Commencer

Comment exporter YOLO26 vers TF GraphDef pour le déploiement

Lors du déploiement de modèles de vision par ordinateur, comme YOLO26, dans différents environnements, tu peux rencontrer des problèmes de compatibilité. GraphDef, ou TF GraphDef, le format de TensorFlow de Google, apporte une solution en fournissant une représentation sérialisée et indépendante de la plateforme de ton modèle. Le format de modèle TF GraphDef te permet de déployer ton modèle YOLO26 dans des environnements où l’écosystème TensorFlow complet n’est pas forcément disponible, comme les appareils mobiles ou le matériel spécialisé.

Ce guide t’explique étape par étape comment exporter tes modèles Ultralytics YOLO26 au format de modèle TF GraphDef. Cette conversion simplifie le déploiement et te permet d’utiliser les capacités de vision par ordinateur de YOLO26 dans un éventail plus large d’applications et de plateformes.

TensorFlow GraphDef model serialization format

Pourquoi exporter vers TF GraphDef ?#

TF GraphDef est un composant essentiel de l’écosystème TensorFlow développé par Google. Il peut servir à optimiser et à déployer des modèles comme YOLO26. L’export au format TF GraphDef permet de passer des travaux de recherche aux applications réelles. Il permet aux modèles de s’exécuter dans des environnements dépourvus de l’infrastructure TensorFlow complète.

Le format GraphDef représente le modèle sous la forme d’un graphe de calcul sérialisé. Cela permet d’appliquer diverses techniques d’optimisation, comme le repliement des constantes, la quantification et les transformations de graphes. Ces optimisations peuvent améliorer l’efficacité d’exécution, réduire l’utilisation de la mémoire et accélérer l’inférence.

Les modèles GraphDef peuvent utiliser des accélérateurs matériels tels que les GPU, les TPU et les puces d’IA pour accélérer le pipeline d’inférence YOLO26. Le format TF GraphDef crée un package autonome contenant le modèle et ses dépendances, ce qui simplifie le déploiement et l’intégration à différents systèmes.

Principales caractéristiques des modèles TF GraphDef#

TF GraphDef offre des fonctionnalités spécifiques pour simplifier le déploiement de modèles et leur optimisation.

Voici ses principales caractéristiques :

  • Sérialisation des modèles : TF GraphDef permet de sérialiser et de stocker les modèles TensorFlow dans un format indépendant de la plateforme. Cette représentation sérialisée te permet de charger et d’exécuter tes modèles sans la base de code Python d’origine, ce qui facilite le déploiement.

  • Optimisation des graphes : TF GraphDef permet d’optimiser les graphes de calcul. Ces optimisations peuvent améliorer les performances en simplifiant le flux d’exécution, en réduisant les redondances et en adaptant les opérations au matériel ciblé.

  • Souplesse de déploiement : les modèles exportés au format GraphDef peuvent être utilisés dans divers environnements, notamment sur des appareils aux ressources limitées, dans des navigateurs Web et sur des systèmes équipés de matériel spécialisé. Cela ouvre la voie à un déploiement plus large de tes modèles TensorFlow.

  • Conçu pour la production : GraphDef est conçu pour le déploiement en production. Il prend en charge une exécution efficace, des fonctionnalités de sérialisation et des optimisations adaptées aux cas d’usage réels.

Options de déploiement avec TF GraphDef#

Avant d’exporter des modèles YOLO26 vers TF GraphDef, voici quelques situations de déploiement typiques où ce format est utilisé.

  • TensorFlow Serving : ce framework est conçu pour déployer des modèles TensorFlow dans des environnements de production. TensorFlow Serving offre la gestion des modèles, le contrôle des versions et l’infrastructure nécessaires à leur déploiement efficace à grande échelle. Il permet d’intégrer facilement tes modèles basés sur GraphDef à des services Web ou des API en production.

  • Appareils mobiles et embarqués : avec des outils comme LiteRT, tu peux convertir les modèles TF GraphDef en formats optimisés pour les smartphones, les tablettes et divers appareils embarqués. Tu peux ensuite utiliser tes modèles pour effectuer des inférences sur l’appareil, avec une exécution locale qui améliore souvent les performances et permet de travailler hors ligne. Ultralytics peut également exporter directement YOLO26 vers LiteRT.

  • Navigateurs Web : TensorFlow.js permet de déployer des modèles TF GraphDef directement dans les navigateurs Web. Il prend en charge les applications de détection d’objets en temps réel exécutées côté client et utilisant YOLO26 via JavaScript.

  • Matériel spécialisé : la nature indépendante de la plateforme de TF GraphDef permet de cibler du matériel personnalisé, comme des accélérateurs et des TPU (unités de traitement tensoriel). Ces appareils peuvent améliorer les performances des modèles à forte intensité de calcul.

Tâches prises en charge#

L'export TF GraphDef prend en charge les sept tâches Ultralytics. La segmentation sémantique et l'estimation de profondeur sont disponibles uniquement avec YOLO26, la seule famille qui inclut ces têtes.

TâcheYOLOv8YOLO11YOLO26
Détecter✅✅✅
Segmenter✅✅✅
Sémantique❌❌✅
Profondeur❌❌✅
Classifier✅✅✅
Pose✅✅✅
OBB✅✅✅

Exporter des modèles YOLO26 vers TF GraphDef#

Tu peux convertir ton modèle YOLO26 au format TF GraphDef, compatible avec différents systèmes, afin d’améliorer ses performances sur plusieurs plateformes.

Installation#

Pour installer le package requis, exécute :

Installation
# Install the required package for YOLO26
pip install ultralytics

Pour obtenir des instructions détaillées et connaître les bonnes pratiques liées à l’installation, consulte notre guide d’installation Ultralytics. Si tu rencontres des difficultés lors de l’installation des packages requis pour YOLO26, consulte notre guide des problèmes courants, qui propose des solutions et des conseils.

Prise en charge des plateformes

L'export TF GraphDef n'est pas pris en charge sur macOS avec Python 3.13 ou une version ultérieure.

Utilisation#

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

Le format TF GraphDef prend en charge les modes Export, Prédire et Valider. Exporte ton modèle, puis charge le modèle exporté pour lancer l'inférence ou valider sa précision.

Export
from ultralytics import YOLO

# Charger un modèle YOLO26
model = YOLO("yolo26n.pt")

# Exporter le modèle au format TF GraphDef
model.export(format="pb")  # crée 'yolo26n.pb'
Prédiction
from ultralytics import YOLO

# Charger le modèle TF GraphDef exporté
model = YOLO("yolo26n.pb")

# Exécuter l’inférence
results = model("https://ultralytics.com/images/bus.jpg")
Valider
from ultralytics import YOLO

# Charger le modèle TF GraphDef exporté
model = YOLO("yolo26n.pb")

# Valider la précision sur le jeu de données COCO8
metrics = model.val(data="coco8.yaml")

Arguments d’exportation#

ArgumentTypeValeur par défautDescription
formatstr'pb'Format cible du modèle exporté, qui définit sa compatibilité avec différents environnements de déploiement.
imgszint ou tuple640Taille d’image souhaitée pour l’entrée du modèle. Peut être un entier pour les images carrées ou un tuple (height, width) pour définir des dimensions spécifiques.
quantizeint ou strNoneExportation FP32 fixe. GraphDef ne prend pas en charge la conversion de précision FP16, INT8 ou W8A16 au moment de l’exportation.
opsetintNoneOpset ONNX du graphe intermédiaire. Si elle n'est pas définie, utilise 18 (une version inférieure avec PyTorch < 2.4, plafonnée à onnx installé) ; RT-DETR utilise 19.
batchint1Indique la taille de lot pour l’inférence du modèle exporté ou le nombre maximal d’images que le modèle exporté traitera simultanément en mode predict.
devicestrNoneIndique l’appareil utilisé pour l’exportation : CPU (device=cpu), MPS pour les puces Apple (device=mps).

Pour en savoir plus sur le processus d’export, consulte la page de la documentation Ultralytics consacrée à l’export.

Déployer des modèles YOLO26 TF GraphDef exportés#

Une fois ton modèle YOLO26 exporté au format TF GraphDef, l’étape suivante consiste à le déployer. Pour exécuter un modèle TF GraphDef, la première étape recommandée est d’utiliser la méthode YOLO("model.pb"), comme indiqué précédemment dans l’extrait de code d’utilisation.

Pour en savoir plus sur le déploiement de tes modèles TF GraphDef, consulte les ressources suivantes :

  • TensorFlow Serving : un guide sur TensorFlow Serving qui explique comment déployer et servir efficacement des modèles de machine learning en production.

  • TensorFlow Lite : cette page explique comment convertir des modèles de machine learning dans un format optimisé pour l’inférence sur appareil avec TensorFlow Lite.

  • TensorFlow.js : un guide de conversion de modèles qui explique comment convertir des modèles TensorFlow ou Keras au format TensorFlow.js pour les utiliser dans des applications Web.

Résumé#

Dans ce guide, nous avons vu comment exporter des modèles Ultralytics YOLO26 au format TF GraphDef. Tu peux ainsi déployer tes modèles YOLO26 optimisés avec souplesse dans différents environnements.

Pour plus de détails sur son utilisation, consulte la documentation officielle de TF GraphDef.

FAQ#

  • Les modèles Ultralytics YOLO26 peuvent être exportés au format TensorFlow GraphDef (TF GraphDef). Ce format fournit une représentation sérialisée et indépendante de la plateforme du modèle, idéale pour le déploiement dans divers environnements, notamment sur le Web et les appareils mobiles. Pour exporter un modèle YOLO26 vers TF GraphDef, suis ces étapes :

    Utilisation
    from ultralytics import YOLO
    
    # Charger un modèle YOLO26
    model = YOLO("yolo26n.pt")
    
    # Exporter le modèle au format TF GraphDef
    model.export(format="pb")  # crée 'yolo26n.pb'
    
    # Charger le modèle TF GraphDef exporté
    tf_graphdef_model = YOLO("yolo26n.pb")
    
    # Exécuter l’inférence
    results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

    Pour en savoir plus sur les différentes options d’exportation, consulte la documentation Ultralytics sur l’exportation de modèles.

  • L’exportation de modèles YOLO26 au format TF GraphDef offre plusieurs avantages, notamment :

    1. Indépendance vis-à-vis de la plateforme : TF GraphDef fournit un format indépendant de la plateforme, qui permet de déployer des modèles dans divers environnements, notamment sur les appareils mobiles et dans les navigateurs Web.
    2. Optimisations : ce format permet plusieurs optimisations, comme le pliage des constantes, la quantification et les transformations de graphe, qui améliorent l’efficacité de l’exécution et réduisent l’utilisation de la mémoire.
    3. Accélération matérielle : les modèles au format TF GraphDef peuvent exploiter des accélérateurs matériels comme les GPU, les TPU et les puces d’IA pour améliorer les performances.

    Pour en savoir plus sur les avantages, consulte la section TF GraphDef de notre documentation.

  • Ultralytics YOLO26 présente de nombreux avantages par rapport à d’autres modèles comme YOLOv5 et YOLOv7. Voici quelques-uns de ses principaux atouts :

    1. Performances de pointe : YOLO26 offre une vitesse élevée et une grande précision pour la détection d’objets, la segmentation d’instances, la segmentation sémantique et la classification en temps réel.
    2. Facilité d’utilisation : il propose une API conviviale pour l’entraînement, la validation, la prédiction et l’exportation des modèles, accessible aussi bien aux débutants qu’aux experts.
    3. Large compatibilité : il prend en charge plusieurs formats d’exportation, dont ONNX, TensorRT, CoreML et TensorFlow, pour offrir des options de déploiement polyvalentes.

    Pour en savoir plus, consulte notre présentation de YOLO26.

  • Une fois le modèle YOLO26 exporté au format TF GraphDef, tu peux le déployer sur différentes plateformes matérielles spécialisées. Voici quelques scénarios de déploiement courants :

    • TensorFlow Serving : utilise TensorFlow Serving pour déployer des modèles de manière évolutive en production. Cet outil prend en charge la gestion des modèles et leur mise à disposition efficace.
    • Appareils mobiles : convertis les modèles TF GraphDef au format TensorFlow Lite, optimisé pour les appareils mobiles et embarqués, afin de permettre l’inférence sur appareil.
    • Navigateurs Web : déploie les modèles avec TensorFlow.js pour effectuer des inférences côté client dans des applications Web.
    • Accélérateurs d’IA : utilise des TPU et des puces d’IA personnalisées pour accélérer l’inférence.

    Consulte la section sur les options de déploiement pour en savoir plus.

  • Pour résoudre les problèmes courants liés à l’exportation de modèles YOLO26, Ultralytics propose des guides et des ressources détaillés. Si tu rencontres des problèmes lors de l’installation ou de l’exportation de modèles, consulte :

    Ces ressources devraient t’aider à résoudre la plupart des problèmes liés à l’exportation et au déploiement de modèles YOLO26.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.