die Ultralytics-Inferenz mit GraphDef wird für sie derzeit nicht unterstützt.

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:

# 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.

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 Export, Vorhersage und Validierung. Für Pose-Modelle wird derzeit jedoch nur der Export unterstützt. Exportiere dein Modell und lade anschließend das exportierte Modell, um Inferenz auszuführen oder seine Genauigkeit zu validieren.

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“

from ultralytics import YOLO

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

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

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#

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, ist die Bereitstellung der nächste Schritt. Als ersten und empfohlenen Schritt zum Ausführen eines TF-GraphDef-Modells verwendest du die Methode YOLO("model.pb"), wie zuvor 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.

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

Häufig gestellte Fragen#