Link to this sectionExport in das TF.js-Modellformat aus einem YOLO26-Modellformat#

Die Bereitstellung von Machine Learning-Modellen direkt im Browser oder auf Node.js kann knifflig sein. Du musst sicherstellen, dass dein Modellformat für eine schnellere Leistung optimiert ist, damit das Modell verwendet werden kann, um interaktive Anwendungen lokal auf dem Gerät des Benutzers auszuführen. Das Modellformat TensorFlow.js, oder TF.js, ist darauf ausgelegt, bei minimalem Stromverbrauch eine schnelle Leistung zu liefern.

Die Funktion 'Export in das TF.js-Modellformat' ermöglicht es dir, deine Ultralytics YOLO26-Modelle für eine schnelle und lokal ausgeführte Objekterkennung-Inferenz zu optimieren. In dieser Anleitung führen wir dich durch die Konvertierung deiner Modelle in das TF.js-Format, damit deine Modelle leichter in verschiedenen lokalen Browsern und Node.js-Anwendungen gut funktionieren.

Link to this sectionWarum solltest du in TF.js exportieren?#

Das Exportieren deiner Machine-Learning-Modelle nach TensorFlow.js, das vom TensorFlow-Team als Teil des breiteren TensorFlow-Ökosystems entwickelt wurde, bietet zahlreiche Vorteile für die Bereitstellung von Machine-Learning-Anwendungen. Es trägt dazu bei, den Datenschutz und die Sicherheit der Benutzer zu erhöhen, indem sensible Daten auf dem Gerät verbleiben. Das Bild unten zeigt die Architektur von TensorFlow.js und wie Machine-Learning-Modelle konvertiert und sowohl in Webbrowsern als auch auf Node.js bereitgestellt werden.

Das lokale Ausführen von Modellen reduziert zudem die Latenz und sorgt für eine reaktionsschnellere Benutzererfahrung. TensorFlow.js bietet zudem Offline-Funktionen, wodurch Benutzer deine Anwendung auch ohne Internetverbindung nutzen können. TF.js ist für die effiziente Ausführung komplexer Modelle auf Geräten mit begrenzten Ressourcen konzipiert, da es auf Skalierbarkeit mit Unterstützung für GPU-Beschleunigung ausgelegt ist.

Link to this sectionHauptfunktionen von TF.js#

Hier sind die Hauptfunktionen, die TF.js zu einem leistungsstarken Werkzeug für Entwickler machen:

• Plattformübergreifende Unterstützung: TensorFlow.js kann sowohl in Browser- als auch in Node.js-Umgebungen verwendet werden, was Flexibilität bei der Bereitstellung über verschiedene Plattformen hinweg bietet. Es ermöglicht Entwicklern, Anwendungen einfacher zu erstellen und bereitzustellen.

• Unterstützung für mehrere Backends: TensorFlow.js unterstützt verschiedene Backends für Berechnungen, darunter CPU, WebGL für GPU-Beschleunigung, WebAssembly (WASM) für eine nahezu native Ausführungsgeschwindigkeit und WebGPU für fortschrittliche browserbasierte Machine-Learning-Funktionen.

• Offline-Funktionen: Mit TensorFlow.js können Modelle im Browser ohne Internetverbindung ausgeführt werden, was es ermöglicht, Anwendungen zu entwickeln, die offline funktionsfähig sind.

Link to this sectionBereitstellungsoptionen mit TensorFlow.js#

Bevor wir uns mit dem Prozess des Exportierens von YOLO26-Modellen in das TF.js-Format befassen, schauen wir uns einige typische Bereitstellungsszenarien an, in denen dieses Format verwendet wird.

TF.js bietet eine Reihe von Optionen zur Bereitstellung deiner Machine-Learning-Modelle:

• Browserbasierte ML-Anwendungen: Du kannst Webanwendungen erstellen, die Machine-Learning-Modelle direkt im Browser ausführen. Der Bedarf an serverseitigen Berechnungen wird eliminiert und die Serverlast reduziert.

• Node.js-Anwendungen: TensorFlow.js unterstützt auch die Bereitstellung in Node.js-Umgebungen, was die Entwicklung von serverseitigen Machine-Learning-Anwendungen ermöglicht. Dies ist besonders nützlich für Anwendungen, die die Rechenleistung eines Servers oder den Zugriff auf serverseitige Daten erfordern.

• Chrome-Erweiterungen: Ein interessantes Bereitstellungsszenario ist die Erstellung von Chrome-Erweiterungen mit TensorFlow.js. Du kannst beispielsweise eine Erweiterung entwickeln, die es Benutzern ermöglicht, mit der rechten Maustaste auf ein Bild auf einer beliebigen Webseite zu klicken, um es mithilfe eines vortrainierten ML-Modells zu klassifizieren. TensorFlow.js kann in alltägliche Web-Browsing-Erlebnisse integriert werden, um sofortige Erkenntnisse oder Erweiterungen auf der Grundlage von Machine Learning bereitzustellen.

Link to this sectionExportieren von YOLO26-Modellen nach TensorFlow.js#

Du kannst die Modellkompatibilität und Bereitstellungsflexibilität erweitern, indem du YOLO26-Modelle in TF.js konvertierst.

Link to this sectionInstallation#

Um das erforderliche Paket zu installieren, führe Folgendes aus:

# Install the required package for YOLO26
pip install ultralytics

Detaillierte Anweisungen und Best Practices für den Installationsprozess findest du in unserem Ultralytics-Installationsleitfaden. Wenn du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, schau in unserem Leitfaden zu häufigen Problemen nach Lösungen und Tipps.

Link to this sectionVerwendung#

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

Das TF.js-Format ist in Ultralytics nur für den Export gedacht — Predict und Validate sind lokal nicht verfügbar. Stelle das exportierte Modell im Browser oder einer Node.js-Anwendung mit der TensorFlow.js-Laufzeitumgebung bereit.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

Link to this sectionExport-Argumente#

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

Link to this sectionBereitstellung exportierter YOLO26 TensorFlow.js-Modelle#

Nachdem du dein YOLO26-Modell in das TF.js-Format exportiert hast, ist der nächste Schritt die Bereitstellung. Ultralytics bietet kein lokales TF.js-Inferenz-Backend an, daher ist das exportierte _web_model dafür vorgesehen, direkt mit der TensorFlow.js-Laufzeitumgebung in einem Browser oder einer Node.js-Anwendung ausgeführt zu werden.

Für detaillierte Anweisungen zur Bereitstellung deiner TF.js-Modelle schau dir die folgenden Ressourcen an:

• Chrome-Erweiterung: Hier ist die Entwicklerdokumentation dazu, wie du deine TF.js-Modelle für eine Chrome-Erweiterung bereitstellst.

• Run TensorFlow.js in Node.js: Ein TensorFlow-Blogbeitrag über das direkte Ausführen von TensorFlow.js in Node.js.

• Deploying TensorFlow.js - Node Project on Cloud Platform: Ein TensorFlow-Blogbeitrag über die Bereitstellung eines TensorFlow.js-Modells auf einer Cloud-Plattform.

Link to this sectionZusammenfassung#

In dieser Anleitung haben wir gelernt, wie man Ultralytics YOLO26-Modelle in das TensorFlow.js-Format exportiert. Durch den Export nach TF.js gewinnst du die Flexibilität, deine YOLO26-Modelle auf einer Vielzahl von Plattformen zu optimieren, bereitzustellen und zu skalieren.

Weitere Details zur Verwendung findest du in der offiziellen Dokumentation von TensorFlow.js.

Für weitere Informationen zur Integration von Ultralytics YOLO26 mit anderen Plattformen und Frameworks vergiss nicht, unsere Integrationsleitfaden-Seite zu besuchen. Sie ist vollgepackt mit großartigen Ressourcen, die dir helfen, das Beste aus YOLO26 in deinen Projekten herauszuholen.

Link to this sectionFAQ#

Link to this sectionWie exportiere ich Ultralytics YOLO26-Modelle in das TensorFlow.js-Format?#

Das Exportieren von Ultralytics YOLO26-Modellen in das TensorFlow.js (TF.js)-Format ist unkompliziert. Du kannst diese Schritte befolgen:

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

# Deploy the exported '_web_model' with the TensorFlow.js runtime in a browser or Node.js app.
# Ultralytics does not provide a local TF.js inference backend.

Weitere Informationen zu unterstützten Exportoptionen findest du auf der Ultralytics-Dokumentationsseite zu Bereitstellungsoptionen.

Link to this sectionWarum sollte ich meine YOLO26-Modelle nach TensorFlow.js exportieren?#

Das Exportieren von YOLO26-Modellen nach TensorFlow.js bietet mehrere Vorteile, darunter:

1. Lokale Ausführung: Modelle können direkt im Browser oder in Node.js ausgeführt werden, was die Latenz reduziert und das Benutzererlebnis verbessert.
2. Plattformübergreifende Unterstützung: TF.js unterstützt mehrere Umgebungen, was Flexibilität bei der Bereitstellung ermöglicht.
3. Offline-Funktionen: Ermöglicht Anwendungen, ohne Internetverbindung zu funktionieren, was Zuverlässigkeit und Privatsphäre gewährleistet.
4. GPU-Beschleunigung: Nutzt WebGL für die GPU-Beschleunigung und optimiert die Leistung auf Geräten mit begrenzten Ressourcen.

Link to this sectionWie profitiert browserbasiertes Machine Learning von TensorFlow.js?#

TensorFlow.js ist speziell für die effiziente Ausführung von ML-Modellen in Browsern und Node.js-Umgebungen konzipiert. So profitieren browserbasierte Anwendungen davon:

• Reduziert die Latenz: Führt Machine-Learning-Modelle lokal aus und liefert sofortige Ergebnisse, ohne auf serverseitige Berechnungen angewiesen zu sein.
• Verbessert die Privatsphäre: Bewahrt sensible Daten auf dem Gerät des Benutzers und minimiert Sicherheitsrisiken.
• Ermöglicht Offline-Nutzung: Modelle können ohne Internetverbindung betrieben werden, was eine konsistente Funktionalität sicherstellt.
• Unterstützt mehrere Backends: Bietet Flexibilität mit Backends wie CPU, WebGL, WebAssembly (WASM) und WebGPU für unterschiedliche Rechenanforderungen.

Möchtest du mehr über TF.js erfahren? Schau dir den offiziellen TensorFlow.js-Leitfaden an.

Link to this sectionWas sind die Hauptfunktionen von TensorFlow.js für die Bereitstellung von YOLO26-Modellen?#

Zu den Hauptfunktionen von TensorFlow.js gehören:

• Plattformübergreifende Unterstützung: TF.js kann sowohl in Webbrowsern als auch in Node.js verwendet werden, was eine umfassende Flexibilität bei der Bereitstellung bietet.
• Mehrere Backends: Unterstützt CPU, WebGL für GPU-Beschleunigung, WebAssembly (WASM) und WebGPU für fortgeschrittene Operationen.
• Offline-Funktionen: Modelle können direkt im Browser ohne Internetverbindung ausgeführt werden, was es ideal für die Entwicklung reaktionsschneller Webanwendungen macht.

Für Bereitstellungsszenarien und weiterführende Informationen siehe unseren Abschnitt über Bereitstellungsoptionen mit TensorFlow.js.

Link to this sectionKann ich ein YOLO26-Modell mithilfe von TensorFlow.js auf serverseitigen Node.js-Anwendungen bereitstellen?#

Ja, TensorFlow.js ermöglicht die Bereitstellung von YOLO26-Modellen in Node.js-Umgebungen. Dies ermöglicht serverseitige Machine-Learning-Anwendungen, die von der Rechenleistung eines Servers und dem Zugriff auf serverseitige Daten profitieren. Typische Anwendungsfälle sind Echtzeit-Datenverarbeitung und Machine-Learning-Pipelines auf Backend-Servern.

Um mit der Node.js-Bereitstellung zu beginnen, beziehe dich auf den Leitfaden Run TensorFlow.js in Node.js von TensorFlow.