Link to this sectionApprends à exporter vers le format TFLite Edge TPU depuis un modèle YOLO26#

Le déploiement de modèles de vision par ordinateur sur des appareils à puissance de calcul limitée, tels que les systèmes mobiles ou embarqués, peut être délicat. Utiliser un format de modèle optimisé pour des performances plus rapides simplifie le processus. Le format de modèle TensorFlow Lite Edge TPU ou TFLite Edge TPU est conçu pour consommer un minimum d'énergie tout en offrant des performances rapides pour les réseaux neuronaux.

La fonctionnalité d'exportation vers le format TFLite Edge TPU te permet d'optimiser tes modèles Ultralytics YOLO26 pour une inférence à haute vitesse et basse consommation. Dans ce guide, nous te guiderons à travers la conversion de tes modèles vers le format TFLite Edge TPU, facilitant ainsi leur exécution sur divers appareils mobiles et embarqués.

Link to this sectionPourquoi devrais-tu exporter vers TFLite Edge TPU ?#

Exporter des modèles vers TensorFlow Edge TPU rend les tâches de machine learning rapides et efficaces. Cette technologie est adaptée aux applications ayant des ressources limitées en énergie, en calcul et en connectivité. L'Edge TPU est un accélérateur matériel de Google. Il accélère les modèles TensorFlow Lite sur les appareils en périphérie. L'image ci-dessous illustre un exemple du processus impliqué.

L'Edge TPU fonctionne avec des modèles quantifiés. La quantification rend les modèles plus petits et plus rapides sans perdre beaucoup en précision. C'est idéal pour les ressources limitées de l'edge computing, permettant aux applications de répondre rapidement en réduisant la latence et en autorisant un traitement rapide des données en local, sans dépendance au cloud. Le traitement local préserve également la confidentialité et la sécurité des données utilisateur puisqu'elles ne sont pas envoyées vers un serveur distant.

Link to this sectionFonctionnalités clés de TFLite Edge TPU#

Voici les fonctionnalités clés qui font de TFLite Edge TPU un excellent choix de format de modèle pour les développeurs :

• Performance optimisée sur les appareils en périphérie : Le TFLite Edge TPU atteint des performances élevées pour les réseaux neuronaux grâce à la quantification, l'optimisation des modèles, l'accélération matérielle et l'optimisation par compilateur. Son architecture minimaliste contribue à sa taille réduite et à son efficacité en termes de coûts.

• Débit de calcul élevé : TFLite Edge TPU combine une accélération matérielle spécialisée et une exécution efficace du runtime pour atteindre un débit de calcul élevé. Il est bien adapté au déploiement de modèles de machine learning avec des exigences de performance strictes sur les appareils en périphérie.

• Calculs matriciels efficaces : Le TensorFlow Edge TPU est optimisé pour les opérations matricielles, cruciales pour les calculs de réseau neuronal. Cette efficacité est essentielle pour les modèles de machine learning, en particulier ceux nécessitant de nombreuses et complexes multiplications et transformations matricielles.

Link to this sectionOptions de déploiement avec TFLite Edge TPU#

Avant de passer à la façon d'exporter les modèles YOLO26 vers le format TFLite Edge TPU, comprenons où les modèles TFLite Edge TPU sont généralement utilisés.

TFLite Edge TPU offre diverses options de déploiement pour les modèles de machine learning, notamment :

• Déploiement sur appareil (On-Device) : Les modèles TensorFlow Edge TPU peuvent être déployés directement sur des appareils mobiles et embarqués. Le déploiement sur appareil permet aux modèles de s'exécuter directement sur le matériel, éliminant le besoin de connectivité cloud, que ce soit en intégrant le modèle dans le bundle de l'application ou en le téléchargeant à la demande.

• Edge Computing avec Cloud TensorFlow TPUs : Dans les scénarios où les appareils en périphérie ont des capacités de traitement limitées, les TensorFlow Edge TPUs peuvent décharger les tâches d'inférence vers des serveurs cloud équipés de TPUs.

• Déploiement hybride : Une approche hybride combine le déploiement sur appareil et dans le cloud, et offre une solution polyvalente et évolutive pour déployer des modèles de machine learning. Les avantages incluent le traitement sur appareil pour des réponses rapides et le cloud computing pour des calculs plus complexes.

Link to this sectionExporter des modèles YOLO26 vers TFLite Edge TPU#

Tu peux étendre la compatibilité des modèles et la flexibilité de déploiement en convertissant les modèles YOLO26 vers TensorFlow Edge TPU.

Link to this sectionInstallation#

Pour installer le package requis, exécute :

# Install the required package for YOLO26
pip install ultralytics

Pour des instructions détaillées et les bonnes pratiques liées au processus d'installation, consulte notre guide d'installation Ultralytics. Lors de l'installation des packages requis pour YOLO26, si tu rencontres des difficultés, consulte notre guide des problèmes courants pour des solutions et conseils.

Link to this sectionUtilisation#

Tous les modèles Ultralytics YOLO26 sont conçus pour prendre en charge l'exportation dès leur installation, ce qui facilite leur intégration dans ton workflow de déploiement préféré. Tu peux consulter la liste complète des formats d'exportation pris en charge et des options de configuration pour choisir la meilleure configuration pour ton application.

Le format TFLite Edge TPU prend en charge les modes Export, Predict et Validate. L'inférence et la validation s'exécutent sur le matériel Coral Edge TPU. Exporte ton modèle, puis charge le modèle exporté pour exécuter l'inférence ou valider sa précision.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionArguments d'exportation#

Pour plus de détails sur le processus d'exportation, consulte la page de documentation Ultralytics sur l'exportation.

Link to this sectionDéployer des modèles YOLO26 TFLite Edge TPU exportés#

Après avoir exporté avec succès tes modèles Ultralytics YOLO26 vers le format TFLite Edge TPU, tu peux maintenant les déployer. La première étape principale et recommandée pour exécuter un modèle TFLite Edge TPU est d'utiliser la méthode YOLO("model_edgetpu.tflite"), comme indiqué dans l'extrait de code d'utilisation précédent.

Cependant, pour des instructions approfondies sur le déploiement de tes modèles TFLite Edge TPU, jette un œil aux ressources suivantes :

• Coral Edge TPU sur un Raspberry Pi avec Ultralytics YOLO26 : Découvre comment intégrer des Coral Edge TPUs avec un Raspberry Pi pour des capacités de machine learning améliorées.

• Exemples de code : Accède à des exemples pratiques de déploiement TensorFlow Edge TPU pour lancer tes projets.

• Exécuter l'inférence sur l'Edge TPU avec Python : Explore comment utiliser l'API Python de TensorFlow Lite pour les applications Edge TPU, incluant les directives de configuration et d'utilisation.

Link to this sectionRésumé#

Dans ce guide, nous avons appris comment exporter des modèles Ultralytics YOLO26 vers le format TFLite Edge TPU. En suivant les étapes mentionnées ci-dessus, tu peux augmenter la vitesse et la puissance de tes applications de vision par ordinateur.

Pour plus de détails sur l'utilisation, visite le site officiel d'Edge TPU.

De plus, pour plus d'informations sur les autres intégrations Ultralytics YOLO26, visite notre page de guide d'intégration. Tu y découvriras des ressources et des informations précieuses.

Link to this sectionFAQ#

Link to this sectionComment exporter un modèle YOLO26 vers le format TFLite Edge TPU ?#

Pour exporter un modèle YOLO26 vers le format TFLite Edge TPU, tu peux suivre ces étapes :

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

Pour tous les détails sur l'exportation de modèles vers d'autres formats, réfère-toi à notre guide d'exportation.

Link to this sectionQuels sont les avantages de l'exportation des modèles YOLO26 vers TFLite Edge TPU ?#

L'exportation des modèles YOLO26 vers TFLite Edge TPU offre plusieurs avantages :

• Performance optimisée : Atteins des performances élevées pour les réseaux neuronaux avec une consommation d'énergie minimale.
• Latence réduite : Traitement rapide des données en local sans besoin de dépendance au cloud.
• Confidentialité améliorée : Le traitement local garde les données des utilisateurs privées et sécurisées.

Cela rend le format idéal pour les applications en edge computing, où les appareils disposent de ressources énergétiques et de calcul limitées. Apprends-en plus sur pourquoi tu devrais exporter.

Link to this sectionPuis-je déployer des modèles TFLite Edge TPU sur des appareils mobiles et embarqués ?#

Oui, les modèles TensorFlow Lite Edge TPU peuvent être déployés directement sur des appareils mobiles et embarqués. Cette approche de déploiement permet aux modèles de s'exécuter directement sur le matériel, offrant une inférence plus rapide et plus efficace. Pour des exemples d'intégration, consulte notre guide sur le déploiement de Coral Edge TPU sur Raspberry Pi.

Link to this sectionQuels sont les cas d'utilisation courants des modèles TFLite Edge TPU ?#

Les cas d'utilisation courants pour les modèles TFLite Edge TPU incluent :

• Caméras intelligentes : Amélioration de l'analyse d'images et de vidéos en temps réel.
• Appareils IoT : Activation de la domotique et de l'automatisation industrielle.
• Santé : Accélération de l'imagerie médicale et des diagnostics.
• Commerce de détail : Amélioration de la gestion des stocks et de l'analyse du comportement des clients.

Ces applications bénéficient des hautes performances et de la faible consommation d'énergie des modèles TFLite Edge TPU. Découvre plus de détails sur les scénarios d'utilisation.

Link to this sectionComment puis-je résoudre les problèmes lors de l'exportation ou du déploiement de modèles TFLite Edge TPU ?#

Si tu rencontres des problèmes lors de l'exportation ou du déploiement de modèles TFLite Edge TPU, réfère-toi à notre guide des problèmes courants pour des conseils de dépannage. Ce guide couvre les problèmes fréquents et leurs solutions pour t'aider à assurer un fonctionnement fluide. Pour une assistance supplémentaire, visite notre Centre d'aide.