Link to this sectionCómo exportar a TF GraphDef desde YOLO26 para el despliegue#

Cuando despliegas modelos de visión artificial de vanguardia, como YOLO26, en diferentes entornos, puedes encontrarte con problemas de compatibilidad. El formato GraphDef de TensorFlow, o TF GraphDef, ofrece una solución al proporcionar una representación serializada e independiente de la plataforma de tu modelo. Al utilizar el formato de modelo TF GraphDef, puedes desplegar tu modelo YOLO26 en entornos donde el ecosistema completo de TensorFlow no esté disponible, como dispositivos móviles o hardware especializado.

En esta guía, te guiaremos paso a paso sobre cómo exportar tus modelos de Ultralytics YOLO26 al formato de modelo TF GraphDef. Al convertir tu modelo, puedes simplificar el despliegue y utilizar las capacidades de visión artificial de YOLO26 en una gama más amplia de aplicaciones y plataformas.

Link to this section¿Por qué deberías exportar a TF GraphDef?#

TF GraphDef es un componente potente del ecosistema TensorFlow que fue desarrollado por Google. Puede utilizarse para optimizar y desplegar modelos como YOLO26. Exportar a TF GraphDef te permite mover modelos desde la investigación a aplicaciones del mundo real. Permite que los modelos se ejecuten en entornos sin el framework completo de TensorFlow.

El formato GraphDef representa el modelo como un grafo de computación serializado. Esto habilita diversas técnicas de optimización como el plegado de constantes, la cuantización y las transformaciones de grafo. Estas optimizaciones aseguran una ejecución eficiente, un menor uso de memoria y velocidades de inferencia más rápidas.

Los modelos GraphDef pueden utilizar aceleradores de hardware como GPUs, TPUs y chips de IA, lo que desbloquea importantes mejoras de rendimiento para el pipeline de inferencia de YOLO26. El formato TF GraphDef crea un paquete autónomo con el modelo y sus dependencias, simplificando el despliegue y la integración en diversos sistemas.

Link to this sectionCaracterísticas clave de los modelos TF GraphDef#

TF GraphDef ofrece características distintivas para agilizar el despliegue de modelos y la optimización.

Aquí tienes un vistazo a sus características clave:

• Serialización de modelos: TF GraphDef proporciona una forma de serializar y almacenar modelos de TensorFlow en un formato independiente de la plataforma. Esta representación serializada te permite cargar y ejecutar tus modelos sin el código base original en Python, haciendo el despliegue más sencillo.

• Optimización de grafos: TF GraphDef permite la optimización de grafos computacionales. Estas optimizaciones pueden impulsar el rendimiento al agilizar el flujo de ejecución, reducir redundancias y adaptar las operaciones para ajustarse a 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 tus modelos de TensorFlow.

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

Link to this sectionOpciones de despliegue con TF GraphDef#

Antes de profundizar en el proceso de exportación de modelos YOLO26 a TF GraphDef, echemos un vistazo a algunas situaciones de despliegue típicas donde se utiliza este formato.

Aquí tienes cómo puedes desplegar con TF GraphDef de forma eficiente a través de varias plataformas.

• TensorFlow Serving: Este framework está diseñado para desplegar modelos de TensorFlow en entornos de producción. TensorFlow Serving ofrece gestión de modelos, versionado y la infraestructura para un servicio de modelos eficiente a gran escala. Es una forma fluida de integrar tus modelos basados en GraphDef en servicios web o APIs de producción.

• Dispositivos móviles y embebidos: Con herramientas como TensorFlow Lite, puedes convertir modelos TF GraphDef a formatos optimizados para smartphones, tablets y diversos dispositivos embebidos. Tus modelos pueden entonces utilizarse para inferencia en el dispositivo, donde la ejecución se realiza localmente, a menudo proporcionando mejoras de rendimiento y capacidades offline.

• Navegadores web: TensorFlow.js permite el despliegue de modelos TF GraphDef directamente dentro de los navegadores web. Prepara el camino para aplicaciones de detección de objetos en tiempo real que se ejecutan en el lado del cliente, utilizando las capacidades de YOLO26 a través de JavaScript.

• Hardware especializado: La naturaleza agnóstica de plataforma de TF GraphDef le permite dirigirse a hardware personalizado, como aceleradores y TPUs (Tensor Processing Units). Estos dispositivos pueden proporcionar ventajas de rendimiento para modelos computacionalmente intensivos.

Link to this sectionExportar modelos YOLO26 a TF GraphDef#

Puedes convertir tu modelo de detección de objetos YOLO26 al formato TF GraphDef, el cual es compatible con varios sistemas, para mejorar su rendimiento a través de plataformas.

Link to this sectionInstalación#

Para instalar el paquete necesario, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para obtener instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Link to this sectionUso#

Todos los modelos Ultralytics YOLO26 están diseñados para admitir la exportación desde el primer momento, facilitando su integración en tu flujo de trabajo de despliegue preferido. Puedes ver la lista completa de formatos de exportación y opciones de configuración compatibles para elegir la mejor configuración para tu aplicación.

El formato TF GraphDef admite los modos Export, Predict y Validate. Exporta tu modelo, luego carga el modelo exportado para ejecutar la inferencia o validar su precisión.

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

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

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionArgumentos de exportación#

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

Link to this sectionDesplegar modelos YOLO26 TF GraphDef exportados#

Una vez que hayas exportado tu modelo YOLO26 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 mostró anteriormente en el fragmento de código de uso.

Sin embargo, para más información sobre el despliegue de tus modelos TF GraphDef, echa un vistazo a los siguientes recursos:

• TensorFlow Serving: Una guía sobre TensorFlow Serving que enseña cómo desplegar y servir modelos de machine learning de forma eficiente en entornos de producción.

• TensorFlow Lite: Esta página describe cómo convertir modelos de machine learning a un formato optimizado para inferencia en el dispositivo con TensorFlow Lite.

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

Link to this sectionResumen#

En esta guía, exploramos cómo exportar modelos Ultralytics YOLO26 al formato TF GraphDef. Al hacer esto, puedes desplegar de forma flexible tus modelos YOLO26 optimizados en diferentes entornos.

Para más detalles sobre el uso, visita la documentación oficial de TF GraphDef.

Para más información sobre la integración de Ultralytics YOLO26 con otras plataformas y frameworks, consulta nuestra página de guía de integración.

Link to this sectionPreguntas frecuentes#

Link to this section¿Cómo exporto un modelo YOLO26 al formato TF GraphDef?#

Los modelos Ultralytics YOLO26 pueden exportarse al formato TensorFlow GraphDef (TF GraphDef) sin problemas. Este formato proporciona una representación del modelo serializada e independiente de la plataforma, ideal para desplegar en entornos variados como móviles y web. Para exportar un modelo YOLO26 a TF GraphDef, sigue estos pasos:

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

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

Para más información sobre diferentes opciones de exportación, visita la documentación de Ultralytics sobre exportación de modelos.

Link to this section¿Cuáles son los beneficios de usar TF GraphDef para el despliegue de modelos YOLO26?#

Exportar modelos YOLO26 al formato TF GraphDef ofrece múltiples ventajas, incluyendo:

1. Independencia de plataforma: TF GraphDef proporciona un formato independiente de plataforma, permitiendo que los modelos sean desplegados a través de varios entornos, incluyendo navegadores móviles y web.
2. Optimizaciones: El formato habilita varias optimizaciones, como plegado de constantes, cuantización y transformaciones de grafos, que mejoran la eficiencia de ejecución y reducen el uso de memoria.
3. Aceleración de hardware: Los modelos en formato TF GraphDef pueden aprovechar aceleradores de hardware como GPUs, TPUs y chips de IA para mejoras de rendimiento.

Lee más sobre los beneficios en la sección de TF GraphDef de nuestra documentación.

Link to this section¿Por qué debería usar Ultralytics YOLO26 por encima de otros modelos de detección de objetos?#

Ultralytics YOLO26 ofrece numerosas ventajas en comparación con otros modelos como YOLOv5 y YOLOv7. Algunos beneficios clave incluyen:

1. Rendimiento de vanguardia: YOLO26 proporciona una velocidad y precisión excepcionales para detección de objetos, segmentación de instancias, segmentación semántica y clasificación en tiempo real.
2. Facilidad de uso: Cuenta con una API fácil de usar para entrenamiento, validación, predicción y exportación de modelos, haciéndolo accesible tanto para principiantes como para expertos.
3. Amplia compatibilidad: Admite múltiples formatos de exportación incluyendo ONNX, TensorRT, CoreML y TensorFlow, para opciones de despliegue versátiles.

Explora más detalles en nuestra introducción a YOLO26.

Link to this section¿Cómo puedo desplegar un modelo YOLO26 en hardware especializado usando TF GraphDef?#

Una vez que un modelo YOLO26 es exportado al formato TF GraphDef, puedes desplegarlo a través de varias plataformas de hardware especializado. Los escenarios de despliegue típicos incluyen:

• TensorFlow Serving: Usa TensorFlow Serving para despliegue de modelos escalable en entornos de producción. Admite gestión de modelos y servicio eficiente.
• Dispositivos móviles: Convierte modelos TF GraphDef a TensorFlow Lite, optimizados para dispositivos móviles y embebidos, permitiendo inferencia en el dispositivo.
• Navegadores web: Despliega modelos usando TensorFlow.js para inferencia en el lado del cliente en aplicaciones web.
• Aceleradores de IA: Aprovecha TPUs y chips de IA personalizados para inferencia acelerada.

Consulta la sección de opciones de despliegue para información detallada.

Link to this section¿Dónde puedo encontrar soluciones para problemas comunes al exportar modelos YOLO26?#

Para solucionar problemas comunes con la exportación de modelos YOLO26, Ultralytics proporciona guías y recursos completos. Si encuentras problemas durante la instalación o exportación del modelo, consulta:

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

Estos recursos deberían ayudarte a resolver la mayoría de los problemas relacionados con la exportación y despliegue del modelo YOLO26.