Comment exporter vers TF GraphDef à partir de YOLO11 pour le déploiement ?

Lorsque vous déployez des modèles de vision artificielle de pointe, tels que YOLO11, dans différents environnements, vous pouvez rencontrer des problèmes de compatibilité. Google's TensorFlow GraphDef ou TF GraphDef , offre une solution en fournissant une représentation sérialisée et indépendante de la plate-forme de votre modèle. En utilisant le format de modèle TF GraphDef , vous pouvez déployer votre modèle YOLO11 dans des environnements où l'écosystème TensorFlow complet n'est pas disponible, comme les appareils mobiles ou le matériel spécialisé.

Dans ce guide, nous vous expliquons pas à pas comment exporter vos modèles Ultralytics YOLO11 vers le format de modèle TF GraphDef . En convertissant votre modèle, vous pouvez rationaliser le déploiement et utiliser les capacités de vision par ordinateur de YOLO11 dans un plus grand nombre d'applications et de plates-formes.

Pourquoi exporter vers TF GraphDef ?

TF GraphDef est un composant puissant de l'écosystème TensorFlow qui a été développé par Google. Il peut être utilisé pour optimiser et déployer des modèles tels que YOLO11. L'exportation vers TF GraphDef nous permet de faire passer les modèles de la recherche aux applications du monde réel. Il permet aux modèles de fonctionner dans des environnements sans le cadre complet de TensorFlow .

Le format GraphDef représente le modèle sous la forme d'un graphe de calcul sérialisé. Cela permet de mettre en œuvre diverses techniques d'optimisation telles que le pliage de constantes, la quantification et les transformations de graphes. Ces optimisations garantissent une exécution efficace, une utilisation réduite de la mémoire et des vitesses d'inférence plus rapides.

GraphDef peuvent utiliser des accélérateurs matériels tels que les GPU, les TPU et les puces d'intelligence artificielle, ce qui permet de réaliser des gains de performance significatifs pour le pipeline d'inférence YOLO11 . Le format TF GraphDef crée un paquet autonome avec le modèle et ses dépendances, ce qui simplifie le déploiement et l'intégration dans divers systèmes.

Principales caractéristiques des modèles TF GraphDef

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

Voici un aperçu de ses principales caractéristiques :

• Sérialisation des modèles: TF GraphDef fournit un moyen de sérialiser et de stocker les modèles TensorFlow dans un format indépendant de la plate-forme. Cette représentation sérialisée vous permet de charger et d'exécuter vos modèles sans la base de code originale Python , ce qui facilite le déploiement.

• Optimisation des graphes : TF GraphDef permet d'optimiser les graphes de calcul. Ces optimisations peuvent améliorer les performances en rationalisant le flux d'exécution, en réduisant les redondances et en adaptant les opérations à un matériel spécifique.

• Flexibilité de déploiement: Les modèles exportés au format GraphDef peuvent être utilisés dans divers environnements, y compris les appareils à ressources limitées, les navigateurs web et les systèmes dotés de matériel spécialisé. Cela ouvre la voie à un déploiement plus large de vos modèles TensorFlow .

• Production Focus: GraphDef est conçu pour un déploiement en production. Il prend en charge une exécution efficace, des fonctions de sérialisation et des optimisations qui s'alignent sur les cas d'utilisation réels.

Options de déploiement avec TF GraphDef

Avant de nous plonger dans le processus d'exportation des modèles YOLO11 vers TF GraphDef , examinons quelques situations de déploiement typiques dans lesquelles ce format est utilisé.

Voici comment vous pouvez déployer efficacement TF GraphDef sur différentes plateformes.

• TensorFlow Servir : Ce cadre est conçu pour déployer les modèles TensorFlow dans des environnements de production. TensorFlow Serving offre la gestion des modèles, la gestion des versions et l'infrastructure pour un service de modèle efficace à l'échelle. Il s'agit d'un moyen transparent d'intégrer vos modèles basés sur GraphDef dans des services web ou des API de production.

• Appareils mobiles et embarqués : Avec des outils tels que TensorFlow Lite, vous pouvez convertir les modèles TF GraphDef dans des formats optimisés pour les smartphones, les tablettes et divers appareils embarqués. Vos modèles peuvent alors être utilisés pour l'inférence sur l'appareil, où l'exécution se fait localement, ce qui permet souvent des gains de performance et des capacités hors ligne.

• Navigateurs web : TensorFlow.js permet de déployer des modèles TF GraphDef directement dans les navigateurs web. Il ouvre la voie à des applications de détection d'objets en temps réel fonctionnant côté client, en utilisant les capacités de YOLO11 par le biais de JavaScript.

• Matériel spécialisé : TF La nature agnostique de la plate-formeGraphDef lui permet de cibler du matériel personnalisé, tel que des accélérateurs et des TPU (Tensor Processing Units). Ces dispositifs peuvent offrir des avantages en termes de performances pour les modèles à forte intensité de calcul.

Exportation des modèles YOLO11 vers TF GraphDef

Vous pouvez convertir votre modèle de détection d'objets YOLO11 au format TF GraphDef , qui est compatible avec différents systèmes, afin d'améliorer ses performances sur toutes les plateformes.

Installation

Pour installer le paquetage requis, exécutez :

# Install the required package for YOLO11
pip install ultralytics

Pour des instructions détaillées et les meilleures pratiques liées au processus d'installation, consultez notre guide d'installationUltralytics . Lors de l'installation des paquets requis pour YOLO11, si vous rencontrez des difficultés, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils.

Utilisation

Avant de plonger dans les instructions d'utilisation, il est important de noter que si tous les modèlesUltralytics YOLO11 sont disponibles pour l'exportation, vous pouvez vous assurer que le modèle que vous sélectionnez prend en charge la fonctionnalité d'exportation ici.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

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

# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model=yolo11n.pt format=pb  # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model='yolo11n.pb' source='https://ultralytics.com/images/bus.jpg'

Pour plus de détails sur les options d'exportation prises en charge, consultez la page de documentationUltralytics sur les options de déploiement.

Déploiement des modèles exportés YOLO11 TF GraphDef

Une fois que vous avez exporté votre modèle YOLO11 au format TF GraphDef , l'étape suivante est le déploiement. La première étape recommandée pour exécuter un modèle TF GraphDef consiste à utiliser la méthode YOLO("model.pb"), comme indiqué précédemment dans l'extrait de code d'utilisation.

Cependant, pour plus d'informations sur le déploiement de vos modèles TF GraphDef , consultez les ressources suivantes :

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

• TensorFlow Lite: Cette page décrit comment convertir les modèles d'apprentissage automatique dans 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 les modèles TensorFlow ou Keras au format TensorFlow.js pour les utiliser dans des applications web.

Résumé

Dans ce guide, nous avons étudié comment exporter les modèles Ultralytics YOLO11 vers le format TF GraphDef . Vous pouvez ainsi déployer de manière flexible vos modèles YOLO11 optimisés dans différents environnements.

Pour plus de détails sur l'utilisation, consultez la documentation officielle deTF GraphDef .

Pour plus d'informations sur l'intégration de Ultralytics YOLO11 avec d'autres plateformes et frameworks, n'oubliez pas de consulter notre page de guide d'intégration. Elle contient d'excellentes ressources et des idées pour vous aider à tirer le meilleur parti de YOLO11 dans vos projets.

FAQ

Comment exporter un modèle YOLO11 au format TF GraphDef ?

Ultralytics YOLO11 peuvent être exportés au 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 tels que le mobile et le web. Pour exporter un modèle YOLO11 vers TF GraphDef , procédez comme suit :

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

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

# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model="yolo11n.pt" format="pb"  # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model="yolo11n.pb" source="https://ultralytics.com/images/bus.jpg"

Pour plus d'informations sur les différentes options d'exportation, consultez la documentationUltralytics sur l'exportation de modèles.

Quels sont les avantages de l'utilisation de TF GraphDef pour le déploiement du modèle YOLO11 ?

L'exportation des modèles YOLO11 vers le format TF GraphDef offre de nombreux avantages, notamment

1. Indépendance de la plate-forme: TF GraphDef fournit un format indépendant de la plate-forme, permettant aux modèles d'être déployés dans divers environnements, y compris les navigateurs mobiles et les navigateurs web.
2. Optimisations: Le format permet plusieurs optimisations, telles que le repliement des constantes, la quantification et les transformations de graphes, qui améliorent l'efficacité de l'exécution et réduisent l'utilisation de la mémoire.
3. Accélération matérielle: Les modèles au format TF GraphDef peuvent tirer parti d'accélérateurs matériels tels que les GPU, les TPU et les puces d'intelligence artificielle pour améliorer les performances.

Pour en savoir plus sur les avantages, consultez la sectionTF GraphDef de notre documentation.

Pourquoi utiliser Ultralytics YOLO11 plutôt que d'autres modèles de détection d'objets?

Ultralytics YOLO11 offre de nombreux avantages par rapport à d'autres modèles tels que YOLOv5 et YOLOv7. Voici quelques-uns des principaux avantages :

1. Performances de pointe: YOLO11 offre une vitesse et une précision exceptionnelles pour la détection, la segmentation et la classification d'objets en temps réel.
2. Facilité d'utilisation: Il dispose d'une API conviviale pour l'apprentissage, la validation, la prédiction et l'exportation des modèles, ce qui le rend accessible aux débutants comme aux experts.
3. Large compatibilité: Prend en charge plusieurs formats d'exportation, notamment ONNX, TensorRT, CoreML et TensorFlow, pour des options de déploiement polyvalentes.

Pour en savoir plus, consultez notre introduction à YOLO11.

Comment puis-je déployer un modèle YOLO11 sur du matériel spécialisé en utilisant TF GraphDef ?

Une fois qu'un modèle YOLO11 est exporté au format TF GraphDef , vous pouvez le déployer sur diverses plates-formes matérielles spécialisées. Les scénarios de déploiement typiques sont les suivants

• TensorFlow Serving: Utilisez TensorFlow Serving pour le déploiement de modèles évolutifs dans des environnements de production. Il prend en charge la gestion des modèles et un service efficace.
• Appareils mobiles: Convertissez les modèles TF GraphDef en TensorFlow Lite, optimisés pour les appareils mobiles et embarqués, permettant une inférence sur l'appareil.
• Navigateurs web: Déployer des modèles à l'aide de TensorFlow.js pour l'inférence côté client dans les applications web.
• Accélérateurs d'IA: Exploiter les TPU et les puces d'IA personnalisées pour accélérer l'inférence.

Consultez la section sur les options de déploiement pour obtenir des informations détaillées.

Où puis-je trouver des solutions à des problèmes courants lors de l'exportation de modèles YOLO11 ?

Pour résoudre les problèmes courants liés à l'exportation des modèles YOLO11 , Ultralytics propose des guides et des ressources complets. Si vous rencontrez des problèmes lors de l'installation ou de l'exportation d'un modèle, reportez-vous à :

• Guide des questions communes: Offre des solutions aux problèmes fréquemment rencontrés.
• Guide d'installation: Instructions pas à pas pour l'installation des paquets nécessaires.

Ces ressources devraient vous aider à résoudre la plupart des problèmes liés à l'exportation et au déploiement du modèle YOLO11 .

📅C réé il y a 8 mois ✏️ Mis à jour il y a 2 mois

Commentaires