Entiende cómo exportar al formato TF SavedModel desde YOLO26#

Desplegar modelos de machine learning puede ser un desafío. Sin embargo, utilizar un formato de modelo eficiente y flexible puede facilitarte el trabajo. TF SavedModel es un framework de machine learning de código abierto utilizado por TensorFlow para cargar modelos de machine learning de manera consistente. Es como una maleta para los modelos de TensorFlow, lo que hace que sean fáciles de transportar y usar en diferentes dispositivos y sistemas.

Aprender a exportar a TF SavedModel desde modelos de Ultralytics YOLO26 puede ayudarte a desplegar modelos fácilmente en distintas plataformas y entornos. En esta guía, veremos cómo convertir tus modelos al formato TF SavedModel, simplificando el proceso de ejecución de inferencias con tus modelos en diferentes dispositivos.

¿Por qué deberías exportar a TF SavedModel?#

El formato TensorFlow SavedModel es parte del ecosistema de TensorFlow desarrollado por Google, tal como se muestra a continuación. Está diseñado para guardar y serializar modelos de TensorFlow de manera fluida. Encapsula todos los detalles de los modelos, como la arquitectura, los pesos e incluso la información de compilación. Esto hace que sea sencillo compartir, desplegar y continuar el entrenamiento en diferentes entornos.

El formato TF SavedModel tiene una ventaja clave: su compatibilidad. Funciona muy bien con TensorFlow Serving, LiteRT (anteriormente TensorFlow Lite) y TensorFlow.js. Esta compatibilidad facilita compartir y desplegar modelos en varias plataformas, incluyendo aplicaciones web y móviles. El formato TF SavedModel es útil tanto para la investigación como para producción. Proporciona una forma unificada de gestionar tus modelos, asegurando que estén listos para cualquier aplicación.

Características principales de TF SavedModels#

Aquí tienes las características clave que hacen de TF SavedModel una gran opción para desarrolladores de IA:

• Portabilidad: TF SavedModel proporciona un formato de serialización hermético, recuperable y neutral respecto al lenguaje. Permite que sistemas y herramientas de alto nivel produzcan, consuman y transformen modelos de TensorFlow. Los SavedModels pueden compartirse y desplegarse fácilmente en diferentes plataformas y entornos.

• Facilidad de despliegue: TF SavedModel agrupa el grafo computacional, los parámetros entrenados y los metadatos necesarios en un solo paquete. Se pueden cargar y utilizar fácilmente para inferencias sin requerir el código original que construyó el modelo. Esto hace que el despliegue de modelos de TensorFlow sea sencillo y eficiente en diversos entornos de producción.

• Gestión de activos: TF SavedModel admite la inclusión de activos externos como vocabularios, embeddings o tablas de búsqueda. Estos activos se almacenan junto con la definición del grafo y las variables, asegurando que estén disponibles cuando se carga el modelo. Esta característica simplifica la gestión y distribución de modelos que dependen de recursos externos.

Opciones de despliegue con TF SavedModel#

Antes de sumergirnos en el proceso de exportación de modelos YOLO26 al formato TF SavedModel, exploremos algunos escenarios de despliegue típicos donde se utiliza este formato.

TF SavedModel proporciona una variedad de opciones para desplegar tus modelos de machine learning:

• TensorFlow Serving: TensorFlow Serving es un sistema de servicio flexible y de alto rendimiento diseñado para entornos de producción. Es compatible de forma nativa con TF SavedModels, lo que facilita el despliegue y servicio de tus modelos en plataformas en la nube, servidores locales o dispositivos perimetrales.

• Plataformas en la nube: Los principales proveedores de la nube como Google Cloud Platform (GCP), Amazon Web Services (AWS) y Microsoft Azure ofrecen servicios para desplegar y ejecutar modelos de TensorFlow, incluidos los TF SavedModels. Estos servicios proporcionan una infraestructura escalable y gestionada, permitiéndote desplegar y escalar tus modelos fácilmente.

• Dispositivos móviles y embebidos: LiteRT (anteriormente TensorFlow Lite), una solución ligera para ejecutar modelos de machine learning en dispositivos móviles, embebidos y de IoT, admite la conversión de TF SavedModels al formato LiteRT. Esto te permite desplegar tus modelos en una amplia gama de dispositivos, desde smartphones y tablets hasta microcontroladores y dispositivos perimetrales.

• TensorFlow Runtime: TensorFlow Runtime (tfrt) es un motor de ejecución de alto rendimiento para ejecutar grafos de TensorFlow. Proporciona API de más bajo nivel para cargar y ejecutar TF SavedModels en entornos de C++. TensorFlow Runtime ofrece un mejor rendimiento en comparación con el motor de ejecución estándar de TensorFlow. Es adecuado para escenarios de despliegue que requieren inferencia de baja latencia y una integración estrecha con bases de código de C++ existentes.

Tareas compatibles#

La exportación a TF SavedModel es compatible con 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.

Exportar modelos YOLO26 a TF SavedModel#

Al exportar modelos YOLO26 al formato TF SavedModel, mejoras su adaptabilidad y facilidad de despliegue en diversas plataformas.

Instalación#

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 ver soluciones y consejos.

Uso#

Todos los modelos de Ultralytics YOLO26 están diseñados para admitir la exportación de serie, lo que facilita 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.

El formato TF SavedModel 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 SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

Argumentos de exportación#

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

Desplegar modelos YOLO26 TF SavedModel exportados#

Ahora que has exportado tu modelo YOLO26 al formato TF SavedModel, el siguiente paso es desplegarlo. El primer paso principal y recomendado para ejecutar un modelo TF SavedModel es utilizar el método YOLO("yolo26n_saved_model/"), como se mostró anteriormente en el fragmento de código de uso.

Sin embargo, para obtener instrucciones detalladas sobre cómo desplegar tus modelos TF SavedModel, echa un vistazo a los siguientes recursos:

• TensorFlow Serving: Aquí tienes la documentación para desarrolladores sobre cómo desplegar tus modelos TF SavedModel usando TensorFlow Serving.

• Ejecutar un TensorFlow SavedModel en Node.js: Una entrada de blog de TensorFlow sobre cómo ejecutar un TensorFlow SavedModel en Node.js directamente sin conversión.

• Despliegue en la nube: Una entrada de blog de TensorFlow sobre cómo desplegar un modelo TensorFlow SavedModel en Cloud AI Platform.

Resumen#

En esta guía, exploramos cómo exportar modelos de Ultralytics YOLO26 al formato TF SavedModel. Al exportar a TF SavedModel, obtienes la flexibilidad para optimizar, desplegar y escalar tus modelos YOLO26 en una amplia gama de plataformas.

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

Para obtener más información sobre cómo integrar Ultralytics YOLO26 con otras plataformas y frameworks, no olvides consultar nuestra página de la guía de integración. Está llena de excelentes recursos para ayudarte a aprovechar al máximo YOLO26 en tus proyectos.

FAQ#