Empezar

Cómo exportar YOLO26 a TF GraphDef para su implementación

Al implementar modelos de visión artificial, como YOLO26, en distintos entornos, puedes encontrarte con problemas de compatibilidad. GraphDef de TensorFlow de Google, o TF GraphDef, ofrece una solución al proporcionar una representación serializada del modelo independiente de la plataforma. Con el formato de modelo TF GraphDef, puedes implementar tu modelo YOLO26 en entornos donde no esté disponible todo el ecosistema de TensorFlow, como dispositivos móviles o hardware especializado.

Esta guía te explica paso a paso cómo exportar tus modelos Ultralytics YOLO26 al formato de modelo TF GraphDef. Al convertir tu modelo, puedes simplificar su implementación y utilizar las capacidades de visión artificial de YOLO26 en una gama más amplia de aplicaciones y plataformas.

TensorFlow GraphDef model serialization format

¿Por qué exportar a TF GraphDef?#

TF GraphDef es un componente esencial del ecosistema TensorFlow desarrollado por Google. Se puede utilizar para optimizar e implementar modelos como YOLO26. La exportación a TF GraphDef permite trasladar modelos de la investigación a aplicaciones reales. Los modelos pueden ejecutarse en entornos sin el marco completo de TensorFlow.

El formato GraphDef representa el modelo como un grafo computacional serializado. Esto permite aplicar distintas técnicas de optimización, como el plegado de constantes, la cuantización y las transformaciones del grafo. Estas optimizaciones pueden mejorar la eficiencia de ejecución, reducir el uso de memoria y acelerar la inferencia.

Los modelos GraphDef pueden utilizar aceleradores de hardware, como GPU, TPU y chips de IA, para acelerar el proceso de inferencia de YOLO26. El formato TF GraphDef crea un paquete autónomo que incluye el modelo y sus dependencias, lo que simplifica la implementación y la integración en diversos sistemas.

Características principales de los modelos TF GraphDef#

TF GraphDef ofrece funciones específicas para simplificar la implementación de modelos y su optimización.

Estas son sus características principales:

  • Serialización de modelos: TF GraphDef ofrece 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 el código fuente original de Python, lo que facilita la implementación.

  • Optimización de grafos: TF GraphDef permite optimizar grafos de cálculo. Estas optimizaciones pueden mejorar el rendimiento al agilizar el flujo de ejecución, reducir las redundancias y adaptar las operaciones a hardware específico.

  • Flexibilidad de implementación: Los modelos exportados al formato GraphDef se pueden utilizar en distintos entornos, incluidos dispositivos con recursos limitados, navegadores web y sistemas con hardware especializado. Esto amplía las posibilidades de implementación de tus modelos TensorFlow.

  • Enfoque en producción: GraphDef está diseñado para implementaciones en producción. Admite una ejecución eficiente, funciones de serialización y optimizaciones adaptadas a casos de uso reales.

Opciones de implementación con TF GraphDef#

Antes de exportar modelos YOLO26 a TF GraphDef, veamos algunas situaciones habituales en las que se utiliza este formato.

  • TensorFlow Serving: este marco está diseñado para implementar modelos TensorFlow en entornos de producción. TensorFlow Serving ofrece gestión de modelos, control de versiones y la infraestructura necesaria para servir modelos de forma eficiente a gran escala. Permite integrar fácilmente modelos basados en GraphDef en servicios web o API de producción.

  • Dispositivos móviles e integrados: con herramientas como LiteRT, puedes convertir modelos TF GraphDef a formatos optimizados para smartphones, tabletas y distintos dispositivos integrados. Así, puedes utilizar los modelos para realizar inferencias en el dispositivo, es decir, ejecutar el procesamiento localmente, lo que suele mejorar el rendimiento y permite trabajar sin conexión. Ultralytics también permite exportar YOLO26 directamente a LiteRT.

  • Navegadores web: TensorFlow.js permite implementar modelos TF GraphDef directamente en los navegadores web. Admite aplicaciones de detección de objetos en tiempo real que se ejecutan en el lado del cliente y utilizan YOLO26 mediante JavaScript.

  • Hardware especializado: La naturaleza independiente de la plataforma de TF GraphDef permite utilizarlo con hardware personalizado, como aceleradores y TPU (unidades de procesamiento tensorial). Estos dispositivos pueden ofrecer ventajas de rendimiento con modelos de cálculo intensivo.

Tareas compatibles#

La exportación TF GraphDef admite las siete tareas de Ultralytics. La segmentación semántica y la estimación de profundidad solo están disponibles con YOLO26, la única familia que incluye esas cabezas.

TareaYOLOv8YOLO11YOLO26
Detectar✅✅✅
Segmentar✅✅✅
Semántica❌❌✅
Profundidad❌❌✅
Clasificar✅✅✅
Pose✅✅✅
OBB✅✅✅

Exportar modelos YOLO26 a TF GraphDef#

Puedes convertir tu modelo YOLO26 al formato TF GraphDef, compatible con distintos sistemas, para mejorar su rendimiento en varias plataformas.

Instalación#

Para instalar el paquete necesario, ejecuta:

Instalación
# Install the required package for YOLO26
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si tienes dificultades al instalar los paquetes necesarios para YOLO26, consulta nuestra guía sobre problemas habituales, donde encontrarás soluciones y consejos.

Compatibilidad con plataformas

La exportación TF GraphDef no es compatible con macOS si se usa Python 3.13 o posterior.

Uso#

Todos los modelos Ultralytics YOLO26 están diseñados para admitir la exportación desde el primer momento, lo que facilita su integración en el flujo de trabajo de implementación que prefieras. Puedes consultar la lista completa de formatos de exportación y opciones de configuración compatibles para elegir la configuración más adecuada para tu aplicación.

El formato TF GraphDef admite los modos Exportar, Predecir y Validar. Exporta el modelo y, después, carga el modelo exportado para ejecutar inferencias o validar su precisión.

Exportar
from ultralytics import YOLO

# Carga un modelo YOLO26
model = YOLO("yolo26n.pt")

# Exporta el modelo al formato TF GraphDef
model.export(format="pb")  # crea 'yolo26n.pb'
Predecir
from ultralytics import YOLO

# Carga el modelo TF GraphDef exportado
model = YOLO("yolo26n.pb")

# Ejecutar inferencia
results = model("https://ultralytics.com/images/bus.jpg")
Validar
from ultralytics import YOLO

# Carga el modelo TF GraphDef exportado
model = YOLO("yolo26n.pb")

# Valida la precisión con el conjunto de datos COCO8
metrics = model.val(data="coco8.yaml")

Argumentos de exportación#

ArgumentoTipoPredeterminadoDescripción
formatstr'pb'Formato de destino del modelo exportado, que define su compatibilidad con distintos entornos de implementación.
imgszint o tuple640Tamaño de imagen deseado para la entrada del modelo. Puede ser un número entero para imágenes cuadradas o una tupla (height, width) para dimensiones específicas.
quantizeint o strNoneLa exportación está fijada en FP32. GraphDef no admite la conversión de precisión FP16, INT8 ni W8A16 durante la exportación.
opsetintNoneOpset de ONNX para el grafo intermedio. Si no se establece, se usa 18 (inferior en PyTorch < 2.4 y limitado a la versión instalada de onnx); RT-DETR usa 19.
batchint1Especifica el tamaño del lote de inferencia del modelo exportado o el número máximo de imágenes que el modelo exportado procesará simultáneamente en el modo predict.
devicestrNoneEspecifica el dispositivo para la exportación: CPU (device=cpu) o MPS para Apple silicon (device=mps).

Para obtener más información sobre el proceso de exportación, visita la página de documentación de Ultralytics sobre exportación.

Implementar modelos YOLO26 TF GraphDef exportados#

Una vez que hayas exportado tu modelo YOLO26 al formato TF GraphDef, el siguiente paso es implementarlo. El primer paso recomendado para ejecutar un modelo TF GraphDef es utilizar el método YOLO("model.pb"), como se muestra en el fragmento de código de uso anterior.

Para obtener más información sobre cómo implementar tus modelos TF GraphDef, consulta los siguientes recursos:

  • TensorFlow Serving: Una guía sobre TensorFlow Serving que explica cómo implementar y servir modelos de aprendizaje automático de forma eficiente en entornos de producción.

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

  • TensorFlow.js: Una guía de conversión de modelos que explica cómo convertir modelos TensorFlow o Keras al formato TensorFlow.js para utilizarlos en aplicaciones web.

Resumen#

En esta guía, hemos explicado cómo exportar modelos Ultralytics YOLO26 al formato TF GraphDef. De este modo, puedes implementar tus modelos YOLO26 optimizados con flexibilidad en distintos entornos.

Para obtener más información sobre el uso, consulta la documentación oficial de TF GraphDef.

Preguntas frecuentes#

  • Los modelos Ultralytics YOLO26 se pueden exportar al formato TensorFlow GraphDef (TF GraphDef). Este formato proporciona una representación serializada del modelo independiente de la plataforma, ideal para implementarlo en distintos entornos, como dispositivos móviles y la web. Para exportar un modelo YOLO26 a TF GraphDef, sigue estos pasos:

    Uso
    from ultralytics import YOLO
    
    # Carga un modelo YOLO26
    model = YOLO("yolo26n.pt")
    
    # Exporta el modelo al formato TF GraphDef
    model.export(format="pb")  # crea 'yolo26n.pb'
    
    # Carga el modelo TF GraphDef exportado
    tf_graphdef_model = YOLO("yolo26n.pb")
    
    # Ejecutar inferencia
    results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

    Para obtener más información sobre las distintas opciones de exportación, consulta la documentación de Ultralytics sobre la exportación de modelos.

  • Exportar modelos YOLO26 al formato TF GraphDef ofrece varias ventajas, entre ellas:

    1. Independencia de la plataforma: TF GraphDef proporciona un formato independiente de la plataforma, que permite implementar modelos en distintos entornos, incluidos dispositivos móviles y navegadores web.
    2. Optimizaciones: El formato permite aplicar varias optimizaciones, como la evaluación 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 mejorar el rendimiento.

    Obtén más información sobre sus ventajas en la sección de TF GraphDef de nuestra documentación.

  • Ultralytics YOLO26 ofrece numerosas ventajas frente a otros modelos como YOLOv5 y YOLOv7. Estas son algunas de las principales:

    1. Rendimiento de vanguardia: YOLO26 ofrece gran velocidad y precisión para la detección de objetos, la segmentación de instancias, la segmentación semántica y la clasificación en tiempo real.
    2. Facilidad de uso: Incluye una API fácil de usar para entrenar, validar, predecir y exportar modelos, accesible tanto para principiantes como para expertos.
    3. Amplia compatibilidad: Admite varios formatos de exportación, como ONNX, TensorRT, CoreML y TensorFlow, para ofrecer opciones de implementación versátiles.

    Descubre más detalles en nuestra introducción a YOLO26.

  • Cuando hayas exportado un modelo YOLO26 al formato TF GraphDef, podrás implementarlo en distintas plataformas de hardware especializado. Estos son algunos escenarios habituales:

    • TensorFlow Serving: Utiliza TensorFlow Serving para implementar modelos de forma escalable en entornos de producción. Admite la gestión de modelos y un servicio eficiente.
    • Dispositivos móviles: Convierte los modelos TF GraphDef a TensorFlow Lite, optimizado para dispositivos móviles y embebidos, para habilitar la inferencia en el propio dispositivo.
    • Navegadores web: Implementa modelos con TensorFlow.js para ejecutar inferencias en el lado del cliente en aplicaciones web.
    • Aceleradores de IA: utiliza TPU y chips de IA personalizados para acelerar la inferencia.

    Consulta la sección sobre opciones de implementación para obtener información detallada.

  • Ultralytics ofrece guías y recursos completos para solucionar problemas habituales al exportar modelos YOLO26. Si tienes problemas durante la instalación o la exportación del modelo, consulta:

    Estos recursos deberían ayudarte a resolver la mayoría de los problemas relacionados con la exportación y la implementación de modelos YOLO26.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.