Cómo exportar a TF GraphDef desde YOLO11 para su implantación

Al implantar modelos de visión por ordenador de última generación, como YOLO11, en distintos entornos, pueden surgir problemas de compatibilidad. Google's TensorFlow GraphDef o TF GraphDef , ofrece una solución al proporcionar una representación serializada e independiente de la plataforma de su modelo. Utilizando el formato de modelo TF GraphDef , puede desplegar su modelo YOLO11 en entornos en los que el ecosistema completo TensorFlow puede no estar disponible, como dispositivos móviles o hardware especializado.

En esta guía, le explicaremos paso a paso cómo exportar sus Ultralytics YOLO11 modelos al formato de modelo TF GraphDef . Al convertir su modelo, puede agilizar la implementación y utilizar las capacidades de visión por ordenador de YOLO11 en una gama más amplia de aplicaciones y plataformas.

¿Por qué exportar a TF GraphDef ?

TF GraphDef es un potente componente del ecosistema TensorFlow desarrollado por Google. Puede utilizarse para optimizar y desplegar modelos como YOLO11. La exportación a TF GraphDef nos permite trasladar los modelos de la investigación a las aplicaciones del mundo real. Permite que los modelos se ejecuten en entornos sin el marco completo de TensorFlow .

El formato GraphDef representa el modelo como un grafo de computación serializado. Esto permite diversas técnicas de optimización, como el plegado de constantes, la cuantización y las transformaciones de grafos. Estas optimizaciones garantizan una ejecución eficaz, un uso reducido de la memoria y una mayor velocidad de inferencia.

GraphDef pueden utilizar aceleradores de hardware como GPUs, TPUs y chips de IA, lo que permite obtener importantes mejoras de rendimiento en el proceso de inferencia de YOLO11 . El formato TF GraphDef crea un paquete autónomo con el modelo y sus dependencias, lo que simplifica el despliegue y la integración en diversos sistemas.

Características principales de los modelos TF GraphDef

TF GraphDef ofrece distintas funciones para agilizar la implantación y optimización de modelos.

He aquí sus principales características:

• Serialización de modelos: TF GraphDef proporciona una forma de serializar y almacenar modelos TensorFlow en un formato independiente de la plataforma. Esta representación serializada permite cargar y ejecutar los modelos sin la base de código Python original, lo que facilita el despliegue.

• Optimización de grafos: TF GraphDef permite optimizar los grafos computacionales. Estas optimizaciones pueden aumentar el rendimiento agilizando el flujo de ejecución, reduciendo las redundancias y adaptando las operaciones a un hardware específico.

• Flexibilidad de despliegue: Los modelos exportados al formato GraphDef pueden utilizarse en diversos entornos, incluidos dispositivos con recursos limitados, navegadores web y sistemas con hardware especializado. Esto abre posibilidades para un despliegue más amplio de sus modelos TensorFlow .

• Enfoque de producción: GraphDef está diseñado para el despliegue de producción. Admite una ejecución eficiente, funciones de serialización y optimizaciones que se ajustan a los casos de uso del mundo real.

Opciones de implantación con TF GraphDef

Antes de sumergirnos en el proceso de exportación de modelos de YOLO11 a TF GraphDef , echemos un vistazo a algunas situaciones típicas de despliegue en las que se utiliza este formato.

A continuación se explica cómo desplegar con TF GraphDef de forma eficaz en varias plataformas.

• TensorFlow Servir: Este marco está diseñado para desplegar modelos TensorFlow en entornos de producción. TensorFlow Serving ofrece gestión de modelos, control de versiones y la infraestructura necesaria para un servicio eficiente de modelos a escala. Es una forma sencilla de integrar sus modelos basados en GraphDef en servicios web o API de producción.

• Dispositivos móviles e integrados: Con herramientas como TensorFlow Lite, puede convertir los modelosGraphDef TF en formatos optimizados para smartphones, tabletas y diversos dispositivos integrados. A continuación, los modelos se pueden utilizar para la inferencia en el dispositivo, donde la ejecución se realiza localmente, lo que a menudo proporciona mejoras de rendimiento y capacidades fuera de línea.

• Navegadores web: TensorFlow.js permite el despliegue de modelos TF GraphDef directamente dentro de los navegadores web. Allana el camino para las aplicaciones de detección de objetos en tiempo real que se ejecutan en el lado del cliente, utilizando las capacidades de YOLO11 a través de JavaScript.

• Hardware especializado: TF La naturaleza agnóstica de las plataformas deGraphDef permite utilizar hardware personalizado, como aceleradores y TPU (Tensor Processing Units). Estos dispositivos pueden aportar ventajas de rendimiento a los modelos de cálculo intensivo.

Exportación de modelos YOLO11 a TF GraphDef

Puede convertir su modelo de detección de objetos YOLO11 al formato TF GraphDef , compatible con varios sistemas, para mejorar su rendimiento en todas las plataformas.

Instalación

Para instalar el paquete necesario, ejecute

# Install the required package for YOLO11
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónUltralytics . Mientras instala los paquetes necesarios para YOLO11, si encuentra alguna dificultad, consulte nuestra guía de problemas comunes para obtener soluciones y consejos.

Utilización

Antes de entrar en las instrucciones de uso, es importante tener en cuenta que, aunque todos los modelos deUltralytics YOLO11 están disponibles para la exportación, aquí puede asegurarse de que el modelo que seleccione admite la función de exportación.

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'

Argumentos de exportación

Para más detalles sobre el proceso de exportación, visite la página de documentaciónUltralytics sobre exportación.

Despliegue de modelos exportados YOLO11 TF GraphDef

Una vez que haya exportado su modelo YOLO11 al formato TF GraphDef , el siguiente paso es el despliegue. El primer paso principal y recomendado para ejecutar un modelo TF GraphDef es utilizar el método YOLO("model.pb"), como se ha mostrado anteriormente en el fragmento de código de uso.

No obstante, si desea más información sobre la implantación de sus modelos TF GraphDef , consulte los siguientes recursos:

• TensorFlow Sirviendo a: Una guía sobre TensorFlow Serving que enseña a desplegar y servir modelos de aprendizaje automático de forma eficiente en entornos de producción.

• TensorFlow Lite: Esta página describe cómo convertir modelos de aprendizaje automático en un formato optimizado para la inferencia en el dispositivo con TensorFlow Lite.

• TensorFlow.js: Una guía sobre la conversión de modelos que enseña a convertir modelos de TensorFlow o Keras al formato TensorFlow.js para su uso en aplicaciones web.

Resumen

En esta guía, exploramos cómo exportar modelos Ultralytics YOLO11 al formato TF GraphDef . De este modo, podrá desplegar de forma flexible sus modelos YOLO11 optimizados en distintos entornos.

Para más detalles sobre su uso, visite la documentación oficial deTF GraphDef .

Para más información sobre la integración de Ultralytics YOLO11 con otras plataformas y frameworks, no olvides consultar nuestra página de guía de integración. En ella encontrarás recursos e información que te ayudarán a sacar el máximo partido de YOLO11 en tus proyectos.

PREGUNTAS FRECUENTES

¿Cómo se exporta un modelo YOLO11 al formato TF GraphDef ?

Ultralytics YOLO11 pueden exportarse sin problemas al formato TensorFlow GraphDef (TF GraphDef ). Este formato proporciona una representación serializada e independiente de la plataforma del modelo, ideal para desplegarlo en entornos variados como móvil y web. Para exportar un modelo YOLO11 a TF GraphDef , siga estos pasos:

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"

Para más información sobre las distintas opciones de exportación, visite la documentación deUltralytics sobre exportación de modelos.

¿Cuáles son las ventajas de utilizar TF GraphDef para la implantación del modelo YOLO11 ?

La exportación de modelos YOLO11 al formato TF GraphDef ofrece múltiples ventajas, entre ellas:

1. Independencia de la plataforma: TF GraphDef proporciona un formato independiente de la plataforma, lo que permite desplegar los modelos en diversos entornos, incluidos los navegadores móviles y web.
2. Optimizaciones: El formato permite varias optimizaciones, como el plegado de constantes, la cuantización y las transformaciones de grafos, que mejoran la eficiencia de ejecución y reducen el uso de memoria.
3. Aceleración por hardware: Los modelos en formato TF GraphDef pueden aprovechar aceleradores de hardware como GPU, TPU y chips de IA para aumentar el rendimiento.

Más información sobre las ventajas en la secciónTF GraphDef de nuestra documentación.

¿Por qué debería utilizar Ultralytics YOLO11 en lugar de otros modelos de detección de objetos?

Ultralytics YOLO11 ofrece numerosas ventajas en comparación con otros modelos como YOLOv5 y YOLOv7. Algunas de las principales ventajas son:

1. Rendimiento de vanguardia: YOLO11 proporciona una velocidad y precisión excepcionales para la detección, segmentación y clasificación de objetos en tiempo real.
2. Facilidad de uso: Presenta una API fácil de usar para la formación, validación, predicción y exportación de modelos, lo que la hace accesible tanto para principiantes como para expertos.
3. Amplia compatibilidad: Admite múltiples formatos de exportación, como ONNX, TensorRT, CoreML y TensorFlow, para ofrecer opciones de implantación versátiles.

Explore más detalles en nuestra introducción a YOLO11.

¿Cómo puedo implantar un modelo YOLO11 en hardware especializado utilizando TF GraphDef ?

Una vez exportado un modelo YOLO11 al formato TF GraphDef , puede desplegarlo en diversas plataformas de hardware especializadas. Los escenarios típicos de despliegue incluyen:

• TensorFlow Servir: Utilice TensorFlow Serving para el despliegue escalable de modelos en entornos de producción. Admite la gestión de modelos y un servicio eficiente.
• Dispositivos móviles: Convierta los modelos TF GraphDef en TensorFlow Lite, optimizados para dispositivos móviles e integrados, lo que permite la inferencia en el dispositivo.
• Navegadores web: Despliegue modelos utilizando TensorFlow.js para la inferencia del lado del cliente en aplicaciones web.
• Aceleradores de IA: Aprovecha las TPU y los chips de IA personalizados para acelerar la inferencia.

Consulte la sección de opciones de despliegue para obtener información detallada.

¿Dónde puedo encontrar soluciones a los problemas más comunes al exportar modelos a YOLO11 ?

Para solucionar problemas comunes con la exportación de modelos de YOLO11 , Ultralytics proporciona guías y recursos completos. Si tiene problemas durante la instalación o la exportación de modelos, consulte:

• Guía de problemas comunes: Ofrece soluciones a problemas frecuentes.
• Guía de instalación: Instrucciones paso a paso para configurar los paquetes necesarios.

Estos recursos deberían ayudarle a resolver la mayoría de los problemas relacionados con la exportación e implantación del modelo YOLO11 .

Creado hace 1 año ✏️ Actualizado hace 3 días

Comentarios