Link to this sectionExporta al formato de modelo TF.js desde un formato de modelo YOLO26#
Desplegar modelos de machine learning directamente en el navegador o en Node.js puede ser complicado. Debes asegurarte de que el formato de tu modelo esté optimizado para obtener 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 de 'exportar al formato de modelo TF.js' te permite optimizar tus modelos Ultralytics YOLO26 para una inferencia de detección de objetos de alta velocidad ejecutada localmente. En esta guía, te explicaremos cómo convertir tus modelos al formato TF.js, facilitando que tus modelos funcionen bien en varios 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 confidenciales en el dispositivo. La siguiente imagen 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.
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 para aceleración por GPU.
Link to this sectionCaracterísticas clave de TF.js#
Aquí tienes las características clave que hacen de TF.js una herramienta potente para los desarrolladores:
-
Soporte multiplataforma: TensorFlow.js se puede utilizar tanto en entornos de navegador como de Node.js, lo que proporciona 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 admite varios backends para computación, 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, lo que hace posible desarrollar aplicaciones que funcionan sin conexión.
Link to this sectionOpciones de despliegue con TensorFlow.js#
Antes de profundizar en el proceso de exportar modelos YOLO26 al formato TF.js, exploremos algunos escenarios típicos de despliegue 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 construir aplicaciones web que ejecuten modelos de machine learning directamente en el navegador. Se elimina la necesidad de computación del lado del servidor y se reduce la carga del servidor.
-
Aplicaciones de Node.js: TensorFlow.js también admite el despliegue en entornos de Node.js, lo que permite el desarrollo de aplicaciones de machine learning del lado del servidor. Es especialmente 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, puedes desarrollar una extensión que permita a los usuarios hacer clic derecho sobre una imagen dentro de cualquier página web para clasificarla usando 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 sectionExportación de modelos YOLO26 a TensorFlow.js#
Puedes ampliar la compatibilidad y flexibilidad de despliegue de tus modelos convirtiendo los modelos YOLO26 a TF.js.
Link to this sectionInstalación#
Para instalar el paquete requerido, ejecuta:
# Install the required package for YOLO26
pip install ultralyticsPara obtener instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si encuentras dificultades mientras instalas los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.
Link to this sectionUso#
Todos los modelos Ultralytics YOLO26 están diseñados para soportar la exportación directamente, lo que facilita su integración en tu flujo de trabajo de despliegue preferido. Puedes ver la lista completa de formatos de exportación y opciones de configuración compatibles 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.
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'Ultralytics no proporciona un backend de inferencia local para TF.js, 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 destino para el modelo exportado, que define 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. |
half | bool | False | Habilita la cuantización FP16 (precisión media), lo que reduce el tamaño del modelo y potencialmente acelera la inferencia en hardware compatible. |
int8 | bool | False | Activa la cuantización INT8, lo que comprime aún más el modelo y acelera la inferencia con una pérdida mínima de precisión, principalmente para dispositivos periféricos. |
nms | bool | False | Añade la supresión de no máximos (NMS), esencial para el posprocesamiento de detecciones preciso y eficiente. |
batch | int | 1 | Especifica el tamaño de inferencia por lotes del modelo de exportación o el número máximo de imágenes que el modelo exportado procesará simultáneamente en 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 dataset que se utilizará para la calibración de cuantización INT8. Permite calibrar sobre un subconjunto del dataset completo, lo cual es útil para experimentos o cuando los recursos son limitados. Si no se especifica y la opción INT8 está activada, se utilizará el dataset 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 exportación.
Link to this sectionDespliegue de modelos de TensorFlow.js YOLO26 exportados#
Ahora que has exportado tu modelo YOLO26 al formato TF.js, el siguiente paso es desplegarlo. Ultralytics no proporciona un backend de inferencia local para TF.js, por lo que el _web_model exportado está diseñado para ejecutarse directamente con el runtime de TensorFlow.js en un navegador o una aplicación de Node.js.
Para obtener instrucciones detalladas sobre el despliegue de tus modelos TF.js, echa un vistazo a los siguientes recursos:
-
Extensión de Chrome: Aquí tienes 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 directamente en Node.js.
-
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, ganas 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 cómo integrar Ultralytics YOLO26 con otras plataformas y frameworks, no olvides consultar nuestra página de guía de integración. Está repleta de grandes recursos para ayudarte a aprovechar al máximo YOLO26 en tus proyectos.
Link to this sectionPreguntas frecuentes#
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:
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 en Node.js, reduciendo la latencia y mejorando la experiencia del usuario.
- Soporte multiplataforma: TF.js admite múltiples entornos, lo que permite 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 del 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, garantizando una funcionalidad consistente.
- Admite múltiples backends: Ofrece flexibilidad con backends como CPU, WebGL, WebAssembly (WASM) y WebGPU para diversas necesidades computacionales.
¿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 se puede usar tanto en navegadores web como en Node.js, proporcionando una amplia flexibilidad de despliegue.
- Múltiples backends: Admite CPU, WebGL para aceleración por GPU, WebAssembly (WASM) y WebGPU para operaciones avanzadas.
- Capacidades offline: Los modelos pueden ejecutarse directamente en el navegador sin conexión a internet, lo que lo hace ideal para desarrollar aplicaciones web receptivas.
Para escenarios de despliegue e información más detallada, consulta nuestra sección sobre Opciones de despliegue con TensorFlow.js.
Link to this section¿Puedo desplegar un modelo YOLO26 en aplicaciones de 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 del lado del servidor que se benefician de la potencia de procesamiento de un servidor y el acceso a datos del lado del servidor. Los casos de uso típicos incluyen el procesamiento de datos en tiempo real y pipelines de machine learning en servidores backend.
Para empezar con el despliegue en Node.js, consulta la guía Ejecutar TensorFlow.js en Node.js de TensorFlow.