Exportieren in das TF.js Modellformat aus einem YOLO11 Modellformat

Die Bereitstellung von Modellen für maschinelles Lernen direkt im Browser oder auf Node.js kann schwierig sein. Sie müssen sicherstellen, dass Ihr 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 wurde entwickelt, um möglichst wenig Energie zu verbrauchen und gleichzeitig eine schnelle Leistung zu liefern.

Mit der Funktion "Export in TF.js-Modellformat" können Sie Ihre Modelle Ultralytics YOLO11 Modelle für schnelle und lokal ausgeführte Objekterkennungsinferenzen zu optimieren. In diesem Leitfaden zeigen wir Ihnen, wie Sie Ihre Modelle in das TF.js-Format konvertieren, um die Leistung Ihrer Modelle in verschiedenen lokalen Browsern und Node.js-Anwendungen zu verbessern.

Warum sollten Sie nach TF.js exportieren?

Der Export Ihrer 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 zur Verbesserung des Datenschutzes und der Sicherheit der Benutzer bei, da sensible Daten auf dem Gerät verbleiben. Die folgende Abbildung zeigt die TensorFlow.js-Architektur und wie Modelle für maschinelles Lernen konvertiert und sowohl in Webbrowsern als auch in Node.js bereitgestellt werden.

Die lokale Ausführung von Modellen verringert außerdem die Latenzzeit und sorgt für eine schnellere Reaktion der Benutzer. TensorFlow.js verfügt auch über Offline-Funktionen, so dass Benutzer Ihre 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 ausgelegt ist und die Beschleunigung durch GPU unterstützt.

Hauptmerkmale von TF.js

Hier sind die wichtigsten Funktionen, 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 und bietet Flexibilität bei der Bereitstellung auf verschiedenen Plattformen. Entwickler können damit Anwendungen einfacher erstellen und bereitstellen.

• 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 erweiterte browserbasierte maschinelle Lernfunktionen.

• Offline-Fähigkeiten: Mit TensorFlow.js können Modelle im Browser ausgeführt werden, ohne dass eine Internetverbindung erforderlich ist, so dass es möglich ist, Anwendungen zu entwickeln, die auch offline funktionieren.

Bereitstellungsoptionen mit TensorFlow.js

Bevor wir uns mit dem Export von YOLO11 Modellen in das TF.js Format beschäftigen, wollen wir einige typische Einsatzszenarien untersuchen, in denen dieses Format verwendet wird.

TF.js bietet eine Reihe von Optionen für den Einsatz Ihrer Machine-Learning-Modelle:

• In-Browser ML-Anwendungen: Sie können Webanwendungen erstellen, die Modelle für maschinelles Lernen direkt im Browser ausführen. Die Notwendigkeit einer serverseitigen Berechnung entfällt und die Serverlast wird reduziert.

• Node.js-Anwendungen:: TensorFlow.js unterstützt auch den Einsatz in Node.js-Umgebungen und ermöglicht die Entwicklung von serverseitigen Anwendungen für maschinelles Lernen. Es ist besonders nützlich für Anwendungen, die die Verarbeitungsleistung eines Servers oder den Zugriff auf serverseitige Daten benötigen.

• Chrome-Erweiterungen: Ein interessantes Einsatzszenario ist die Erstellung von Chrome-Erweiterungen mit TensorFlow.js. Sie können zum Beispiel eine Erweiterung entwickeln, die es dem Benutzer ermöglicht, mit der rechten Maustaste auf ein Bild auf einer beliebigen Webseite zu klicken, um es mithilfe eines vorab trainierten ML-Modells zu klassifizieren. TensorFlow.js kann in das alltägliche Web-Browsing-Erlebnis integriert werden, um unmittelbare Erkenntnisse oder Erweiterungen auf der Grundlage von maschinellem Lernen zu liefern.

Exportieren von YOLO11 Modellen nach TensorFlow.js

Sie können die Modellkompatibilität und Bereitstellungsflexibilität erweitern, indem Sie YOLO11 Modelle in TF.js konvertieren.

Einrichtung

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

# 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.

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' 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 TensorFlow .js-Modellen

Nachdem Sie Ihr YOLO11 Modell in das TF.js Format exportiert haben, ist der nächste Schritt, es zu verteilen. Der primäre und empfohlene erste Schritt zur Ausführung einer TF.js ist die Verwendung der YOLO("./yolo11n_web_model") Methode, wie zuvor in dem Codeausschnitt zur Verwendung gezeigt.

Eine ausführliche Anleitung zur Bereitstellung Ihrer TF.js-Modelle finden Sie in den folgenden Ressourcen:

• Chrome-Erweiterung: Hier finden Sie die Dokumentation für Entwickler, wie Sie Ihre TF.js-Modelle in einer Chrome-Erweiterung bereitstellen können.

• TensorFlow.js in Node.js ausführen: Ein TensorFlow Blog-Post über die direkte Ausführung von TensorFlow.js in Node.js.

• Bereitstellung von TensorFlow.js - Node-Projekt auf Cloud-Plattform: Ein TensorFlow Blog-Beitrag über die Bereitstellung eines TensorFlow.js-Modells auf einer Cloud-Plattform.

Zusammenfassung

In dieser Anleitung haben wir gelernt, wie man Ultralytics YOLO11 Modelle in das TensorFlow.js Format exportiert. Durch den Export in TF.js erhalten Sie die Flexibilität, Ihre YOLO11 Modelle auf einer Vielzahl von Plattformen zu optimieren, bereitzustellen und zu skalieren.

Weitere Einzelheiten zur Verwendung finden Sie in der offiziellen DokumentationTensorFlow.js.

Weitere Informationen zur Integration von Ultralytics YOLO11 mit anderen Plattformen und Frameworks finden Sie auf unserer Seite mit den Integrationsanleitungen. Sie ist vollgepackt mit großartigen Ressourcen, die Ihnen helfen, das Beste aus YOLO11 in Ihren Projekten zu machen.

FAQ

Wie exportiere ich Ultralytics YOLO11 Modelle in das TensorFlow.js Format?

Der Export von Ultralytics YOLO11 Modellen in das Format TensorFlow.js (TF.js) ist einfach. Sie können diese Schritte befolgen:

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

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

Warum sollte ich meine YOLO11 Modelle nach TensorFlow.js exportieren?

Der Export von YOLO11 -Modellen nach TensorFlow.js bietet mehrere Vorteile, unter anderem:

1. Lokale Ausführung: Modelle können direkt im Browser oder in Node.js ausgeführt werden, wodurch die Latenzzeit verringert und die Benutzerfreundlichkeit verbessert wird.
2. Plattformübergreifende Unterstützung: TF.js unterstützt mehrere Umgebungen und ermöglicht so Flexibilität bei der Bereitstellung.
3. Offline-Fähigkeiten: Ermöglicht das Funktionieren von Anwendungen ohne Internetverbindung und gewährleistet so Zuverlässigkeit und Datenschutz.
4. GPU Beschleunigung: Nutzt WebGL zur Beschleunigung von GPU und optimiert so die Leistung auf Geräten mit begrenzten Ressourcen.

Einen umfassenden Überblick finden Sie unter TensorFlow.js.

Wie profitiert TensorFlow.js von browserbasierten Anwendungen für maschinelles Lernen?

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

• Reduziert die Latenzzeit: Führt Modelle für maschinelles Lernen lokal aus und liefert sofortige Ergebnisse, ohne auf serverseitige Berechnungen angewiesen zu sein.
• Verbessert den Datenschutz: Sensible Daten bleiben auf dem Gerät des Benutzers, wodurch Sicherheitsrisiken minimiert werden.
• Ermöglicht Offline-Nutzung: Die Modelle können ohne Internetverbindung betrieben werden, was eine gleichbleibende Funktionalität gewährleistet.
• Unterstützt mehrere Backends: Bietet Flexibilität mit Backends wie CPU, WebGL, WebAssembly (WASM) und WebGPU für unterschiedliche Berechnungsanforderungen.

Möchten Sie mehr über TF.js erfahren? Sehen Sie sich den offiziellen TensorFlow.js-Leitfaden an.

Was sind die wichtigsten Funktionen von TensorFlow.js für die Bereitstellung von YOLO11 Modellen?

Zu den wichtigsten Funktionen von TensorFlow.js gehören:

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

Für Einsatzszenarien und ausführlichere Informationen siehe unseren Abschnitt über Einsatzoptionen mit TensorFlow.js.

Kann ich ein YOLO11 -Modell in serverseitigen Node.js-Anwendungen mit TensorFlow.js einsetzen?

Ja, TensorFlow.js ermöglicht die Bereitstellung von YOLO11 Modellen in Node.js-Umgebungen. Dies ermöglicht serverseitige Anwendungen für maschinelles Lernen, die von der Verarbeitungsleistung eines Servers und dem Zugriff auf serverseitige Daten profitieren. Typische Anwendungsfälle sind Echtzeit-Datenverarbeitung und Pipelines für maschinelles Lernen auf Backend-Servern.

Um mit der Node.js-Bereitstellung zu beginnen, lesen Sie die Anleitung Run TensorFlow.js in Node.js von TensorFlow.

📅 Erstellt vor 7 Monaten ✏️ Aktualisiert vor 1 Monat

Kommentare