Cómo exportar a TF GraphDef desde YOLO26 para el despliegue

Cuando despliegas modelos de visión artificial de vanguardia, como YOLO26, en diferentes entornos, podrías encontrarte con problemas de compatibilidad. TensorFlow GraphDef de Google, o TF GraphDef, ofrece una solución al proporcionar una representación serializada e independiente de la plataforma de tu modelo. Usando el formato de modelo TF GraphDef, puedes desplegar tu modelo YOLO26 en entornos donde el ecosistema completo de TensorFlow podría no estar 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 optimizar el despliegue y utilizar las capacidades de visión artificial de YOLO26 en una gama más amplia de aplicaciones y plataformas.

¿Por qué deberías exportar a TF GraphDef?

TF GraphDef es un componente potente del ecosistema de TensorFlow que fue desarrollado por Google. Puede utilizarse para optimizar y desplegar modelos como YOLO26. Exportar a TF GraphDef te permite trasladar 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 grafos. Estas optimizaciones aseguran una ejecución eficiente, un uso reducido de memoria y velocidades de inferencia más rápidas.

Los modelos GraphDef pueden usar aceleradores de hardware como GPU, TPU y chips de IA, desbloqueando ganancias de rendimiento significativas para la tubería 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.

Características clave de los modelos TF GraphDef

TF GraphDef ofrece características distintas para optimizar 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 la base de código original de Python, haciendo el despliegue más sencillo.

• Optimización de grafos: TF GraphDef permite la optimización de grafos computacionales. Estas optimizaciones pueden impulsar el rendimiento al simplificar el flujo de ejecución, reducir redundancias y adaptar las operaciones para que se ajusten a hardware específico.

• Flexibilidad de despliegue: Los modelos exportados al formato GraphDef pueden usarse en varios entornos, incluyendo 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 casos de uso del mundo real.

Opciones de despliegue con TF GraphDef

Antes de adentrarnos en el proceso de exportar 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 en varias plataformas.

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

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

• Navegadores web: TensorFlow.js permite el despliegue de modelos TF GraphDef directamente dentro de los navegadores web. Abre 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 la plataforma de TF GraphDef le permite apuntar a hardware personalizado, como aceleradores y TPU (Unidades de Procesamiento Tensorial). Estos dispositivos pueden proporcionar ventajas de rendimiento para modelos computacionalmente intensivos.

Exportando modelos YOLO26 a TF GraphDef

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

Instalación

Para instalar el paquete requerido, 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.

Uso

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

from ultralytics import YOLO

# Load the 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")

Argumentos de exportación

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

Desplegando modelos exportados YOLO26 TF GraphDef

Una vez que has 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 usar 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 aprendizaje automático de manera eficiente en entornos de producción.

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

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

Resumen

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

Preguntas frecuentes

¿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 serializada e independiente de la plataforma del modelo, 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 the 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.

¿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 la plataforma, permitiendo que los modelos se desplieguen en varios entornos, incluyendo móviles y navegadores web.
2. Optimizaciones: El formato habilita 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 obtener ganancias de rendimiento.

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

¿Por qué debería usar Ultralytics YOLO26 en lugar 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 la detección, segmentación y clasificación de objetos en tiempo real.
2. Facilidad de uso: Cuenta con una API fácil de usar para el 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.

¿Cómo puedo desplegar un modelo YOLO26 en hardware especializado usando TF GraphDef?

Una vez que un modelo YOLO26 se exporta 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 un despliegue de modelos escalable en entornos de producción. Admite la gestión de modelos y el servicio eficiente.
• Dispositivos móviles: Convierte modelos TF GraphDef a TensorFlow Lite, optimizado para dispositivos móviles y embebidos, permitiendo la 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 las TPU y chips de IA personalizados para una inferencia acelerada.

Consulta la sección de opciones de despliegue para información detallada.

¿Dónde puedo encontrar soluciones para problemas comunes al exportar modelos YOLO26?

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

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

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