C贸mo exportar a TF GraphDef desde YOLO11 para su implantaci贸n
Al implantar modelos de visi贸n por ordenador de 煤ltima generaci贸n, como YOLO11, en distintos entornos, pueden surgir problemas de compatibilidad. Google's TensorFlow GraphDef o TF GraphDef , ofrece una soluci贸n al proporcionar una representaci贸n 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 m贸viles o hardware especializado.
En esta gu铆a, le explicaremos paso a paso c贸mo exportar sus Ultralytics YOLO11 modelos al formato de modelo TF GraphDef . Al convertir su modelo, puede agilizar la implementaci贸n y utilizar las capacidades de visi贸n por ordenador de YOLO11 en una gama m谩s amplia de aplicaciones y plataformas.
驴Por qu茅 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 exportaci贸n a TF GraphDef nos permite trasladar los modelos de la investigaci贸n 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 computaci贸n serializado. Esto permite diversas t茅cnicas de optimizaci贸n, como el plegado de constantes, la cuantizaci贸n y las transformaciones de grafos. Estas optimizaciones garantizan una ejecuci贸n 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 aut贸nomo con el modelo y sus dependencias, lo que simplifica el despliegue y la integraci贸n en diversos sistemas.
Caracter铆sticas principales de los modelos TF GraphDef
TF GraphDef ofrece distintas funciones para agilizar la implantaci贸n y optimizaci贸n de modelos.
He aqu铆 sus principales caracter铆sticas:
-
Serializaci贸n de modelos: TF GraphDef proporciona una forma de serializar y almacenar modelos TensorFlow en un formato independiente de la plataforma. Esta representaci贸n serializada permite cargar y ejecutar los modelos sin la base de c贸digo Python original, lo que facilita el despliegue.
-
Optimizaci贸n de grafos: TF GraphDef permite optimizar los grafos computacionales. Estas optimizaciones pueden aumentar el rendimiento agilizando el flujo de ejecuci贸n, reduciendo las redundancias y adaptando las operaciones a un hardware espec铆fico.
-
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 m谩s amplio de sus modelos TensorFlow .
-
Enfoque de producci贸n: GraphDef est谩 dise帽ado para el despliegue de producci贸n. Admite una ejecuci贸n eficiente, funciones de serializaci贸n y optimizaciones que se ajustan a los casos de uso del mundo real.
Opciones de implantaci贸n con TF GraphDef
Antes de sumergirnos en el proceso de exportaci贸n de modelos de YOLO11 a TF GraphDef , echemos un vistazo a algunas situaciones t铆picas de despliegue en las que se utiliza este formato.
A continuaci贸n se explica c贸mo desplegar con TF GraphDef de forma eficaz en varias plataformas.
-
TensorFlow Servir: Este marco est谩 dise帽ado para desplegar modelos TensorFlow en entornos de producci贸n. TensorFlow Serving ofrece gesti贸n 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 producci贸n.
-
Dispositivos m贸viles e integrados: Con herramientas como TensorFlow Lite, puede convertir los modelos de TF GraphDef en formatos optimizados para tel茅fonos inteligentes, tabletas y diversos dispositivos integrados. A continuaci贸n, los modelos pueden utilizarse para la inferencia en el dispositivo, donde la ejecuci贸n se realiza localmente, lo que a menudo proporciona mejoras de rendimiento y capacidades offline.
-
Navegadores web: TensorFlow.js permite desplegar modelos TF GraphDef directamente en los navegadores web. Prepara el camino para aplicaciones de detecci贸n de objetos en tiempo real que se ejecutan en el lado del cliente, utilizando las capacidades de YOLO11 a trav茅s de JavaScript.
-
Hardware especializado: TF La naturaleza agn贸stica 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 c谩lculo intensivo.
Exportaci贸n de modelos YOLO11 a TF GraphDef
Puede convertir su modelo de detecci贸n de objetos YOLO11 al formato TF GraphDef , compatible con varios sistemas, para mejorar su rendimiento en todas las plataformas.
Instalaci贸n
Para instalar el paquete necesario, ejecute
Para obtener instrucciones detalladas y buenas pr谩cticas relacionadas con el proceso de instalaci贸n, consulta nuestra gu铆a de instalaci贸nUltralytics . Mientras instala los paquetes necesarios para YOLO11, si encuentra alguna dificultad, consulte nuestra gu铆a de problemas comunes para obtener soluciones y consejos.
Utilizaci贸n
Antes de entrar en las instrucciones de uso, es importante tener en cuenta que, aunque todos los modelos deUltralytics YOLO11 est谩n disponibles para la exportaci贸n, aqu铆 puede asegurarse de que el modelo que seleccione admite la funci贸n de exportaci贸n.
Utilizaci贸n
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")
Para obtener m谩s informaci贸n sobre las opciones de exportaci贸n compatibles, visite la p谩gina de documentaci贸n deUltralytics sobre opciones de implantaci贸n.
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 m茅todo YOLO("model.pb"), como se ha mostrado anteriormente en el fragmento de c贸digo de uso.
No obstante, si desea m谩s informaci贸n sobre la implantaci贸n de sus modelos TF GraphDef , consulte los siguientes recursos:
-
TensorFlow Sirviendo a: Una gu铆a sobre TensorFlow Serving que ense帽a a desplegar y servir modelos de aprendizaje autom谩tico de forma eficiente en entornos de producci贸n.
-
TensorFlow Lite: Esta p谩gina describe c贸mo convertir modelos de aprendizaje autom谩tico en un formato optimizado para la inferencia en el dispositivo con TensorFlow Lite.
-
TensorFlow.js: Una gu铆a sobre la conversi贸n de modelos que ense帽a a convertir modelos de TensorFlow o Keras al formato TensorFlow.js para su uso en aplicaciones web.
Resumen
En esta gu铆a, exploramos c贸mo exportar modelos Ultralytics YOLO11 al formato TF GraphDef . De este modo, podr谩 desplegar de forma flexible sus modelos YOLO11 optimizados en distintos entornos.
Para m谩s detalles sobre su uso, visite la documentaci贸n oficial deTF GraphDef .
Para m谩s informaci贸n sobre la integraci贸n de Ultralytics YOLO11 con otras plataformas y frameworks, no olvides consultar nuestra p谩gina de gu铆a de integraci贸n. En ella encontrar谩s recursos e informaci贸n que te ayudar谩n a sacar el m谩ximo partido de YOLO11 en tus proyectos.
PREGUNTAS FRECUENTES
驴C贸mo 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 representaci贸n serializada e independiente de la plataforma del modelo, ideal para desplegarlo en entornos variados como m贸vil y web. Para exportar un modelo YOLO11 a TF GraphDef , siga estos pasos:
Utilizaci贸n
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")
Para m谩s informaci贸n sobre las distintas opciones de exportaci贸n, visite la documentaci贸n deUltralytics sobre exportaci贸n de modelos.
驴Cu谩les son las ventajas de utilizar TF GraphDef para la implantaci贸n del modelo YOLO11 ?
La exportaci贸n de modelos YOLO11 al formato TF GraphDef ofrece m煤ltiples ventajas, entre ellas:
- 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 m贸viles y web.
- Optimizaciones: El formato permite varias optimizaciones, como el plegado de constantes, la cuantizaci贸n y las transformaciones de grafos, que mejoran la eficiencia de ejecuci贸n y reducen el uso de memoria.
- Aceleraci贸n por hardware: Los modelos en formato TF GraphDef pueden aprovechar aceleradores de hardware como GPU, TPU y chips de IA para aumentar el rendimiento.
M谩s informaci贸n sobre las ventajas en la secci贸nTF GraphDef de nuestra documentaci贸n.
驴Por qu茅 deber铆a utilizar Ultralytics YOLO11 en lugar de otros modelos de detecci贸n de objetos?
Ultralytics YOLO11 ofrece numerosas ventajas en comparaci贸n con otros modelos como YOLOv5 y YOLOv7. Algunas de las principales ventajas son:
- Rendimiento de vanguardia: YOLO11 proporciona una velocidad y precisi贸n excepcionales para la detecci贸n, segmentaci贸n y clasificaci贸n de objetos en tiempo real.
- Facilidad de uso: Presenta una API f谩cil de usar para la formaci贸n, validaci贸n, predicci贸n y exportaci贸n de modelos, lo que la hace accesible tanto para principiantes como para expertos.
- Amplia compatibilidad: Admite m煤ltiples formatos de exportaci贸n, como ONNX, TensorRT, CoreML y TensorFlow, para ofrecer opciones de implantaci贸n vers谩tiles.
Explore m谩s detalles en nuestra introducci贸n a YOLO11.
驴C贸mo 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 t铆picos de despliegue incluyen:
- TensorFlow Servir: Utilice TensorFlow Serving para el despliegue escalable de modelos en entornos de producci贸n. Admite la gesti贸n de modelos y un servicio eficiente.
- Dispositivos m贸viles: Convierta los modelos TF GraphDef en TensorFlow Lite, optimizados para dispositivos m贸viles 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 secci贸n de opciones de despliegue para obtener informaci贸n detallada.
驴D贸nde puedo encontrar soluciones a los problemas m谩s comunes al exportar modelos a YOLO11 ?
Para solucionar problemas comunes con la exportaci贸n de modelos de YOLO11 , Ultralytics proporciona gu铆as y recursos completos. Si tiene problemas durante la instalaci贸n o la exportaci贸n de modelos, consulte:
- Gu铆a de problemas comunes: Ofrece soluciones a problemas frecuentes.
- Gu铆a de instalaci贸n: Instrucciones paso a paso para configurar los paquetes necesarios.
Estos recursos deber铆an ayudarle a resolver la mayor铆a de los problemas relacionados con la exportaci贸n e implantaci贸n del modelo YOLO11 .