Link to this sectionComment exporter vers TF GraphDef depuis YOLO26 pour le déploiement#

Lorsque tu déploies des modèles de vision par ordinateur de pointe, comme YOLO26, dans différents environnements, tu peux rencontrer des problèmes de compatibilité. Le format GraphDef de TensorFlow, ou TF GraphDef, offre une solution en fournissant une représentation sérialisée et indépendante de la plateforme pour ton modèle. En utilisant le format de modèle TF GraphDef, tu peux déployer ton modèle YOLO26 dans des environnements où l'écosystème TensorFlow complet n'est pas forcément disponible, comme sur des appareils mobiles ou du matériel spécialisé.

Dans ce guide, nous te guiderons étape par étape sur la façon d'exporter tes modèles Ultralytics YOLO26 vers le format de modèle TF GraphDef. En convertissant ton modèle, tu peux simplifier le déploiement et utiliser les capacités de vision par ordinateur de YOLO26 dans un éventail plus large d'applications et de plateformes.

Link to this sectionPourquoi devrais-tu exporter vers TF GraphDef ?#

TF GraphDef est un composant puissant de l'écosystème TensorFlow développé par Google. Il peut être utilisé pour optimiser et déployer des modèles comme YOLO26. Exporter vers TF GraphDef te permet de faire passer tes modèles de la recherche aux applications concrètes. Cela permet aux modèles de s'exécuter dans des environnements dépourvus du framework TensorFlow complet.

Le format GraphDef représente le modèle sous la forme d'un graphe de calcul sérialisé. Cela permet diverses techniques d'optimisation comme la réduction de constantes, la quantification et les transformations de graphe. Ces optimisations assurent une exécution efficace, une réduction de la consommation de mémoire et des vitesses d'inférence plus rapides.

Les modèles GraphDef peuvent utiliser des accélérateurs matériels tels que les GPU, les TPU et les puces IA, débloquant des gains de performance significatifs pour le pipeline d'inférence de YOLO26. Le format TF GraphDef crée un package autonome contenant le modèle et ses dépendances, simplifiant ainsi le déploiement et l'intégration dans divers systèmes.

Link to this sectionFonctionnalités clés des modèles TF GraphDef#

TF GraphDef offre des fonctionnalités distinctes pour rationaliser le déploiement de modèles et l'optimisation.

Voici un aperçu de ses caractéristiques principales :

• Sérialisation de modèle : TF GraphDef offre un moyen de sérialiser et de stocker des 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 originale, ce qui facilite le déploiement.

• Optimisation de graphe : TF GraphDef permet l'optimisation des graphes de calcul. Ces optimisations peuvent booster les performances en rationalisant le flux d'exécution, en réduisant les redondances et en adaptant les opérations au matériel spécifique.

• Flexibilité de déploiement : Les modèles exportés au format GraphDef peuvent être utilisés dans divers environnements, y compris les appareils aux ressources limitées, les navigateurs web et les systèmes équipés de matériel spécialisé. Cela ouvre des possibilités pour un déploiement plus large de tes modèles TensorFlow.

• Focus sur la production : GraphDef est conçu pour le déploiement en production. Il prend en charge une exécution efficace, des fonctionnalités de sérialisation et des optimisations alignées sur des cas d'utilisation réels.

Link to this sectionOptions de déploiement avec TF GraphDef#

Avant de nous plonger dans le processus d'exportation des modèles YOLO26 vers TF GraphDef, examinons quelques situations de déploiement typiques où ce format est utilisé.

Voici comment tu peux déployer efficacement avec TF GraphDef sur diverses plateformes.

• TensorFlow Serving : Ce framework est conçu pour déployer des modèles TensorFlow dans des environnements de production. TensorFlow Serving offre la gestion des modèles, le versionnage et l'infrastructure pour un service de modèles efficace à grande échelle. C'est un moyen transparent d'intégrer tes modèles basés sur GraphDef dans des services web ou des API de production.

• Appareils mobiles et embarqués : Avec des outils comme TensorFlow Lite, tu peux convertir les modèles TF GraphDef en formats optimisés pour les smartphones, tablettes et divers appareils embarqués. Tes modèles peuvent ensuite être utilisés pour l'inférence sur l'appareil, où l'exécution se fait localement, offrant souvent des gains de performance et des capacités hors ligne.

• Navigateurs web : TensorFlow.js permet le déploiement de modèles TF GraphDef directement dans les navigateurs web. Il ouvre la voie à des applications de détection d'objets en temps réel s'exécutant côté client, en utilisant les capacités de YOLO26 via JavaScript.

• Matériel spécialisé : La nature agnostique vis-à-vis de la plateforme de TF GraphDef lui permet de cibler du matériel personnalisé, tel que des accélérateurs et des TPU (Tensor Processing Units). Ces appareils peuvent offrir des avantages en termes de performance pour des modèles nécessitant une grande puissance de calcul.

Link to this sectionExporter des modèles YOLO26 vers TF GraphDef#

Tu peux convertir ton modèle de détection d'objets YOLO26 au format TF GraphDef, compatible avec divers systèmes, afin d'améliorer ses performances sur différentes plateformes.

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 meilleures 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 des 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 flux de travail 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 TF GraphDef prend en charge les modes Export, Predict et Validate. 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 TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

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

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

# 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, visite la page de documentation d'Ultralytics sur l'exportation.

Link to this sectionDéployer des modèles YOLO26 TF GraphDef exportés#

Une fois que tu as exporté ton modèle YOLO26 au format TF GraphDef, l'étape suivante est le déploiement. La première étape principale et recommandée pour exécuter un modèle TF GraphDef est d'utiliser la méthode YOLO("model.pb"), comme montré précédemment dans l'extrait de code d'utilisation.

Cependant, pour plus d'informations sur le déploiement de tes modèles TF GraphDef, jette un œil aux ressources suivantes :

• TensorFlow Serving : Un guide sur TensorFlow Serving qui enseigne comment déployer et servir efficacement des modèles d'apprentissage automatique dans des environnements de production.

• TensorFlow Lite : Cette page décrit comment convertir des modèles d'apprentissage automatique en un format optimisé pour l'inférence sur l'appareil avec TensorFlow Lite.

• TensorFlow.js : Un guide sur la conversion de modèles qui enseigne comment convertir des modèles TensorFlow ou Keras au format TensorFlow.js pour une utilisation dans des applications web.

Link to this sectionRésumé#

Dans ce guide, nous avons exploré comment exporter des modèles Ultralytics YOLO26 vers le format TF GraphDef. En faisant cela, tu peux déployer de manière flexible tes modèles YOLO26 optimisés dans différents environnements.

Pour plus de détails sur l'utilisation, visite la documentation officielle de TF GraphDef.

Pour plus d'informations sur l'intégration d'Ultralytics YOLO26 avec d'autres plateformes et frameworks, consulte notre page de guide d'intégration.

Link to this sectionFAQ#

Link to this sectionComment puis-je exporter un modèle YOLO26 au format TF GraphDef ?#

Les modèles Ultralytics YOLO26 peuvent être exportés vers le format TensorFlow GraphDef (TF GraphDef) de manière transparente. Ce format fournit une représentation sérialisée et indépendante de la plateforme du modèle, idéale pour le déploiement dans des environnements variés comme le mobile et le web. Pour exporter un modèle YOLO26 vers TF GraphDef, suis ces étapes :

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

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

Pour plus d'informations sur les différentes options d'exportation, visite la documentation Ultralytics sur l'exportation de modèles.

Link to this sectionQuels sont les avantages d'utiliser TF GraphDef pour le déploiement de modèles YOLO26 ?#

L'exportation de modèles YOLO26 vers le format TF GraphDef offre de multiples avantages, notamment :

1. Indépendance de la plateforme : TF GraphDef fournit un format indépendant de la plateforme, permettant aux modèles d'être déployés dans divers environnements, y compris les appareils mobiles et les navigateurs web.
2. Optimisations : Le format permet plusieurs optimisations, telles que la réduction de constantes, la quantification et les transformations de graphe, qui améliorent l'efficacité de l'exécution et réduisent la consommation de mémoire.
3. Accélération matérielle : Les modèles au format TF GraphDef peuvent exploiter des accélérateurs matériels comme les GPU, les TPU et les puces IA pour obtenir des gains de performance.

Lis en plus sur les avantages dans la section TF GraphDef de notre documentation.

Link to this sectionPourquoi devrais-je utiliser Ultralytics YOLO26 plutôt que d'autres modèles de détection d'objets ?#

Ultralytics YOLO26 offre de nombreux avantages par rapport à d'autres modèles comme YOLOv5 et YOLOv7. Certains avantages clés incluent :

1. Performance de pointe : YOLO26 offre une vitesse et une précision exceptionnelles pour la détection d'objets, la segmentation d'instance, la segmentation sémantique et la classification en temps réel.
2. Facilité d'utilisation : Dispose d'une API conviviale pour l'entraînement, la validation, la prédiction et l'exportation de modèles, le rendant accessible aussi bien aux débutants qu'aux experts.
3. Large compatibilité : Prend en charge plusieurs formats d'exportation, notamment ONNX, TensorRT, CoreML et TensorFlow, pour des options de déploiement polyvalentes.

Découvre plus de détails dans notre introduction à YOLO26.

Link to this sectionComment puis-je déployer un modèle YOLO26 sur du matériel spécialisé en utilisant TF GraphDef ?#

Une fois qu'un modèle YOLO26 est exporté au format TF GraphDef, tu peux le déployer sur diverses plateformes matérielles spécialisées. Les scénarios de déploiement typiques incluent :

• TensorFlow Serving : Utilise TensorFlow Serving pour un déploiement de modèles évolutif dans des environnements de production. Il prend en charge la gestion des modèles et un service efficace.
• Appareils mobiles : Convertis les modèles TF GraphDef vers TensorFlow Lite, optimisé pour les appareils mobiles et embarqués, permettant une inférence sur l'appareil.
• Navigateurs web : Déploie des modèles en utilisant TensorFlow.js pour une inférence côté client dans des applications web.
• Accélérateurs IA : Tire parti des TPU et des puces IA personnalisées pour une inférence accélérée.

Consulte la section options de déploiement pour des informations détaillées.

Link to this sectionOù puis-je trouver des solutions aux problèmes courants lors de l'exportation de modèles YOLO26 ?#

Pour le dépannage des problèmes courants liés à l'exportation des modèles YOLO26, Ultralytics fournit des guides et des ressources complets. Si tu rencontres des problèmes pendant l'installation ou l'exportation de modèles, reporte-toi à :

• Guide des problèmes courants : Offre des solutions aux problèmes fréquemment rencontrés.
• Guide d'installation : Instructions étape par étape pour configurer les packages requis.

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