Ir al contenido

Exportaci贸n al formato de modelo TF.js desde un formato de modelo YOLO11

Desplegar modelos de aprendizaje autom谩tico directamente en el navegador o en Node.js puede ser complicado. Tendr谩s que asegurarte de que el formato de tu modelo est谩 optimizado para un rendimiento m谩s r谩pido, 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, est谩 dise帽ado para consumir la m铆nima energ铆a y, al mismo tiempo, ofrecer un rendimiento r谩pido.

La funci贸n "exportar a formato de modelo TF.js" le permite optimizar sus Ultralytics YOLO11 modelos para la inferencia de detecci贸n de objetos a alta velocidad y en ejecuci贸n local. En esta gu铆a, te guiaremos en la conversi贸n de tus modelos al formato TF.js, facilitando que tus modelos funcionen bien en varios navegadores locales y aplicaciones Node.js.

驴Por qu茅 exportar a TF.js?

Exportar tus modelos de aprendizaje autom谩tico a TensorFlow.js, desarrollado por el equipo de TensorFlow como parte del ecosistema m谩s amplio de TensorFlow , ofrece numerosas ventajas para desplegar aplicaciones de aprendizaje autom谩tico. Ayuda a mejorar la privacidad y la seguridad del usuario al mantener los datos confidenciales en el dispositivo. La siguiente imagen muestra la arquitectura de TensorFlow.js y c贸mo los modelos de aprendizaje autom谩tico se convierten y despliegan tanto en navegadores web como en Node.js.

TFArquitectura .js

Ejecutar los modelos localmente tambi茅n reduce la latencia y proporciona una experiencia de usuario m谩s receptiva. TensorFlow.js tambi茅n incluye funciones offline, lo que permite a los usuarios utilizar la aplicaci贸n incluso sin conexi贸n a Internet. TF.js est谩 dise帽ado para la ejecuci贸n eficiente de modelos complejos en dispositivos con recursos limitados, ya que est谩 dise帽ado para la escalabilidad, con soporte de aceleraci贸n GPU .

Caracter铆sticas principales de TF.js

Estas son las principales caracter铆sticas 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 en la implantaci贸n en distintas plataformas. Permite a los desarrolladores crear y desplegar aplicaciones m谩s f谩cilmente.

  • Soporte para m煤ltiples backends: TensorFlow.js soporta varios backends para computaci贸n incluyendo CPU, WebGL para aceleraci贸n GPU , WebAssembly (WASM) para velocidad de ejecuci贸n casi nativa, y WebGPU para capacidades avanzadas de aprendizaje autom谩tico basadas en navegador.

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

Opciones de implantaci贸n con TensorFlow.js

Antes de sumergirnos en el proceso de exportaci贸n de modelos de YOLO11 al formato .js de TF, exploremos algunos escenarios t铆picos de despliegue en los que se utiliza este formato.

TF.js ofrece una serie de opciones para desplegar sus modelos de aprendizaje autom谩tico:

  • Aplicaciones ML en el navegador: Puede crear aplicaciones web que ejecuten modelos de aprendizaje autom谩tico directamente en el navegador. Se elimina la necesidad de computaci贸n del lado del servidor y se reduce la carga del servidor.

  • Aplicaciones Node.js:: TensorFlow.js tambi茅n admite la implementaci贸n en entornos Node.js, lo que permite el desarrollo de aplicaciones de aprendizaje autom谩tico del lado del servidor. Resulta especialmente 煤til para aplicaciones que requieren la potencia de procesamiento de un servidor o el acceso a datos del lado del servidor.

  • Extensiones de Chrome: Un escenario de despliegue interesante es la creaci贸n de extensiones de Chrome con TensorFlow.js. Por ejemplo, se puede desarrollar una extensi贸n que permita a los usuarios hacer clic con el bot贸n derecho en una imagen dentro de cualquier p谩gina web para clasificarla utilizando un modelo ML preentrenado. TensorFlow.js puede integrarse en las experiencias cotidianas de navegaci贸n web para proporcionar informaci贸n inmediata o mejoras basadas en el aprendizaje autom谩tico.

Exportaci贸n de modelos de YOLO11 a TensorFlow.js

Puede ampliar la compatibilidad de los modelos y la flexibilidad de despliegue convirtiendo los modelos de YOLO11 a TF.js.

Instalaci贸n

Para instalar el paquete necesario, ejecute

Instalaci贸n

# Install the required package for YOLO11
pip install ultralytics

Para obtener instrucciones detalladas y buenas pr谩cticas relacionadas con el proceso de instalaci贸n, consulta nuestra gu铆a de instalaci贸nUltralytics . Mientras instala los paquetes necesarios para YOLO11, si encuentra alguna dificultad, consulte nuestra gu铆a de problemas comunes para obtener soluciones y consejos.

Utilizaci贸n

Antes de entrar en las instrucciones de uso, es importante tener en cuenta que, aunque todos los modelos deUltralytics YOLO11 est谩n disponibles para la exportaci贸n, aqu铆 puede asegurarse de que el modelo que seleccione admite la funci贸n de exportaci贸n.

Utilizaci贸n

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

Para obtener m谩s informaci贸n sobre las opciones de exportaci贸n compatibles, visite la p谩gina de documentaci贸n deUltralytics sobre opciones de implantaci贸n.

Despliegue de modelos .js exportados de YOLO11 TensorFlow

Ahora que ha exportado su modelo YOLO11 al formato TF.js, el siguiente paso es desplegarlo. El primer paso primario y recomendado para ejecutar un TF.js es utilizar la funci贸n YOLO("./yolo11n_web_model") como se muestra en el fragmento de c贸digo de uso.

Sin embargo, para obtener instrucciones detalladas sobre el despliegue de sus modelos TF.js, consulte los siguientes recursos:

Resumen

En esta gu铆a hemos aprendido a exportar modelos Ultralytics YOLO11 al formato TensorFlow.js. Al exportar a TF.js, obtienes la flexibilidad de optimizar, implementar y escalar tus modelos YOLO11 en una amplia gama de plataformas.

Para m谩s detalles sobre su uso, visite la documentaci贸n oficial deTensorFlow.js.

Para m谩s informaci贸n sobre la integraci贸n de Ultralytics YOLO11 con otras plataformas y frameworks, no olvides consultar nuestra p谩gina de gu铆a de integraci贸n. Est谩 repleta de recursos que te ayudar谩n a sacar el m谩ximo partido de YOLO11 en tus proyectos.

PREGUNTAS FRECUENTES

驴C贸mo se exportan los modelos de Ultralytics YOLO11 al formato .js de TensorFlow?

Exportar los modelos Ultralytics YOLO11 al formato TensorFlow.js (TF.js) es muy sencillo. Puedes seguir estos pasos:

Utilizaci贸n

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

Para obtener m谩s informaci贸n sobre las opciones de exportaci贸n compatibles, visite la p谩gina de documentaci贸n deUltralytics sobre opciones de implantaci贸n.

驴Por qu茅 debo exportar mis modelos de YOLO11 a TensorFlow.js?

Exportar modelos de YOLO11 a TensorFlow.js ofrece varias ventajas, entre ellas:

  1. Ejecuci贸n local: Los modelos pueden ejecutarse directamente en el navegador o en Node.js, lo que reduce la latencia y mejora la experiencia del usuario.
  2. Compatibilidad multiplataforma: TF.js es compatible con m煤ltiples entornos, lo que permite flexibilidad en la implantaci贸n.
  3. Capacidades sin conexi贸n: Permite que las aplicaciones funcionen sin conexi贸n a Internet, lo que garantiza la fiabilidad y la privacidad.
  4. GPU Aceleraci贸n: Aprovecha WebGL para la aceleraci贸n GPU , optimizando el rendimiento en dispositivos con recursos limitados.

Para obtener una visi贸n general completa, consulte nuestra Integraciones con TensorFlow.js.

驴En qu茅 beneficia TensorFlow.js a las aplicaciones de aprendizaje autom谩tico basadas en navegador?

TensorFlow.js est谩 dise帽ado espec铆ficamente para la ejecuci贸n eficiente de modelos ML en navegadores y entornos Node.js. He aqu铆 c贸mo beneficia a las aplicaciones basadas en navegador:

  • Reduce la latencia: Ejecuta los modelos de aprendizaje autom谩tico localmente, proporcionando resultados inmediatos sin depender de los c谩lculos del servidor.
  • Mejora la privacidad: Mantiene los datos sensibles en el dispositivo del usuario, minimizando los riesgos de seguridad.
  • Permite el uso sin conexi贸n: Los modelos pueden funcionar sin conexi贸n a Internet, lo que garantiza una funcionalidad constante.
  • Soporta m煤ltiples backends: Ofrece flexibilidad con backends como CPU, WebGL, WebAssembly (WASM) y WebGPU para distintas necesidades computacionales.

驴Te interesa saber m谩s sobre TF.js? Consulte la gu铆a oficial de TensorFlow.js.

驴Cu谩les son las principales caracter铆sticas de TensorFlow.js para desplegar modelos YOLO11 ?

Entre las principales caracter铆sticas de TensorFlow.js se incluyen:

  • Compatibilidad multiplataforma: TF.js puede utilizarse tanto en navegadores web como en Node.js, lo que proporciona una gran flexibilidad de implantaci贸n.
  • M煤ltiples backends: Admite CPU, WebGL para la aceleraci贸n de GPU , WebAssembly (WASM) y WebGPU para operaciones avanzadas.
  • Capacidades offline: Los modelos pueden ejecutarse directamente en el navegador sin conexi贸n a Internet, lo que lo hace ideal para desarrollar aplicaciones web responsivas.

Para conocer escenarios de despliegue e informaci贸n m谩s detallada, consulte nuestra secci贸n sobre Opciones de despliegue con TensorFlow.js.

驴Puedo desplegar un modelo YOLO11 en aplicaciones Node.js del lado del servidor utilizando TensorFlow.js?

S铆, TensorFlow.js permite el despliegue de modelos YOLO11 en entornos Node.js. Esto permite aplicaciones de aprendizaje autom谩tico 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 t铆picos incluyen el procesamiento de datos en tiempo real y las canalizaciones de aprendizaje autom谩tico en servidores backend.

Para empezar con el despliegue de Node.js, consulte la gu铆a Ejecutar TensorFlow.js en Node.js de TensorFlow.

Creado hace 8 meses 鉁忥笍 Actualizado hace 2 meses

Comentarios