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

La implementación de modelos de aprendizaje automático directamente en el navegador o en Node.js puede ser complicada. Deberá asegurarse de que el formato del modelo esté optimizado para un rendimiento más rápido, de modo que el modelo se pueda usar para ejecutar aplicaciones interactivas localmente en el dispositivo del usuario. El TensorFlow.js, o TF.js, el formato del modelo está diseñado para utilizar una potencia mínima y 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 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 la aceleración GPU , WebAssembly (WASM) para una velocidad de ejecución casi nativa, y WebGPU para capacidades avanzadas de aprendizaje automático basadas en el 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 el 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.

PREGUNTAS FRECUENTES

¿Cómo puedo exportar los modelos de Ultralytics YOLOv8 al formato TensorFlow.js?

Exportar los modelos Ultralytics YOLOv8 al formato TensorFlow.js (TF.js) es muy sencillo. Puedes seguir estos pasos:

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.

¿Por qué debo exportar mis modelos de YOLOv8 a TensorFlow.js?

Exportar modelos de YOLOv8 a TensorFlow.js ofrece varias ventajas, entre ellas:

1. Ejecución local: Los modelos pueden ejecutarse directamente en el navegador o en Node.js, reduciendo la latencia y mejorando la experiencia del usuario.
2. Compatibilidad multiplataforma: TF.js es compatible con múltiples entornos, lo que permite flexibilidad en la implantación.
3. Capacidades sin conexión: Permite que las aplicaciones funcionen sin conexión a Internet, garantizando la fiabilidad y la privacidad.
4. GPU Aceleración: Aprovecha WebGL para la aceleración GPU , optimizando el rendimiento en dispositivos con recursos limitados.

Para obtener una visión general, consulta nuestras Integraciones con TensorFlow.js.

¿Cómo beneficia TensorFlow.js a las aplicaciones de aprendizaje automático basadas en navegador?

TensorFlow.js está diseñado específicamente para la ejecución eficiente de modelos ML en navegadores y entornos Node.js. He aquí 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 sensibles en el dispositivo del usuario, minimizando los riesgos de seguridad.
• Permite el uso sin conexión: Los modelos pueden funcionar sin conexión a Internet, lo que garantiza una funcionalidad constante.
• Admite múltiples backends: Ofrece flexibilidad con backends como CPU, WebGL, WebAssembly (WASM) y WebGPU para distintas necesidades computacionales.

¿Te interesa saber más sobre TF.js? Consulta la guía oficial de TensorFlow.js.

¿Cuáles son las principales características de TensorFlow.js para desplegar modelos YOLOv8 ?

Las principales características de TensorFlow.js son:

• Compatibilidad multiplataforma: TF.js puede utilizarse tanto en navegadores web como en Node.js, lo que proporciona una gran flexibilidad de despliegue.
• Múltiples backends: Admite CPU, WebGL para aceleración GPU , WebAssembly (WASM) y WebGPU para operaciones avanzadas.
• Capacidades sin conexión: Los modelos pueden ejecutarse directamente en el navegador sin conexión a Internet, lo que lo hace ideal para desarrollar aplicaciones web responsivas.

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

¿Puedo desplegar un modelo YOLOv8 en aplicaciones Node.js del lado del servidor utilizando TensorFlow.js?

Sí, TensorFlow.js permite el despliegue de modelos YOLOv8 en entornos Node.js. Esto permite 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 implantación de Node.js, consulta la guía Ejecutar TensorFlow.js en Node.js de TensorFlow.

Comentarios