Link to this sectionExportar al formato de modelo TF.js desde un formato de modelo YOLO26#

Q: ¿Cómo exporto modelos Ultralytics YOLO26 al formato TensorFlow\.js?

Exportar modelos Ultralytics YOLO26 al formato TensorFlow\.js (TF.js) es sencillo. Puedes seguir estos pasos: Para más detalles sobre las opciones de exportación soportadas, visita la página de documentación de Ultralytics sobre opciones de despliegue.

Q: ¿Por qué debería exportar mis modelos YOLO26 a TensorFlow\.js?

Exportar modelos YOLO26 a TensorFlow\.js ofrece varias ventajas, incluyendo: Ejecución local: Los modelos pueden ejecutarse directamente en el navegador o Node.js, reduciendo la latencia y mejorando la experiencia del usuario. Soporte multiplataforma: TF.js soporta múltiples entornos, permitiendo flexibilidad en el despliegue. Capacidades offline: Permite que las aplicaciones funcionen sin conexión a internet, garantizando fiabilidad y privacidad. Aceleración por GPU: Aprovecha WebGL para la aceleración por GPU, optimizando el rendimiento en dispositivos con recursos limitados.

Q: ¿Cómo beneficia TensorFlow\.js a las aplicaciones de machine learning basadas en navegador?

TensorFlow\.js está diseñado específicamente para la ejecución eficiente de modelos de ML en navegadores y entornos de Node.js. Así es como beneficia a las aplicaciones basadas en navegador: Reduce la latencia: Ejecuta modelos de machine learning localmente, proporcionando resultados inmediatos sin depender de cálculos en el lado del servidor. Mejora la privacidad: Mantiene los datos sensibles en el dispositivo del usuario, minimizando los riesgos de seguridad. Permite el uso offline: Los modelos pueden operar sin una conexión a internet, asegurando una funcionalidad consistente. Soporta múltiples backends: Ofrece flexibilidad con backends como CPU, WebGL, WebAssembly (WASM) y WebGPU para diversas necesidades de computación. ¿Te interesa aprender más sobre TF.js? Echa un vistazo a la guía oficial de TensorFlow.js.

Q: ¿Cuáles son las características clave de TensorFlow\.js para desplegar modelos YOLO26?

Las características clave de TensorFlow\.js incluyen: Soporte multiplataforma: TF.js puede utilizarse tanto en navegadores web como en Node.js, proporcionando una amplia flexibilidad de despliegue. Múltiples backends: Soporta CPU, WebGL para aceleración por GPU, WebAssembly (WASM) y WebGPU para operaciones avanzadas. Capacidades offline: Los modelos pueden ejecutarse directamente en el navegador sin conectividad a internet, haciéndolo ideal para desarrollar aplicaciones web receptivas. Para escenarios de despliegue e información más profunda, consulta nuestra sección sobre Opciones de despliegue con TensorFlow.js.

Q: ¿Puedo desplegar un modelo YOLO26 en aplicaciones Node.js del lado del servidor usando TensorFlow\.js?

Sí, TensorFlow\.js permite el despliegue de modelos YOLO26 en entornos de Node.js. Esto permite aplicaciones de machine learning en el lado del servidor que se benefician de la potencia de procesamiento de un servidor y el acceso a datos en el lado del servidor. Los casos de uso típicos incluyen el procesamiento de datos en tiempo real y los flujos de trabajo de machine learning en servidores backend. Para comenzar con el despliegue en Node.js, consulta la guía Ejecutar TensorFlow.js en Node.js de TensorFlow.

Desplegar modelos de machine learning directamente en el navegador o en Node.js puede ser complicado. Necesitarás asegurarte de que tu formato de modelo esté optimizado para un rendimiento más rápido, de modo que el modelo pueda utilizarse para ejecutar aplicaciones interactivas localmente en el dispositivo del usuario. El formato de modelo TensorFlow.js, o TF.js, está diseñado para consumir la mínima energía mientras ofrece un rendimiento rápido.

La función 'exportar al formato de modelo TF.js' te permite optimizar tus modelos Ultralytics YOLO26 para una inferencia de object detection de alta velocidad y ejecución local. En esta guía, te guiaremos a través de la conversión de tus modelos al formato TF.js, facilitando que tus modelos funcionen bien en diversos navegadores locales y aplicaciones de Node.js.

Link to this section¿Por qué deberías exportar a TF.js?#

Exportar tus modelos de machine learning a TensorFlow.js, desarrollado por el equipo de TensorFlow como parte del ecosistema más amplio de TensorFlow, ofrece numerosas ventajas para desplegar aplicaciones de machine learning. Ayuda a mejorar la privacidad y seguridad del usuario al mantener los datos sensibles en el dispositivo. La imagen a continuación muestra la arquitectura de TensorFlow.js y cómo los modelos de machine learning se convierten y despliegan tanto en navegadores web como en Node.js.

TensorFlow.js browser ML inference architecture

Ejecutar modelos localmente también reduce la latencia y proporciona una experiencia de usuario más receptiva. TensorFlow.js también cuenta con capacidades offline, lo que permite a los usuarios utilizar tu aplicación incluso sin una conexión a internet. TF.js está diseñado para la ejecución eficiente de modelos complejos en dispositivos con recursos limitados, ya que está optimizado para la escalabilidad con soporte de aceleración por GPU.

Link to this sectionCaracterísticas clave de TF.js#

Estas son las características clave que hacen de TF.js una herramienta poderosa para desarrolladores:

Soporte multiplataforma: TensorFlow.js puede utilizarse tanto en entornos de navegador como de Node.js, proporcionando flexibilidad en el despliegue a través de diferentes plataformas. Permite a los desarrolladores crear y desplegar aplicaciones más fácilmente.
Soporte para múltiples backends: TensorFlow.js soporta varios backends para el cálculo, incluyendo CPU, WebGL para aceleración por GPU, WebAssembly (WASM) para una velocidad de ejecución casi nativa y WebGPU para capacidades avanzadas de machine learning basadas en navegador.
Capacidades offline: Con TensorFlow.js, los modelos pueden ejecutarse en el navegador sin necesidad de una conexión a internet, haciendo posible el desarrollo de aplicaciones que son funcionales sin conexión.

Link to this sectionOpciones de despliegue con TensorFlow.js#

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

TF.js proporciona una gama de opciones para desplegar tus modelos de machine learning:

Aplicaciones de ML en el navegador: Puedes crear aplicaciones web que ejecuten modelos de machine learning directamente en el navegador. La necesidad de computación en el lado del servidor se elimina y se reduce la carga del servidor.
Aplicaciones de Node.js: TensorFlow.js también soporta el despliegue en entornos de Node.js, permitiendo el desarrollo de aplicaciones de machine learning en el lado del servidor. Es particularmente útil para aplicaciones que requieren la potencia de procesamiento de un servidor o acceso a datos en el lado del servidor.
Extensiones de Chrome: Un escenario de despliegue interesante es la creación de extensiones de Chrome con TensorFlow.js. Por ejemplo, puedes desarrollar una extensión que permita a los usuarios hacer clic derecho en una imagen dentro de cualquier página web para clasificarla utilizando un modelo de ML preentrenado. TensorFlow.js puede integrarse en las experiencias diarias de navegación web para proporcionar conocimientos inmediatos o aumentos basados en machine learning.

Link to this sectionExportar modelos YOLO26 a TensorFlow.js#

Puedes ampliar la compatibilidad del modelo y la flexibilidad de despliegue convirtiendo los modelos YOLO26 a TF.js.

Link to this sectionInstalación#

Para instalar el paquete necesario, ejecuta:

Instalación

# Install the required package for YOLO26
pip install ultralytics

Para instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulta nuestra Guía de instalación de Ultralytics. Mientras instalas los paquetes requeridos para YOLO26, si encuentras alguna dificultad, consulta nuestra Guía de problemas comunes para obtener soluciones y consejos.

Link to this sectionUso#

Todos los modelos de Ultralytics YOLO26 están diseñados para admitir la exportación desde el primer momento, facilitando su integración en tu flujo de trabajo de despliegue preferido. Puedes ver la lista completa de formatos de exportación admitidos y las opciones de configuración para elegir la mejor configuración para tu aplicación.

El formato TF.js es solo para exportación en Ultralytics — Predict y Validate no están disponibles localmente. Despliega el modelo exportado en el navegador o en una aplicación de Node.js con el runtime de TensorFlow.js.

Exportar

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

Predict y Validate

Ultralytics no proporciona un backend de inferencia TF.js local, por lo que yolo predict y yolo val no pueden cargar un _web_model. Ejecuta el modelo exportado con el runtime de TensorFlow.js en tu aplicación web o de Node.js en su lugar.

Link to this sectionArgumentos de exportación#

Argumento	Tipo	Predeterminado	Descripción
`format`	`str`	`'tfjs'`	Formato de destino para el modelo exportado, definiendo la compatibilidad con diversos entornos de despliegue.
`imgsz`	`int` o `tuple`	`640`	Tamaño de imagen deseado para la entrada del modelo. Puede ser un número entero para imágenes cuadradas o una tupla `(height, width)` para dimensiones específicas.
`quantize`	`int` o `str`	`None`	Precisión de cuantización: `16` (FP16) o `8` (INT8/PTQ; requiere `data`/`fraction` de calibración); `32` o no establecer valor equivale a FP32. Sustituye a los flags obsoletos `half`/`int8`.
`nms`	`bool`	`False`	Añade la supresión de no máximos (NMS), esencial para el posprocesamiento preciso y eficiente de detecciones.
`batch`	`int`	`1`	Especifica el tamaño de inferencia por lote del modelo exportado o el número máximo de imágenes que el modelo procesará simultáneamente en el modo `predict`.
`data`	`str`	`'coco8.yaml'`	Ruta al archivo de configuración del dataset (predeterminado: `coco8.yaml`), esencial para la cuantización.
`fraction`	`float`	`1.0`	Especifica la fracción del conjunto de datos a utilizar para la calibración de cuantización INT8. Permite calibrar en un subconjunto del conjunto de datos completo, útil para experimentos o cuando los recursos son limitados. Si no se especifica con INT8 habilitado, se utilizará el conjunto de datos completo.
`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.

Link to this sectionDesplegar modelos YOLO26 de TensorFlow.js exportados#

Ahora que has exportado tu modelo YOLO26 al formato TF.js, el siguiente paso es desplegarlo. Ultralytics no proporciona un backend de inferencia TF.js local, por lo que el _web_model exportado está destinado a ejecutarse directamente con el runtime de TensorFlow.js en un navegador o una aplicación de Node.js.

Para instrucciones detalladas sobre el despliegue de tus modelos TF.js, echa un vistazo a los siguientes recursos:

Extensión de Chrome: Aquí está la documentación para desarrolladores sobre cómo desplegar tus modelos TF.js en una extensión de Chrome.
Ejecutar TensorFlow.js en Node.js: Una entrada de blog de TensorFlow sobre cómo ejecutar TensorFlow.js en Node.js directamente.
Desplegar TensorFlow.js - Proyecto Node en plataforma en la nube: Una entrada de blog de TensorFlow sobre cómo desplegar un modelo de TensorFlow.js en una plataforma en la nube.

Link to this sectionResumen#

En esta guía, aprendimos cómo exportar modelos Ultralytics YOLO26 al formato TensorFlow.js. Al exportar a TF.js, 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 TensorFlow.js.

Para más información sobre la integración de Ultralytics YOLO26 con otras plataformas y marcos de trabajo, no olvides consultar nuestra página de guías de integración. Está repleta de recursos excelentes para ayudarte a aprovechar al máximo YOLO26 en tus proyectos.

Link to this sectionFAQ#

Link to this section¿Cómo exporto modelos Ultralytics YOLO26 al formato TensorFlow.js?#

Exportar modelos Ultralytics YOLO26 al formato TensorFlow.js (TF.js) es sencillo. Puedes seguir estos pasos:

Uso

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

# Deploy the exported '_web_model' with the TensorFlow.js runtime in a browser or Node.js app.
# Ultralytics does not provide a local TF.js inference backend.

Para más detalles sobre las opciones de exportación soportadas, visita la página de documentación de Ultralytics sobre opciones de despliegue.

Link to this section¿Por qué debería exportar mis modelos YOLO26 a TensorFlow.js?#

Exportar modelos YOLO26 a TensorFlow.js ofrece varias ventajas, incluyendo:

Ejecución local: Los modelos pueden ejecutarse directamente en el navegador o Node.js, reduciendo la latencia y mejorando la experiencia del usuario.
Soporte multiplataforma: TF.js soporta múltiples entornos, permitiendo flexibilidad en el despliegue.
Capacidades offline: Permite que las aplicaciones funcionen sin conexión a internet, garantizando fiabilidad y privacidad.
Aceleración por GPU: Aprovecha WebGL para la aceleración por GPU, optimizando el rendimiento en dispositivos con recursos limitados.

Link to this section¿Cómo beneficia TensorFlow.js a las aplicaciones de machine learning basadas en navegador?#

TensorFlow.js está diseñado específicamente para la ejecución eficiente de modelos de ML en navegadores y entornos de Node.js. Así es como beneficia a las aplicaciones basadas en navegador:

Reduce la latencia: Ejecuta modelos de machine learning localmente, proporcionando resultados inmediatos sin depender de cálculos en el lado del servidor.
Mejora la privacidad: Mantiene los datos sensibles en el dispositivo del usuario, minimizando los riesgos de seguridad.
Permite el uso offline: Los modelos pueden operar sin una conexión a internet, asegurando una funcionalidad consistente.
Soporta múltiples backends: Ofrece flexibilidad con backends como CPU, WebGL, WebAssembly (WASM) y WebGPU para diversas necesidades de computación.

¿Te interesa aprender más sobre TF.js? Echa un vistazo a la guía oficial de TensorFlow.js.

Link to this section¿Cuáles son las características clave de TensorFlow.js para desplegar modelos YOLO26?#

Las características clave de TensorFlow.js incluyen:

Soporte multiplataforma: TF.js puede utilizarse tanto en navegadores web como en Node.js, proporcionando una amplia flexibilidad de despliegue.
Múltiples backends: Soporta CPU, WebGL para aceleración por GPU, WebAssembly (WASM) y WebGPU para operaciones avanzadas.
Capacidades offline: Los modelos pueden ejecutarse directamente en el navegador sin conectividad a internet, haciéndolo ideal para desarrollar aplicaciones web receptivas.

Para escenarios de despliegue e información más profunda, consulta nuestra sección sobre Opciones de despliegue con TensorFlow.js.

Link to this section¿Puedo desplegar un modelo YOLO26 en aplicaciones Node.js del lado del servidor usando TensorFlow.js?#

Sí, TensorFlow.js permite el despliegue de modelos YOLO26 en entornos de Node.js. Esto permite aplicaciones de machine learning en el lado del servidor que se benefician de la potencia de procesamiento de un servidor y el acceso a datos en el lado del servidor. Los casos de uso típicos incluyen el procesamiento de datos en tiempo real y los flujos de trabajo de machine learning en servidores backend.

Para comenzar con el despliegue en Node.js, consulta la guía Ejecutar TensorFlow.js en Node.js de TensorFlow.

Colaboradores

GLglenn-jocher¹⁸ LAlakshanthad⁴ ONonuralpszr¹ RAraimbekovm¹ PDpderrenger¹ MAMatthewNoyce¹ RIRizwanMunawar¹ ABabirami-vina¹

Creado 3 abr 2024Actualizado anteayer