Exportar a TF Formato de modelo .js Desde un formato de modelo YOLOv8

Desplegar modelos de aprendizaje automático directamente en el navegador o en Node.js puede ser complicado. Tendrás que asegurarte de que el formato de tu modelo está 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 utilizar la mínima energía y, al mismo tiempo, ofrecer un rendimiento rápido.

La función "exportar a formato de modelo TF.js" te permite optimizar tus Ultralytics YOLOv8 modelos para la inferencia de detección de objetos a alta velocidad y en 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 varios navegadores locales y aplicaciones Node.js.

¿Por qué deberías exportar a TF.js?

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

Ejecutar los 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 tu 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 de aceleración de GPU.

Características principales de TF.js

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

• Compatibilidad multiplataforma: TensorFlow.js puede utilizarse tanto en entornos de navegador como de Node.js, lo que proporciona flexibilidad de despliegue en distintas plataformas. Permite a los desarrolladores crear y desplegar aplicaciones más fácilmente.

• Compatibilidad con múltiples backends: TensorFlow.js admite varios backends para el cálculo, como CPU, WebGL para aceleración GPU, WebAssembly (WASM) para velocidad de ejecución casi nativa, y WebGPU para capacidades avanzadas de aprendizaje automático basado en navegador.

• Capacidades sin conexión: Con TensorFlow.js, los modelos pueden ejecutarse en el navegador sin necesidad de conexión a Internet, lo que permite desarrollar aplicaciones funcionales sin conexión.

Opciones de despliegue con TensorFlow.js

Antes de sumergirnos en el proceso de exportación de los modelos YOLOv8 al formato TF.js, vamos a explorar algunos escenarios típicos de implantación en los que se utiliza este formato.

TF.js ofrece una serie de opciones para desplegar tus modelos de aprendizaje automático:

• Aplicaciones ML en el navegador: Puedes 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 el despliegue en entornos Node.js, lo que permite el desarrollo de aplicaciones de aprendizaje automático 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 con el botón derecho en una imagen dentro de cualquier página web para clasificarla utilizando un modelo ML preentrenado. TensorFlow.js puede integrarse en las experiencias cotidianas de navegación web para proporcionar percepciones o aumentos inmediatos basados en el aprendizaje automático.

Exportación de modelos de YOLOv8 a TensorFlow.js

Puedes ampliar la compatibilidad de los modelos y la flexibilidad de despliegue convirtiendo los modelos de YOLOv8 a TF.js.

Instalación

Para instalar el paquete necesario, ejecuta

# Install the required package for YOLOv8
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónUltralytics . Mientras instalas los paquetes necesarios para YOLOv8, si encuentras alguna dificultad, consulta nuestra guía de Problemas comunes para encontrar soluciones y consejos.

Utilización

Antes de sumergirte en las instrucciones de uso, es importante tener en cuenta que, aunque todos los modelos deUltralytics YOLOv8 están disponibles para exportar, aquí puedes asegurarte de que el modelo que seleccionas admite la función de exportación.

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n.pt')

# Export the model to TF.js format
model.export(format='tfjs')  # creates '/yolov8n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO('./yolov8n_web_model')

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

# Export a YOLOv8n PyTorch model to TF.js format
yolo export model=yolov8n.pt format=tfjs  # creates '/yolov8n_web_model'

# Run inference with the exported model
yolo predict model='./yolov8n_web_model' source='https://ultralytics.com/images/bus.jpg'

Para más detalles sobre las opciones de exportación admitidas, visita la página de documentaciónUltralytics sobre opciones de despliegue.

Despliegue de modelos .js exportados de YOLOv8 TensorFlow

Ahora que has exportado tu modelo YOLOv8 al formato TF.js, el siguiente paso es desplegarlo. El primer paso principal y recomendado para ejecutar un TF.js es utilizar el método YOLO("./yolov8n_web_model"), como se ha mostrado anteriormente en el fragmento de código de uso.

Sin embargo, 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.

• Ejecuta TensorFlow.js en Node.js: Una entrada del blog TensorFlow sobre cómo ejecutar TensorFlow.js en Node.js directamente.

• Desplegando TensorFlow.js - Proyecto Node en Plataforma Cloud: Una entrada del blog TensorFlow sobre el despliegue de un modelo TensorFlow.js en una Plataforma en la Nube.

Resumen

En esta guía hemos aprendido a exportar modelos Ultralytics YOLOv8 al formato TensorFlow.js. Al exportar a TF.js, ganas flexibilidad para optimizar, desplegar y escalar tus modelos YOLOv8 en una amplia gama de plataformas.

Para más detalles sobre su uso, visita la documentación oficial deTensorFlow.js.

Para obtener más información sobre la integración de Ultralytics YOLOv8 con otras plataformas y frameworks, no olvides consultar nuestra página de la guía de integración. Está repleta de magníficos recursos que te ayudarán a sacar el máximo partido de YOLOv8 en tus proyectos.

Comentarios