Cómo exportar YOLO26 a TF GraphDef para su implementación#

Al implementar modelos de visión artificial de última generación, como YOLO26, en distintos entornos, puedes 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. Al usar el formato de modelo TF GraphDef, puedes implementar tu modelo YOLO26 en entornos donde quizá no esté disponible todo el ecosistema TensorFlow, como dispositivos móviles o hardware especializado.

En esta guía, te explicamos paso a paso cómo exportar tus modelos Ultralytics YOLO26 al formato de modelo TF GraphDef. Al convertir tu modelo, puedes simplificar la implementación y utilizar las capacidades de visión artificial de YOLO26 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. Se puede utilizar para optimizar e implementar modelos como YOLO26. Exportar a TF GraphDef te permite llevar modelos de la investigación a aplicaciones reales. Permite ejecutar modelos en entornos sin el framework TensorFlow completo.

El formato GraphDef representa el modelo como un grafo de cálculo serializado. Esto permite aplicar diversas técnicas de optimización, como la evaluación de constantes, la cuantización y las transformaciones de grafos. Estas optimizaciones garantizan una ejecución eficiente, un menor uso de memoria y una inferencia más rápida.

Los modelos GraphDef pueden utilizar aceleradores de hardware como GPU, TPU y chips de IA, lo que permite obtener mejoras de rendimiento significativas en 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 distintos 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 explicar el proceso para exportar modelos YOLO26 a TF GraphDef, veamos algunas situaciones habituales de implementación en las que se utiliza este formato.

Así puedes implementar modelos de forma eficiente con TF GraphDef en distintas plataformas.

• TensorFlow Serving: Este framework 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. Es una forma sencilla de integrar tus modelos basados en GraphDef en servicios web o API de producción.

• Dispositivos móviles y embebidos: Con herramientas como LiteRT, puedes convertir modelos TF GraphDef a formatos optimizados para teléfonos inteligentes, tabletas y distintos dispositivos embebidos. Así puedes utilizar tus modelos para realizar inferencias en el propio dispositivo, donde la ejecución se lleva a cabo localmente y suele ofrecer mejoras de rendimiento y funcionamiento sin conexión.

• Navegadores web: TensorFlow.js permite implementar modelos TF GraphDef directamente en navegadores web. Esto abre la puerta a aplicaciones de detección de objetos en tiempo real que se ejecutan en el lado del cliente y aprovechan las capacidades de 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 a TF GraphDef es compatible con seis de 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. Se pueden exportar modelos de pose, pero actualmente no se admite la inferencia de Ultralytics GraphDef para ellos.

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:

# 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.

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, aunque actualmente los modelos de pose solo admiten la exportación. Exporta tu modelo y, después, carga el modelo exportado para ejecutar inferencias o validar su precisión.

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'

from ultralytics import YOLO

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

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

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#

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 estos 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.

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

Preguntas frecuentes#