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 schwierig sein. Du musst sicherstellen, dass dein Modellformat für eine schnellere Leistung optimiert ist, damit das Modell lokal auf dem Gerät des Benutzers für interaktive Anwendungen verwendet werden kann. Das TensorFlow.js- (oder TF.js-)Modellformat ist darauf ausgelegt, bei minimalem Energieverbrauch 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 in verschiedenen lokalen Browsern und Node.js-Anwendungen reibungslos funktionieren.

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

Der Export deiner Machine-Learning-Modelle in 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 hilft dabei, die Privatsphäre und Sicherheit der Benutzer zu erhöhen, indem sensible Daten auf dem Gerät verbleiben. Das Bild unten zeigt die TensorFlow.js-Architektur und wie Machine-Learning-Modelle konvertiert und sowohl in Webbrowsern als auch in Node.js bereitgestellt werden.

Die lokale Ausführung von Modellen reduziert zudem die Latenz und sorgt für eine reaktionsschnellere Benutzererfahrung. TensorFlow.js verfügt außerdem über Offline-Funktionen, sodass 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 und GPU-Beschleunigungsunterstützung 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 erleichtert Entwicklern das Erstellen und Bereitstellen von Anwendungen.

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

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

Link to this sectionBereitstellungsoptionen mit TensorFlow.js#

Bevor wir uns mit dem Prozess des Exports 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. Die Notwendigkeit serverseitiger Berechnungen entfällt und die Serverlast wird reduziert.

• Node.js-Anwendungen: TensorFlow.js unterstützt auch die Bereitstellung in Node.js-Umgebungen, was die Entwicklung serverseitiger 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 das Erstellen von Chrome-Erweiterungen mit TensorFlow.js. Du könntest beispielsweise eine Erweiterung entwickeln, mit der Benutzer per Rechtsklick auf ein Bild innerhalb einer Webseite dieses mithilfe eines vortrainierten ML-Modells klassifizieren können. TensorFlow.js kann in alltägliche Web-Browsing-Erlebnisse integriert werden, um sofortige Einblicke oder Erweiterungen auf Basis von Machine Learning zu bieten.

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 bewährte Verfahren bezüglich des Installationsprozesses findest du in unserem Ultralytics-Installationsleitfaden. Falls du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, konsultiere unseren Leitfaden für allgemeine Probleme für Lösungen und Tipps.

Link to this sectionVerwendung#

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

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

Für weitere Details zum Exportprozess besuche die Dokumentationsseite von Ultralytics zum Thema Exportieren.

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

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

Für detaillierte Anweisungen zur Bereitstellung deiner TF.js-Modelle wirf einen Blick auf die folgenden Ressourcen:

• Chrome-Erweiterung: Hier ist die Entwicklerdokumentation zur Bereitstellung deiner TF.js-Modelle als Chrome-Erweiterung.

• Run TensorFlow.js in Node.js: Ein TensorFlow-Blogbeitrag zum direkten Ausführen von TensorFlow.js in Node.js.

• Deploying TensorFlow.js - Node Project on Cloud Platform: Ein TensorFlow-Blogbeitrag zur 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 TensorFlow.js-Dokumentation.

Für weitere Informationen zur Integration von Ultralytics YOLO26 mit anderen Plattformen und Frameworks vergiss nicht, unsere Integrationsleitfaden-Seite zu besuchen. Sie steckt voller hilfreicher Ressourcen, damit du YOLO26 optimal in deinen Projekten nutzen kannst.

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 diesen Schritten folgen:

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 Details zu den unterstützten Exportoptionen findest du auf der Ultralytics-Dokumentationsseite zu Bereitstellungsoptionen.

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

Der Export 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 die Benutzererfahrung 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 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 Latenz: Führt Machine-Learning-Modelle lokal aus und liefert sofortige Ergebnisse, ohne auf serverseitige Berechnungen angewiesen zu sein.
• Verbessert Privatsphäre: Hält sensible Daten auf dem Gerät des Benutzers und minimiert Sicherheitsrisiken.
• Ermöglicht Offline-Nutzung: Modelle können ohne Internetverbindung arbeiten und gewährleisten so eine konsistente Funktionalität.
• Unterstützt mehrere Backends: Bietet Flexibilität mit Backends wie CPU, WebGL, WebAssembly (WASM) und WebGPU für unterschiedliche Berechnungsanforderungen.

Interessiert an weiteren Informationen zu TF.js? 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 komplexe Operationen.
• Offline-Funktionen: Modelle können ohne Internetverbindung direkt im Browser ausgeführt werden, was es ideal für die Entwicklung reaktionsschneller Webanwendungen macht.

Für Bereitstellungsszenarien und tiefergehende Informationen sieh dir unseren Abschnitt zu Bereitstellungsoptionen mit TensorFlow.js an.

Link to this sectionKann ich ein YOLO26-Modell mithilfe von TensorFlow.js in 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 umfassen 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.