Skip to content

Comprendre les options de déploiement de YOLO11

Introduction

Vous avez parcouru un long chemin avec YOLO11. Vous avez collecté des données avec diligence, les avez méticuleusement annotées et avez consacré des heures à l'entraînement et à l'évaluation rigoureuse de votre modèle YOLO11 personnalisé. Il est maintenant temps de mettre votre modèle au service de votre application spécifique, de votre cas d'utilisation ou de votre projet. Mais une décision cruciale se présente à vous : comment exporter et déployer votre modèle de manière efficace ?

Ce guide vous présente les options de déploiement de YOLO11 et les facteurs essentiels à prendre en compte pour choisir la bonne option pour votre projet.

Comment choisir la bonne option de déploiement pour votre modèle YOLO11

Lorsqu'il est temps de déployer votre modèle YOLO11 , le choix d'un format d'exportation approprié est très important. Comme indiqué dans la documentationUltralytics YOLO11 Modes, la fonction model.export() permet de convertir votre modèle formé dans une variété de formats adaptés à divers environnements et exigences de performance.

Le format idéal dépend du contexte opérationnel prévu pour votre modèle, en tenant compte de la vitesse, des contraintes matérielles et de la facilité d'intégration. Dans la section suivante, nous allons examiner de plus près chaque option d'exportation et comprendre quand choisir chacune d'entre elles.

YOLO11Options de déploiement

Passons en revue les différentes options de déploiement de YOLO11 . Pour une description détaillée du processus d'exportation, visitez la page de documentationUltralytics sur l'exportation.

PyTorch

PyTorch est une bibliothèque d'apprentissage automatique open-source largement utilisée pour les applications d'apprentissage profond et d'intelligence artificielle. Elle offre un haut niveau de flexibilité et de rapidité, ce qui en a fait l'une des préférées des chercheurs et des développeurs.

  • Benchmarks de performance: PyTorch est connu pour sa facilitĂ© d'utilisation et sa flexibilitĂ©, ce qui peut entraĂ®ner un lĂ©ger compromis en termes de performances brutes par rapport Ă  d'autres frameworks plus spĂ©cialisĂ©s et optimisĂ©s.

  • CompatibilitĂ© et intĂ©gration: Offre une excellente compatibilitĂ© avec diverses bibliothèques de science des donnĂ©es et d'apprentissage automatique sur Python.

  • Soutien de la communautĂ© et Ă©cosystème: L'une des communautĂ©s les plus dynamiques, avec des ressources Ă©tendues pour l'apprentissage et le dĂ©pannage.

  • Études de cas: Couramment utilisĂ©s dans les prototypes de recherche, de nombreux articles universitaires font rĂ©fĂ©rence Ă  des modèles dĂ©ployĂ©s sur le site PyTorch.

  • Maintenance et mises Ă  jour: Mises Ă  jour rĂ©gulières avec dĂ©veloppement actif et soutien pour les nouvelles fonctionnalitĂ©s.

  • ConsidĂ©rations de sĂ©curitĂ©: Des correctifs sont rĂ©gulièrement apportĂ©s pour les problèmes de sĂ©curitĂ©, mais la sĂ©curitĂ© dĂ©pend largement de l'environnement global dans lequel il est dĂ©ployĂ©.

  • AccĂ©lĂ©ration matĂ©rielle: Prise en charge de CUDA pour l'accĂ©lĂ©ration de GPU , essentielle pour accĂ©lĂ©rer l'apprentissage et l'infĂ©rence des modèles.

TorchScript

TorchScript étend les capacités de PyTorch en permettant l'exportation de modèles à exécuter dans un environnement d'exécution C++. Il convient donc aux environnements de production où Python n'est pas disponible.

  • Critères de performance: Peut amĂ©liorer les performances par rapport Ă  la version native de PyTorch, en particulier dans les environnements de production.

  • CompatibilitĂ© et intĂ©gration: Conçu pour une transition transparente entre PyTorch et les environnements de production C++, bien que certaines fonctionnalitĂ©s avancĂ©es puissent ne pas ĂŞtre parfaitement transposĂ©es.

  • Soutien de la communautĂ© et Ă©cosystème: BĂ©nĂ©ficie de l'importante communautĂ© de PyTorch mais dispose d'un Ă©ventail plus restreint de dĂ©veloppeurs spĂ©cialisĂ©s.

  • Études de cas: Largement utilisĂ© dans les environnements industriels oĂą la surcharge de performance de Python est un goulot d'Ă©tranglement.

  • Maintenance et mises Ă  jour: Maintenu sur PyTorch avec des mises Ă  jour rĂ©gulières.

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: Offre une sĂ©curitĂ© accrue en permettant l'exĂ©cution de modèles dans des environnements sans installation complète de Python .

  • AccĂ©lĂ©ration matĂ©rielle: HĂ©rite de la prise en charge de CUDA par PyTorch, garantissant une utilisation efficace de GPU .

ONNX

L'Open Neural Network Exchange (ONNX) est un format qui permet l'interopérabilité des modèles entre différents cadres, ce qui peut s'avérer essentiel lors du déploiement sur diverses plateformes.

  • Critères de performance: les modèles ONNX peuvent prĂ©senter des performances variables en fonction de la durĂ©e d'exĂ©cution spĂ©cifique sur laquelle ils sont dĂ©ployĂ©s.

  • CompatibilitĂ© et intĂ©gration: Grande interopĂ©rabilitĂ© entre plusieurs plateformes et matĂ©riels grâce Ă  sa nature agnostique.

  • Soutien de la communautĂ© et Ă©cosystème: Soutenu par de nombreuses organisations, ce qui donne lieu Ă  un vaste Ă©cosystème et Ă  une variĂ©tĂ© d'outils d'optimisation.

  • Études de cas: FrĂ©quemment utilisĂ© pour dĂ©placer des modèles entre diffĂ©rents cadres d'apprentissage automatique, dĂ©montrant ainsi sa flexibilitĂ©.

  • Maintenance et mises Ă  jour: En tant que norme ouverte, ONNX est rĂ©gulièrement mis Ă  jour pour prendre en charge de nouvelles opĂ©rations et de nouveaux modèles.

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: Comme pour tout outil multiplateforme, il est essentiel de garantir des pratiques sĂ©curisĂ©es dans le pipeline de conversion et de dĂ©ploiement.

  • AccĂ©lĂ©ration matĂ©rielle: Avec ONNX Runtime, les modèles peuvent tirer parti de diverses optimisations matĂ©rielles.

OpenVINO

OpenVINO est une boîte à outils Intel conçue pour faciliter le déploiement de modèles d'apprentissage profond sur le matériel Intel , en améliorant les performances et la vitesse.

  • Repères de performance: SpĂ©cifiquement optimisĂ© pour les CPU, GPU et VPU Intel , il offre des gains de performance significatifs sur le matĂ©riel compatible.

  • CompatibilitĂ© et intĂ©gration: Fonctionne le mieux au sein de l'Ă©cosystème Intel , mais prend Ă©galement en charge une sĂ©rie d'autres plates-formes.

  • Soutien de la communautĂ© et Ă©cosystème: Soutenu par Intel, avec une base d'utilisateurs solide, en particulier dans le domaine de la vision par ordinateur.

  • Études de cas: Souvent utilisĂ© dans des scĂ©narios IoT et d'informatique pĂ©riphĂ©rique oĂą le matĂ©riel Intel est rĂ©pandu.

  • Maintenance et mises Ă  jour: Intel met rĂ©gulièrement Ă  jour OpenVINO pour prendre en charge les derniers modèles d'apprentissage profond et le matĂ©riel Intel .

  • ConsidĂ©rations de sĂ©curitĂ©: Les fonctions de sĂ©curitĂ© sont robustes et adaptĂ©es au dĂ©ploiement d'applications sensibles.

  • AccĂ©lĂ©ration matĂ©rielle: AdaptĂ© Ă  l'accĂ©lĂ©ration sur le matĂ©riel Intel , en tirant parti de jeux d'instructions et de fonctions matĂ©rielles dĂ©diĂ©s.

Pour plus de détails sur le déploiement à l'aide de OpenVINO, reportez-vous à la documentation sur l'intégration de Ultralytics : Intel OpenVINO Exporter.

TensorRT

TensorRT est un optimiseur d'inférence d'apprentissage profond haute performance et un moteur d'exécution de NVIDIA, idéal pour les applications nécessitant rapidité et efficacité.

  • Critères de performance: Offre des performances de premier plan sur les GPU NVIDIA avec prise en charge de l'infĂ©rence Ă  grande vitesse.

  • CompatibilitĂ© et intĂ©gration: Convient le mieux au matĂ©riel NVIDIA , avec un soutien limitĂ© en dehors de cet environnement.

  • Soutien de la communautĂ© et Ă©cosystème: Un rĂ©seau de soutien solide grâce aux forums de dĂ©veloppeurs et Ă  la documentation de NVIDIA.

  • Études de cas: Largement adoptĂ© dans les industries nĂ©cessitant une infĂ©rence en temps rĂ©el sur des donnĂ©es vidĂ©o et des images.

  • Maintenance et mises Ă  jour: NVIDIA maintient TensorRT avec des mises Ă  jour frĂ©quentes pour amĂ©liorer les performances et prendre en charge les nouvelles architectures GPU .

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: Comme de nombreux produits NVIDIA , il met fortement l'accent sur la sĂ©curitĂ©, mais les spĂ©cificitĂ©s dĂ©pendent de l'environnement de dĂ©ploiement.

  • AccĂ©lĂ©ration matĂ©rielle: Conçu exclusivement pour les GPU NVIDIA , il offre une optimisation et une accĂ©lĂ©ration profondes.

CoreML

CoreML est le cadre d'apprentissage automatique d'Apple, optimisé pour les performances sur appareil dans l'écosystème Apple, notamment iOS, macOS, watchOS et tvOS.

  • Repères de performance: OptimisĂ© pour des performances sur l'appareil sur le matĂ©riel Apple avec une utilisation minimale de la batterie.

  • CompatibilitĂ© et intĂ©gration: Exclusivement destinĂ© Ă  l'Ă©cosystème Apple, il offre un flux de travail rationalisĂ© pour les applications iOS et macOS.

  • Soutien de la communautĂ© et Ă©cosystème: Un soutien solide de la part d'Apple et une communautĂ© de dĂ©veloppeurs dĂ©vouĂ©s, avec une documentation et des outils complets.

  • Études de cas: Couramment utilisĂ© dans les applications qui nĂ©cessitent des capacitĂ©s d'apprentissage automatique sur les produits Apple.

  • Maintenance et mises Ă  jour: RĂ©gulièrement mis Ă  jour par Apple pour prendre en charge les dernières avancĂ©es en matière d'apprentissage automatique et le matĂ©riel Apple.

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: BĂ©nĂ©ficie de l'attention portĂ©e par Apple Ă  la confidentialitĂ© des utilisateurs et Ă  la sĂ©curitĂ© des donnĂ©es.

  • AccĂ©lĂ©ration matĂ©rielle: Exploite pleinement le moteur neuronal d'Apple et GPU pour accĂ©lĂ©rer les tâches d'apprentissage automatique.

TF SavedModel

TF SavedModel est le format utilisé par TensorFlow pour enregistrer et servir les modèles d'apprentissage automatique, particulièrement adapté aux environnements de serveurs évolutifs.

  • Repères de performance: Offre des performances Ă©volutives dans les environnements de serveurs, en particulier lorsqu'il est utilisĂ© avec TensorFlow Serving.

  • CompatibilitĂ© et intĂ©gration: Large compatibilitĂ© dans l'Ă©cosystème de TensorFlow, y compris les dĂ©ploiements de serveurs en nuage et d'entreprise.

  • Soutien de la communautĂ© et Ă©cosystème: Large soutien de la communautĂ© en raison de la popularitĂ© de TensorFlow, avec une vaste gamme d'outils pour le dĂ©ploiement et l'optimisation.

  • Études de cas: Largement utilisĂ© dans des environnements de production pour servir des modèles d'apprentissage profond Ă  grande Ă©chelle.

  • Maintenance et mises Ă  jour: Soutenu par Google et la communautĂ© TensorFlow , il garantit des mises Ă  jour rĂ©gulières et de nouvelles fonctionnalitĂ©s.

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: Le dĂ©ploiement Ă  l'aide de TensorFlow Serving comprend des fonctions de sĂ©curitĂ© robustes pour les applications d'entreprise.

  • AccĂ©lĂ©ration matĂ©rielle: Prise en charge de diverses accĂ©lĂ©rations matĂ©rielles par l'intermĂ©diaire des backends de TensorFlow.

TF GraphDef

TF GraphDef est un format TensorFlow qui représente le modèle sous forme de graphe, ce qui est utile dans les environnements où un graphe de calcul statique est nécessaire.

  • Repères de performance: Fournit des performances stables pour les graphes de calcul statiques, en mettant l'accent sur la cohĂ©rence et la fiabilitĂ©.

  • CompatibilitĂ© et intĂ©gration: S'intègre facilement dans l'infrastructure de TensorFlow mais est moins flexible que SavedModel.

  • Soutien de la communautĂ© et Ă©cosystème: Bon soutien de l'Ă©cosystème de TensorFlow, avec de nombreuses ressources disponibles pour l'optimisation des graphes statiques.

  • Études de cas: Utile dans les scĂ©narios oĂą un graphique statique est nĂ©cessaire, comme dans certains systèmes embarquĂ©s.

  • Maintenance et mises Ă  jour: Mises Ă  jour rĂ©gulières en mĂŞme temps que les mises Ă  jour de base de TensorFlow.

  • ConsidĂ©rations de sĂ©curitĂ©: Assure un dĂ©ploiement sĂ»r conformĂ©ment aux pratiques de sĂ©curitĂ© Ă©tablies sur le site TensorFlow.

  • AccĂ©lĂ©ration matĂ©rielle: Peut utiliser les options d'accĂ©lĂ©ration matĂ©rielle de TensorFlow, bien qu'elles ne soient pas aussi flexibles que SavedModel.

TF Lite

TF Lite est la solution de TensorFlow pour l'apprentissage automatique sur les appareils mobiles et embarqués, fournissant une bibliothèque légère pour l'inférence sur l'appareil.

  • Repères de performance: Conçu pour la vitesse et l'efficacitĂ© sur les appareils mobiles et embarquĂ©s.

  • CompatibilitĂ© et intĂ©gration: Grâce Ă  sa lĂ©gèretĂ©, il peut ĂŞtre utilisĂ© sur un large Ă©ventail d'appareils.

  • Soutien de la communautĂ© et Ă©cosystème: Soutenu par Google, il dispose d'une communautĂ© solide et d'un nombre croissant de ressources pour les dĂ©veloppeurs.

  • Études de cas: Populaire dans les applications mobiles qui nĂ©cessitent une infĂ©rence sur l'appareil avec un encombrement minimal.

  • Maintenance et mises Ă  jour: RĂ©gulièrement mis Ă  jour pour inclure les dernières fonctionnalitĂ©s et optimisations pour les appareils mobiles.

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: Fournit un environnement sĂ©curisĂ© pour l'exĂ©cution des modèles sur les appareils des utilisateurs finaux.

  • AccĂ©lĂ©ration matĂ©rielle: Prend en charge une variĂ©tĂ© d'options d'accĂ©lĂ©ration matĂ©rielle, y compris GPU et DSP.

TF Bord TPU

TF Edge TPU est conçu pour un calcul rapide et efficace sur le matériel Edge TPU de Google, parfait pour les appareils IoT nécessitant un traitement en temps réel.

  • Repères de performance: SpĂ©cifiquement optimisĂ© pour des calculs rapides et efficaces sur le matĂ©riel Google's Edge TPU .

  • CompatibilitĂ© et intĂ©gration: Fonctionne exclusivement avec les modèles TensorFlow Lite sur les appareils Edge TPU .

  • Soutien de la communautĂ© et Ă©cosystème: Soutien croissant grâce aux ressources fournies par Google et les dĂ©veloppeurs tiers.

  • Études de cas: UtilisĂ© dans les appareils et applications IoT qui nĂ©cessitent un traitement en temps rĂ©el avec une faible latence.

  • Maintenance et mises Ă  jour: AmĂ©lioration continue pour exploiter les capacitĂ©s des nouvelles versions du matĂ©riel Edge TPU .

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: S'intègre Ă  la sĂ©curitĂ© robuste de Google pour les appareils IoT et de pĂ©riphĂ©rie.

  • AccĂ©lĂ©ration matĂ©rielle: Conçu sur mesure pour tirer pleinement parti des dispositifs Google Coral.

TF.js

TensorFlow.js (TF.js) est une bibliothèque qui apporte des capacités d'apprentissage automatique directement dans le navigateur, offrant ainsi un nouveau champ de possibilités aux développeurs web et aux utilisateurs. Elle permet l'intégration de modèles d'apprentissage automatique dans les applications web sans nécessiter d'infrastructure dorsale.

  • Repères de performance: Permet l'apprentissage automatique directement dans le navigateur avec des performances raisonnables, en fonction de l'appareil du client.

  • CompatibilitĂ© et intĂ©gration: Haute compatibilitĂ© avec les technologies web, permettant une intĂ©gration facile dans les applications web.

  • Soutien de la communautĂ© et Ă©cosystème: Soutien d'une communautĂ© de dĂ©veloppeurs web et Node.js, avec une variĂ©tĂ© d'outils pour dĂ©ployer des modèles ML dans les navigateurs.

  • Études de cas: IdĂ©al pour les applications web interactives qui bĂ©nĂ©ficient de l'apprentissage automatique cĂ´tĂ© client sans nĂ©cessiter de traitement cĂ´tĂ© serveur.

  • Maintenance et mises Ă  jour: Maintenu par l'Ă©quipe de TensorFlow avec des contributions de la communautĂ© open-source.

  • ConsidĂ©rations de sĂ©curitĂ©: S'exĂ©cute dans le contexte sĂ©curisĂ© du navigateur, en utilisant le modèle de sĂ©curitĂ© de la plateforme web.

  • AccĂ©lĂ©ration matĂ©rielle: Les performances peuvent ĂŞtre amĂ©liorĂ©es grâce Ă  des API basĂ©es sur le web qui accèdent Ă  l'accĂ©lĂ©ration matĂ©rielle, comme WebGL.

PaddlePaddle

PaddlePaddle est un cadre d'apprentissage profond open-source développé par Baidu. Il est conçu pour être à la fois efficace pour les chercheurs et facile à utiliser pour les développeurs. Il est particulièrement populaire en Chine et offre un support spécialisé pour le traitement de la langue chinoise.

  • Critères de performance: Offre des performances compĂ©titives en mettant l'accent sur la facilitĂ© d'utilisation et l'Ă©volutivitĂ©.

  • CompatibilitĂ© et intĂ©gration: Bien intĂ©grĂ© dans l'Ă©cosystème de Baidu, il prend en charge un large Ă©ventail d'applications.

  • Soutien de la communautĂ© et Ă©cosystème: Bien que la communautĂ© soit plus petite Ă  l'Ă©chelle mondiale, elle se dĂ©veloppe rapidement, en particulier en Chine.

  • Études de cas: Couramment utilisĂ© sur les marchĂ©s chinois et par les dĂ©veloppeurs Ă  la recherche d'alternatives Ă  d'autres frameworks majeurs.

  • Maintenance et mises Ă  jour: RĂ©gulièrement mis Ă  jour, l'accent est mis sur les applications et services d'IA en langue chinoise.

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: L'accent est mis sur la confidentialitĂ© et la sĂ©curitĂ© des donnĂ©es, conformĂ©ment aux normes chinoises en matière de gouvernance des donnĂ©es.

  • AccĂ©lĂ©ration matĂ©rielle: Prise en charge de diverses accĂ©lĂ©rations matĂ©rielles, y compris les puces Kunlun de Baidu.

NCNN

NCNN est un cadre d'inférence de réseaux neuronaux de haute performance optimisé pour la plate-forme mobile. Il se distingue par sa légèreté et son efficacité, ce qui le rend particulièrement adapté aux appareils mobiles et embarqués dont les ressources sont limitées.

  • Critères de performance: hautement optimisĂ© pour les plates-formes mobiles, il offre une infĂ©rence efficace sur les appareils basĂ©s sur la technologie ARM.

  • CompatibilitĂ© et intĂ©gration: Convient aux applications sur les tĂ©lĂ©phones mobiles et les systèmes embarquĂ©s avec architecture ARM.

  • Soutien de la communautĂ© et Ă©cosystème: Soutenu par une communautĂ© niche mais active, axĂ©e sur les applications ML mobiles et embarquĂ©es.

  • Études de cas: PrivilĂ©giĂ© pour les applications mobiles oĂą l'efficacitĂ© et la vitesse sont essentielles sur Android et d'autres systèmes Ă  base d'ARM.

  • Maintenance et mises Ă  jour: AmĂ©lioration continue pour maintenir des performances Ă©levĂ©es sur une gamme d'appareils ARM.

  • ConsidĂ©rations relatives Ă  la sĂ©curitĂ©: L'accent est mis sur l'exĂ©cution locale sur l'appareil, ce qui permet de tirer parti de la sĂ©curitĂ© inhĂ©rente au traitement sur l'appareil.

  • AccĂ©lĂ©ration matĂ©rielle: AdaptĂ© aux CPU ARM et aux GPU, avec des optimisations spĂ©cifiques pour ces architectures.

MNN

MNN est un cadre d'apprentissage profond très efficace et léger. Il prend en charge l'inférence et l'entraînement de modèles d'apprentissage profond et offre des performances de pointe pour l'inférence et l'entraînement sur l'appareil. En outre, MNN est également utilisé sur les appareils embarqués, tels que l'IoT.

Analyse comparative des options de déploiement du site YOLO11

Le tableau suivant donne un aperçu des différentes options de déploiement disponibles pour les modèles YOLO11 , vous aidant à évaluer celle qui correspond le mieux aux besoins de votre projet en fonction de plusieurs critères essentiels. Pour un examen approfondi du format de chaque option de déploiement, veuillez consulter la page de documentationUltralytics sur les formats d'exportation.

Option de déploiement Critères de performance Compatibilité et intégration Soutien communautaire et écosystème Études de cas Maintenance et mises à jour Considérations relatives à la sécurité Accélération matérielle
PyTorch Bonne flexibilité ; peut compromettre la performance brute Excellent avec les bibliothèques Python Ressources et communauté étendues Recherche et prototypes Développement régulier et actif Dépend de l'environnement de déploiement CUDA Prise en charge de l'accélération GPU
TorchScript Meilleur pour la production que PyTorch Transition en douceur de PyTorch à C++ Spécialisé mais plus étroit que PyTorch Industrie où Python est un goulot d'étranglement Mises à jour régulières avec PyTorch Amélioration de la sécurité sans être complet Python Hérite du support CUDA de PyTorch
ONNX Variable en fonction de la durée d'exécution Un niveau élevé dans les différents cadres Vaste écosystème, soutenu par de nombreuses organisations Flexibilité des cadres de ML Mises à jour régulières pour les nouvelles opérations Garantir des pratiques de conversion et de déploiement sûres Diverses optimisations matérielles
OpenVINO Optimisé pour le matériel Intel Meilleur dans l'écosystème Intel Solide expérience dans le domaine de la vision par ordinateur IoT et périphérie avec le matériel Intel Mises à jour régulières du matériel Intel Caractéristiques robustes pour les applications sensibles Conçu pour le matériel Intel
TensorRT Top-tier sur les GPU NVIDIA Meilleur pour le matériel NVIDIA Un réseau solide grâce à NVIDIA Inférence vidéo et image en temps réel Mises à jour fréquentes pour les nouveaux GPU L'accent mis sur la sécurité Conçu pour les GPU NVIDIA
CoreML Optimisé pour le matériel Apple embarqué Exclusivité de l'écosystème Apple Soutien important d'Apple et des développeurs ML on-device sur les produits Apple Mises à jour régulières d'Apple Priorité à la protection de la vie privée et à la sécurité Moteur neuronal Apple et GPU
TF SavedModel Évolutif dans les environnements de serveurs Large compatibilité avec l'écosystème TensorFlow Large soutien grâce à la popularité de TensorFlow Servir des modèles à l'échelle Mises à jour régulières par Google et la communauté Fonctionnalités robustes pour les entreprises Diverses accélérations matérielles
TF GraphDef Stable pour les graphes de calcul statiques S'intègre bien à l'infrastructure TensorFlow Ressources pour l'optimisation des graphes statiques Scénarios nécessitant des graphes statiques Mises à jour en même temps que TensorFlow core Pratiques de sécurité établies TensorFlow TensorFlow options d'accélération
TF Lite Vitesse et efficacité sur mobile/embedded Large éventail de dispositifs pris en charge Communauté solide, Google soutenue Applications mobiles à encombrement minimal Dernières fonctionnalités pour les mobiles Environnement sécurisé sur les appareils des utilisateurs finaux GPU et DSP, entre autres
TF Bord TPU Optimisé pour le matériel Google's Edge TPU Exclusivité des appareils Edge TPU Se développer avec Google et des ressources tierces Dispositifs IoT nécessitant un traitement en temps réel Améliorations pour le nouveau matériel Edge TPU GoogleLa sécurité robuste de l'IoT Conçu sur mesure pour Google Coral
TF.js Performances raisonnables dans le navigateur Haut niveau en technologies web Soutien aux développeurs Web et Node.js Applications web interactives TensorFlow contributions de l'équipe et de la communauté Modèle de sécurité de la plate-forme web Amélioré avec WebGL et d'autres API
PaddlePaddle Compétitif, facile à utiliser et évolutif L'écosystème Baidu, un large support d'applications Croissance rapide, surtout en Chine Marché chinois et traitement des langues Focus sur les applications chinoises de l'IA L'accent est mis sur la confidentialité et la sécurité des données Y compris les puces Kunlun de Baidu
MNN Haute performance pour les appareils mobiles. Systèmes ARM mobiles et embarqués et X86-64 CPU Communauté ML mobile/embarquée Efficacité des systèmes mobiles Maintenance performante sur les appareils mobiles Avantages de la sécurité sur l'appareil Optimisation des processeurs ARM et des GPU
NCNN Optimisé pour les appareils mobiles basés sur la technologie ARM Systèmes ARM mobiles et embarqués Niche mais communauté ML mobile/embedded active Android et l'efficacité des systèmes ARM Maintenance à haute performance sur ARM Avantages de la sécurité sur l'appareil Optimisation des processeurs ARM et des GPU

Cette analyse comparative vous donne une vue d'ensemble. Pour le déploiement, il est essentiel de prendre en compte les exigences et les contraintes spécifiques de votre projet et de consulter la documentation détaillée et les ressources disponibles pour chaque option.

Communauté et soutien

Lorsque vous commencez à utiliser le site YOLO11, le fait de bénéficier d'une communauté et d'un soutien utiles peut avoir un impact significatif. Voici comment entrer en contact avec d'autres personnes qui partagent vos intérêts et obtenir l'aide dont vous avez besoin.

S'engager auprès de la communauté élargie

  • Discussions sur GitHub : Le dĂ©pĂ´t YOLO11 sur GitHub possède une section "Discussions" oĂą vous pouvez poser des questions, signaler des problèmes et suggĂ©rer des amĂ©liorations.

  • Ultralytics Serveur Discord : Ultralytics dispose d'un serveur Discord oĂą vous pouvez interagir avec d'autres utilisateurs et dĂ©veloppeurs.

Documentation et ressources officielles

  • Ultralytics YOLO11 Docs : La documentation officielle fournit une vue d'ensemble de YOLO11, ainsi que des guides sur l'installation, l'utilisation et le dĂ©pannage.

Ces ressources vous aideront à relever les défis et à vous tenir au courant des dernières tendances et des meilleures pratiques au sein de la communauté YOLO11 .

Conclusion

Dans ce guide, nous avons exploré les différentes options de déploiement pour YOLO11. Nous avons également abordé les facteurs importants à prendre en compte lors de votre choix. Ces options vous permettent de personnaliser votre modèle en fonction de divers environnements et exigences de performance, ce qui le rend adapté aux applications du monde réel.

N'oubliez pas que la communauté YOLO11 et Ultralytics est une source d'aide précieuse. Entrez en contact avec d'autres développeurs et experts pour apprendre des astuces et des solutions uniques que vous ne trouverez peut-être pas dans la documentation habituelle. Continuez à rechercher des connaissances, à explorer de nouvelles idées et à partager vos expériences.

Bon déploiement !

FAQ

Quelles sont les options de déploiement disponibles pour YOLO11 sur différentes plates-formes matérielles ?

Ultralytics YOLO11 prend en charge différents formats de déploiement, chacun étant conçu pour des environnements et des plates-formes matérielles spécifiques. Les principaux formats sont les suivants

  • PyTorch pour la recherche et le prototypage, avec une excellente intĂ©gration de Python .
  • TorchScript pour les environnements de production oĂą Python n'est pas disponible.
  • ONNX pour une compatibilitĂ© multiplateforme et une accĂ©lĂ©ration matĂ©rielle.
  • OpenVINO pour optimiser les performances sur le matĂ©riel Intel .
  • TensorRT pour une infĂ©rence Ă  grande vitesse sur les GPU NVIDIA .

Chaque format présente des avantages uniques. Pour une description détaillée, consultez notre documentation sur les processus d'exportation.

Comment améliorer la vitesse d'inférence de mon modèle YOLO11 sur Intel CPU ?

Pour améliorer la vitesse d'inférence sur les unités centrales Intel , vous pouvez déployer votre modèle YOLO11 à l'aide de la boîte à outils OpenVINO de Intel. OpenVINO offre des gains de performance significatifs en optimisant les modèles pour exploiter efficacement le matériel Intel .

  1. Convertissez votre modèle YOLO11 au format OpenVINO à l'aide de la fonction model.export() fonction.
  2. Suivez le guide d'installation détaillé dans la documentationIntel OpenVINO Export.

Pour en savoir plus, consultez notre article de blog.

Puis-je déployer les modèles YOLO11 sur des appareils mobiles ?

Oui, les modèles YOLO11 peuvent être déployés sur des appareils mobiles à l'aide du logiciel TensorFlow Lite (TF Lite) pour les plateformes Android et iOS . TF Lite est conçu pour les appareils mobiles et embarqués et permet une inférence efficace sur l'appareil.

Exemple

# Export command for TFLite format
model.export(format="tflite")
# CLI command for TFLite export
yolo export --format tflite

Pour plus de détails sur le déploiement de modèles sur mobile, consultez notre guide d'intégrationTF Lite.

Quels sont les facteurs à prendre en compte lors du choix d'un format de déploiement pour mon modèle YOLO11 ?

Lorsque vous choisissez un format de déploiement pour YOLO11, tenez compte des facteurs suivants :

  • Performance: Certains formats comme TensorRT offrent des vitesses exceptionnelles sur les GPU NVIDIA , tandis que OpenVINO est optimisĂ© pour le matĂ©riel Intel .
  • CompatibilitĂ©: ONNX offre une large compatibilitĂ© entre les diffĂ©rentes plateformes.
  • FacilitĂ© d'intĂ©gration: Les formats tels que CoreML ou TF Lite sont adaptĂ©s Ă  des Ă©cosystèmes spĂ©cifiques tels que iOS et Android, respectivement.
  • Soutien communautaire: Les formats tels que PyTorch et TensorFlow disposent de ressources et d'un soutien communautaires Ă©tendus.

Pour une analyse comparative, consultez notre documentation sur les formats d'exportation.

Comment puis-je déployer les modèles YOLO11 dans une application web ?

Pour déployer les modèles YOLO11 dans une application web, vous pouvez utiliser TensorFlow.js (TF.js), qui permet d'exécuter des modèles d'apprentissage automatique directement dans le navigateur. Cette approche élimine le besoin d'une infrastructure dorsale et offre des performances en temps réel.

  1. Exporter le modèle YOLO11 vers le format TF.js.
  2. Intégrer le modèle exporté dans votre application web.

Pour obtenir des instructions étape par étape, consultez notre guide sur l'intégration deTensorFlow.js.

📅C réé il y a 1 an ✏️ Mis à jour il y a 1 mois

Commentaires