Exportar al formato de modelo TF.js desde un formato de modelo YOLO26
La implementación de modelos de aprendizaje automático directamente en el navegador o en Node.js puede ser complicada. Deberá asegurarse de que el formato de su modelo esté optimizado para un rendimiento más rápido, de modo que el modelo pueda usarse para ejecutar aplicaciones interactivas localmente en el dispositivo del usuario. El formato de modelo TensorFlow.js, o TF.js, está diseñado para usar la mínima energía y, al mismo tiempo, ofrecer un rendimiento rápido.
La función 'exportar a formato de modelo TF.js' le permite optimizar sus modelos Ultralytics YOLO26 para una inferencia de detección de objetos de alta velocidad y ejecución local. En esta guía, le mostraremos cómo convertir sus modelos al formato TF.js, facilitando que sus modelos funcionen de manera óptima en varios navegadores locales y aplicaciones Node.js.
¿Por qué debería exportar a TF.js?
Exportar sus modelos de aprendizaje automático a TensorFlow.js, desarrollado por el equipo de TensorFlow como parte del ecosistema TensorFlow más amplio, ofrece numerosas ventajas para la implementación de aplicaciones de aprendizaje automático. Ayuda a mejorar la privacidad y la seguridad del usuario al mantener los datos confidenciales en el dispositivo. La imagen de abajo muestra la arquitectura de TensorFlow.js y cómo los modelos de aprendizaje automático se convierten e implementan tanto en navegadores web como en Node.js.
Ejecutar modelos localmente también reduce la latencia y proporciona una experiencia de usuario más receptiva. TensorFlow.js también viene con capacidades offline, lo que permite a los usuarios utilizar su aplicación incluso sin conexión a Internet. TF.js está diseñado para la ejecución eficiente de modelos complejos en dispositivos con recursos limitados, ya que está diseñado para la escalabilidad, con soporte para la aceleración de la GPU.
Características principales de TF.js
Estas son las características clave que hacen de TF.js una herramienta poderosa para los desarrolladores:
Soporte multiplataforma: TensorFlow.js se puede utilizar tanto en el navegador como en entornos Node.js, lo que proporciona flexibilidad en la implementación en diferentes plataformas. Permite a los desarrolladores crear e implementar aplicaciones más fácilmente.
Soporte para múltiples backends: TensorFlow.js admite varios backends para la computación, incluidos CPU, WebGL para la aceleración de GPU, WebAssembly (WASM) para una velocidad de ejecución casi nativa y WebGPU para capacidades avanzadas de aprendizaje automático basadas en navegador.
Capacidades sin conexión: Con TensorFlow.js, los modelos pueden ejecutarse en el navegador sin necesidad de una conexión a Internet, lo que permite desarrollar aplicaciones que funcionan sin conexión.
Opciones de implementación con TensorFlow.js
Antes de adentrarnos en el proceso de exportación de modelos YOLO26 al formato TF.js, exploremos algunos escenarios de despliegue típicos donde se utiliza este formato.
TF.js proporciona una variedad de opciones para implementar sus modelos de aprendizaje automático:
Aplicaciones de ML en el navegador: Puede crear aplicaciones web que ejecuten modelos de aprendizaje automático directamente en el navegador. Se elimina la necesidad de computación del lado del servidor y se reduce la carga del servidor.
Aplicaciones Node.js: TensorFlow.js también admite la implementación en entornos Node.js, lo que permite el desarrollo de aplicaciones de aprendizaje automático del lado del servidor. Es particularmente útil para aplicaciones que requieren la potencia de procesamiento de un servidor o acceso a datos del lado del servidor.
Extensiones de Chrome: Un escenario de despliegue interesante es la creación de extensiones de Chrome con TensorFlow.js. Por ejemplo, puede desarrollar una extensión que permita a los usuarios hacer clic derecho en una imagen dentro de cualquier página web para classifyla utilizando un modelo de ML preentrenado. TensorFlow.js se puede integrar en las experiencias de navegación web cotidianas para proporcionar información inmediata o aumentos basados en el aprendizaje automático.
Exportación de modelos YOLO26 a TensorFlow.js
Puede ampliar la compatibilidad del modelo y la flexibilidad de despliegue al convertir modelos YOLO26 a TF.js.
Instalación
Para instalar el paquete requerido, ejecute:
Instalación
# Install the required package for YOLO26
pip install ultralytics
Para obtener instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulte nuestra guía de instalación de Ultralytics. Mientras instala los paquetes requeridos para YOLO26, si encuentra alguna dificultad, consulte nuestra guía de problemas comunes para obtener soluciones y consejos.
Uso
Todos los modelos Ultralytics YOLO26 están diseñados para soportar la exportación de forma nativa, facilitando su integración en su flujo de trabajo de despliegue preferido. Puede ver la lista completa de formatos de exportación y opciones de configuración compatibles para elegir la mejor configuración para su aplicación.
Uso
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'
# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")
# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO26n PyTorch model to TF.js format
yolo export model=yolo26n.pt format=tfjs # creates '/yolo26n_web_model'
# Run inference with the exported model
yolo predict model='./yolo26n_web_model' source='https://ultralytics.com/images/bus.jpg'
Argumentos de exportación
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
format | str | 'tfjs' | Formato de destino para el modelo exportado, que define la compatibilidad con varios entornos de implementación. |
imgsz | int o tuple | 640 | Tamaño de imagen deseado para la entrada del modelo. Puede ser un entero para imágenes cuadradas o una tupla (height, width) para dimensiones específicas. |
half | bool | False | Activa la cuantización FP16 (media precisión), reduciendo el tamaño del modelo y, potencialmente, acelerando la inferencia en hardware compatible. |
int8 | bool | False | Activa la cuantización INT8, comprimiendo aún más el modelo y acelerando la inferencia con una pérdida mínima de precisión, principalmente para dispositivos de borde. |
nms | bool | False | Añade la Supresión No Máxima (NMS), esencial para un post-procesamiento de detección preciso y eficiente. |
batch | int | 1 | Especifica el tamaño del lote de inferencia del modelo exportado o el número máximo de imágenes que el modelo exportado procesará simultáneamente en predict modo. |
device | str | None | Especifica el dispositivo para la exportación: CPU (device=cpu), MPS para Apple silicon (device=mps). |
Para obtener más detalles sobre el proceso de exportación, visita la página de documentación de Ultralytics sobre la exportación.
Implementación de modelos YOLO26 TensorFlow.js exportados
Ahora que ha exportado su modelo YOLO26 al formato TF.js, el siguiente paso es desplegarlo. El primer paso principal y recomendado para ejecutar un modelo TF.js es utilizar el YOLO("./yolo26n_web_model") método, como se mostró anteriormente en el fragmento de código de uso.
Sin embargo, para obtener instrucciones detalladas sobre cómo implementar sus modelos TF.js, consulte los siguientes recursos:
Extensión de Chrome: Aquí está la documentación para desarrolladores sobre cómo implementar sus modelos TF.js en una extensión de Chrome.
Ejecutar TensorFlow.js en Node.js: Una publicación de blog de TensorFlow sobre cómo ejecutar TensorFlow.js en Node.js directamente.
Implementación de TensorFlow.js - Proyecto Node en Cloud Platform: Una publicación de blog de TensorFlow sobre la implementación de un modelo TensorFlow.js en Cloud Platform.
Resumen
En esta guía, aprendimos cómo exportar modelos Ultralytics YOLO26 al formato TensorFlow.js. Al exportar a TF.js, obtiene la flexibilidad para optimizar, desplegar y escalar sus modelos YOLO26 en una amplia gama de plataformas.
Para obtener más detalles sobre su uso, visite la documentación oficial de TensorFlow.js.
Para obtener más información sobre la integración de Ultralytics YOLO26 con otras plataformas y frameworks, no olvide consultar nuestra página de guía de integración. Está repleta de excelentes recursos para ayudarle a aprovechar al máximo YOLO26 en sus proyectos.
Preguntas frecuentes
¿Cómo exporto modelos Ultralytics YOLO26 al formato TensorFlow.js?
Exportar modelos Ultralytics YOLO26 al formato TensorFlow.js (TF.js) es sencillo. Puede seguir estos pasos:
Uso
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'
# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")
# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO26n PyTorch model to TF.js format
yolo export model=yolo26n.pt format=tfjs # creates '/yolo26n_web_model'
# Run inference with the exported model
yolo predict model='./yolo26n_web_model' source='https://ultralytics.com/images/bus.jpg'
Para obtener más detalles sobre las opciones de exportación admitidas, visita la página de documentación de Ultralytics sobre las opciones de implementación.
¿Por qué debería exportar mis modelos YOLO26 a TensorFlow.js?
La exportación de modelos YOLO26 a TensorFlow.js ofrece varias ventajas, entre ellas:
- Ejecución local: Los modelos pueden ejecutarse directamente en el navegador o en Node.js, lo que reduce la latencia y mejora la experiencia del usuario.
- Soporte multiplataforma: TF.js es compatible con múltiples entornos, lo que permite flexibilidad en la implementación.
- Capacidades sin conexión: Permite que las aplicaciones funcionen sin conexión a Internet, lo que garantiza la fiabilidad y la privacidad.
- Aceleración por GPU: Aprovecha WebGL para la aceleración por GPU, optimizando el rendimiento en dispositivos con recursos limitados.
Para obtener una visión general completa, consulta nuestras Integraciones con TensorFlow.js.
¿Cómo beneficia TensorFlow.js a las aplicaciones de aprendizaje automático basadas en el navegador?
TensorFlow.js está diseñado específicamente para la ejecución eficiente de modelos ML en navegadores y entornos Node.js. Aquí se explica cómo beneficia a las aplicaciones basadas en navegador:
- Reduce la Latencia: Ejecuta modelos de aprendizaje automático localmente, proporcionando resultados inmediatos sin depender de cálculos del lado del servidor.
- Mejora la privacidad: Mantiene los datos confidenciales en el dispositivo del usuario, minimizando los riesgos de seguridad.
- Permite el uso sin conexión: Los modelos pueden operar sin conexión a Internet, lo que garantiza una funcionalidad consistente.
- Admite múltiples backends: Ofrece flexibilidad con backends como CPU, WebGL, WebAssembly (WASM) y WebGPU para diferentes necesidades computacionales.
¿Le interesa obtener más información sobre TF.js? Consulte la guía oficial de TensorFlow.js.
¿Cuáles son las características clave de TensorFlow.js para la implementación de modelos YOLO26?
Las características clave de TensorFlow.js incluyen:
- Soporte multiplataforma: TF.js se puede utilizar tanto en navegadores web como en Node.js, lo que proporciona una amplia flexibilidad de implementación.
- Múltiples backends: Soporta CPU, WebGL para aceleración de GPU, WebAssembly (WASM) y WebGPU para operaciones avanzadas.
- Capacidades sin conexión: Los modelos pueden ejecutarse directamente en el navegador sin conectividad a Internet, lo que los hace ideales para desarrollar aplicaciones web con capacidad de respuesta.
Para escenarios de implementación e información más detallada, consulta nuestra sección sobre Opciones de implementación con TensorFlow.js.
¿Puedo implementar un modelo YOLO26 en aplicaciones Node.js del lado del servidor utilizando TensorFlow.js?
Sí, TensorFlow.js permite el despliegue de modelos YOLO26 en entornos Node.js. Esto posibilita aplicaciones de aprendizaje automático del lado del servidor que se benefician de la potencia de procesamiento de un servidor y del acceso a datos del lado del servidor. Los casos de uso típicos incluyen el procesamiento de datos en tiempo real y los pipelines de aprendizaje automático en servidores backend.
Para empezar con la implementación en Node.js, consulta la guía Ejecutar TensorFlow.js en Node.js de TensorFlow.
