Zum Inhalt springen

Exportieren nach TF GraphDef von YOLO11 für die Bereitstellung

Wenn Sie hochmoderne Computer-Vision-Modelle wie YOLO11 in verschiedenen Umgebungen einsetzen, können Sie auf Kompatibilitätsprobleme stoßen. Google's TensorFlow GraphDef oder TF GraphDef , bietet eine Lösung, indem es eine serialisierte, plattformunabhängige Darstellung Ihres Modells bereitstellt. Mit dem TF GraphDef Modellformat können Sie Ihr YOLO11 Modell in Umgebungen einsetzen, in denen das komplette TensorFlow Ökosystem nicht verfügbar ist, wie z. B. auf mobilen Geräten oder spezieller Hardware.

In dieser Anleitung zeigen wir Ihnen Schritt für Schritt, wie Sie Ihre Ultralytics YOLO11 Modelle in das Modellformat TF GraphDef exportieren. Durch die Konvertierung Ihres Modells können Sie die Bereitstellung optimieren und die Computer-Vision-Funktionen von YOLO11 in einer breiteren Palette von Anwendungen und Plattformen nutzen.

TensorFlow GraphDef

Warum sollten Sie auf TF GraphDef exportieren?

TF GraphDef ist eine leistungsstarke Komponente des TensorFlow Ökosystems, die von Google entwickelt wurde. Sie kann verwendet werden, um Modelle wie YOLO11 zu optimieren und einzusetzen. Durch den Export nach TF GraphDef können wir Modelle aus der Forschung in reale Anwendungen überführen. Es ermöglicht die Ausführung von Modellen in Umgebungen ohne das vollständige TensorFlow Framework.

Das Format GraphDef stellt das Modell als serialisierten Berechnungsgraphen dar. Dies ermöglicht verschiedene Optimierungstechniken wie Konstantenfaltung, Quantisierung und Graphentransformationen. Diese Optimierungen gewährleisten eine effiziente Ausführung, eine geringere Speichernutzung und eine schnellere Inferenzgeschwindigkeit.

GraphDef Modelle können Hardware-Beschleuniger wie GPUs, TPUs und KI-Chips nutzen, was zu erheblichen Leistungssteigerungen in der YOLO11 Inferenz-Pipeline führt. Das Format TF GraphDef erstellt ein in sich geschlossenes Paket mit dem Modell und seinen Abhängigkeiten, was die Bereitstellung und Integration in verschiedene Systeme vereinfacht.

Hauptmerkmale der Modelle TF GraphDef

TF GraphDef bietet verschiedene Funktionen zur Rationalisierung der Modellbereitstellung und -optimierung.

Hier ein Blick auf seine wichtigsten Merkmale:

  • Modellserialisierung: TF GraphDef bietet eine Möglichkeit zur Serialisierung und Speicherung von TensorFlow Modellen in einem plattformunabhängigen Format. Mit dieser serialisierten Darstellung können Sie Ihre Modelle ohne die ursprüngliche Python Codebasis laden und ausführen, was die Bereitstellung erleichtert.

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

  • Flexibilität bei der Bereitstellung: Modelle, die in das Format GraphDef exportiert wurden, können in verschiedenen Umgebungen verwendet werden, einschließlich Geräten mit eingeschränkten Ressourcen, Webbrowsern und Systemen mit spezieller Hardware. Dies eröffnet Möglichkeiten für einen breiteren Einsatz Ihrer TensorFlow Modelle.

  • Produktionsfokus: GraphDef ist für den Produktionseinsatz konzipiert. Es unterstützt eine effiziente Ausführung, Serialisierungsfunktionen und Optimierungen, die sich an realen Anwendungsfällen orientieren.

Bereitstellungsoptionen mit TF GraphDef

Bevor wir uns mit dem Export von YOLO11 Modellen nach TF GraphDef befassen, wollen wir uns einige typische Einsatzsituationen ansehen, in denen dieses Format verwendet wird.

Hier erfahren Sie, wie Sie mit TF GraphDef effizient über verschiedene Plattformen hinweg arbeiten können.

  • TensorFlow Dienen: Dieses Framework ist für die Bereitstellung von TensorFlow Modellen in Produktionsumgebungen konzipiert. TensorFlow Serving bietet Modellmanagement, Versionierung und die Infrastruktur für effiziente Modellbereitstellung in großem Umfang. Es ist eine nahtlose Möglichkeit, Ihre GraphDef-basierten Modelle in produktive Webdienste oder APIs zu integrieren.

  • Mobile und eingebettete Geräte: Mit Tools wie TensorFlow Lite können Sie TF GraphDef Modelle in Formate konvertieren, die für Smartphones, Tablets und verschiedene eingebettete Geräte optimiert sind. Ihre Modelle können dann für die Inferenz auf dem Gerät verwendet werden, wo die Ausführung lokal erfolgt, was oft 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 laufen und die Möglichkeiten von YOLO11 durch JavaScript nutzen.

  • Spezialisierte Hardware: TF GraphDef ist plattformunabhängig und kann daher auf benutzerdefinierte Hardware wie Beschleuniger und TPUs (Tensor Processing Units) ausgerichtet werden. Diese Geräte können Leistungsvorteile für rechenintensive Modelle bieten.

Exportieren von YOLO11 Modellen nach TF GraphDef

Sie können Ihr Objekterkennungsmodell YOLO11 in das Format TF GraphDef konvertieren, das mit verschiedenen Systemen kompatibel ist, um seine Leistung auf verschiedenen Plattformen zu verbessern.

Einrichtung

Führen Sie das erforderliche Paket aus, um es zu installieren:

Einrichtung

# Install the required package for YOLO11
pip install ultralytics

Detaillierte Anweisungen und bewährte Verfahren für den Installationsprozess finden Sie in unserem Ultralytics Installationshandbuch. Wenn Sie bei der Installation der erforderlichen Pakete für YOLO11 auf Schwierigkeiten stoßen, finden Sie in unserem Leitfaden für häufige Probleme Lösungen und Tipps.

Verwendung

Bevor wir uns den Anweisungen zur Verwendung zuwenden, ist es wichtig zu wissen, dass alle Modelle vonUltralytics YOLO11 für den Export verfügbar sind.

Verwendung

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model=yolo11n.pt format=pb  # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model='yolo11n.pb' source='https://ultralytics.com/images/bus.jpg'

Weitere Einzelheiten zu den unterstützten Exportoptionen finden Sie auf der Dokumentationsseite zu den Bereitstellungsoptionen unter Ultralytics .

Bereitstellung von exportierten YOLO11 TF GraphDef Modellen

Sobald Sie Ihr YOLO11 Modell in das TF GraphDef Format exportiert haben, ist der nächste Schritt die Bereitstellung. Der primäre und empfohlene erste Schritt für die Ausführung eines TF GraphDef Modells ist die Verwendung der YOLO("model.pb") Methode, wie zuvor im Verwendungscode-Schnipsel gezeigt.

Weitere Informationen zur Bereitstellung Ihrer TF GraphDef Modelle finden Sie in den folgenden Ressourcen:

  • TensorFlow Bedienung von: Ein Leitfaden zu TensorFlow Serving, der zeigt, wie man Modelle für maschinelles Lernen effizient in Produktionsumgebungen einsetzt und bedient.

  • TensorFlow Lite: Diese Seite beschreibt die Konvertierung von Modellen für maschinelles Lernen in ein Format, das für die Inferenz auf dem Gerät mit TensorFlow Lite optimiert ist.

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

Zusammenfassung

In dieser Anleitung haben wir untersucht, wie man Ultralytics YOLO11 Modelle in das TF GraphDef Format exportiert. Auf diese Weise können Sie Ihre optimierten YOLO11 Modelle flexibel in verschiedenen Umgebungen einsetzen.

Weitere Einzelheiten zur Verwendung finden Sie in der offiziellen DokumentationTF GraphDef .

Weitere Informationen über die Integration von Ultralytics YOLO11 mit anderen Plattformen und Frameworks finden Sie auf unserer Seite Integrationsleitfaden. Dort finden Sie großartige Ressourcen und Einblicke, die Ihnen helfen, das Beste aus YOLO11 in Ihren Projekten zu machen.

FAQ

Wie exportiere ich ein Modell von YOLO11 in das Format TF GraphDef ?

Ultralytics YOLO11 Modelle können nahtlos in das Format TensorFlow GraphDef (TF GraphDef ) exportiert werden. Dieses Format bietet eine serialisierte, plattformunabhängige Darstellung des Modells, die sich ideal für den Einsatz in verschiedenen Umgebungen wie Mobile und Web eignet. Führen Sie die folgenden Schritte aus, um ein YOLO11 Modell in TF GraphDef zu exportieren:

Verwendung

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model="yolo11n.pt" format="pb"  # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model="yolo11n.pb" source="https://ultralytics.com/images/bus.jpg"

Weitere Informationen zu den verschiedenen Exportoptionen finden Sie in der Dokumentation zum Modellexport unter Ultralytics .

Welche Vorteile bietet die Verwendung von TF GraphDef für die Bereitstellung von Modellen YOLO11 ?

Der Export von YOLO11 -Modellen in das Format TF GraphDef bietet zahlreiche Vorteile, unter anderem:

  1. Plattformunabhängigkeit: TF GraphDef bietet ein plattformunabhängiges Format, so dass die Modelle in verschiedenen Umgebungen, einschließlich mobiler Geräte und Webbrowser, eingesetzt werden können.
  2. Optimierungen: Das Format ermöglicht mehrere Optimierungen, wie z. B. Konstantenfaltung, Quantisierung und Graphentransformationen, die die Ausführungseffizienz erhöhen und den Speicherverbrauch verringern.
  3. Hardware-Beschleunigung: Modelle im Format TF GraphDef können Hardwarebeschleuniger wie GPUs, TPUs und KI-Chips zur Leistungssteigerung nutzen.

Weitere Informationen zu den Vorteilen finden Sie im AbschnittTF GraphDef in unserer Dokumentation.

Warum sollte ich Ultralytics YOLO11 gegenüber anderen Objekterkennungsmodellen verwenden?

Ultralytics YOLO11 bietet zahlreiche Vorteile im Vergleich zu anderen Modellen wie YOLOv5 und YOLOv7. Einige der wichtigsten Vorteile sind:

  1. Modernste Leistung: YOLO11 bietet außergewöhnliche Geschwindigkeit und Genauigkeit bei der Objekterkennung, Segmentierung und Klassifizierung in Echtzeit.
  2. Benutzerfreundlichkeit: Mit einer benutzerfreundlichen API für Modelltraining, Validierung, Vorhersage und Export, die sowohl für Anfänger als auch für Experten zugänglich ist.
  3. Breite Kompatibilität: Unterstützt mehrere Exportformate, darunter ONNX, TensorRT, CoreML und TensorFlow, für vielseitige Einsatzmöglichkeiten.

Weitere Details finden Sie in unserer Einführung zu YOLO11.

Wie kann ich ein YOLO11 Modell auf spezieller Hardware mit TF GraphDef einsetzen?

Sobald ein Modell von YOLO11 in das Format TF GraphDef exportiert wurde, können Sie es auf verschiedenen spezialisierten Hardwareplattformen einsetzen. Typische Einsatzszenarien sind:

  • TensorFlow Serving: Verwenden Sie TensorFlow Serving für eine skalierbare Modellbereitstellung in Produktionsumgebungen. Es unterstützt die Modellverwaltung und die effiziente Bereitstellung.
  • Mobile Geräte: Konvertieren Sie TF GraphDef Modelle in TensorFlow Lite, das für mobile und eingebettete Geräte optimiert ist und Inferenzen auf dem Gerät ermöglicht.
  • Web-Browser: Bereitstellung von Modellen mit TensorFlow.js für die clientseitige Inferenz in Webanwendungen.
  • KI-Beschleuniger: Nutzen Sie TPUs und benutzerdefinierte KI-Chips für beschleunigte Inferenzen.

Ausführliche Informationen finden Sie im Abschnitt Bereitstellungsoptionen.

Wo finde ich Lösungen für häufige Probleme beim Exportieren von YOLO11 Modellen?

Für die Behebung häufiger Probleme beim Export von YOLO11 Modellen bietet Ultralytics umfassende Anleitungen und Ressourcen. Wenn Sie während der Installation oder des Modellexports auf Probleme stoßen, lesen Sie bitte nach:

Diese Ressourcen sollten Ihnen helfen, die meisten Probleme im Zusammenhang mit YOLO11 Modellexport und -bereitstellung zu lösen.

📅 Erstellt vor 8 Monaten ✏️ Aktualisiert vor 2 Monaten

Kommentare