Link to this sectionExporter vers le format de modèle TF.js à partir d'un format de modèle YOLO26#

Le déploiement de modèles de machine learning directement dans le navigateur ou sur Node.js peut être délicat. Tu dois t'assurer que ton format de modèle est optimisé pour de meilleures performances, afin qu'il puisse être utilisé pour exécuter des applications interactives localement sur l'appareil de l'utilisateur. Le format de modèle TensorFlow.js, ou TF.js, est conçu pour consommer un minimum d'énergie tout en offrant des performances rapides.

La fonctionnalité 'exporter vers le format de modèle TF.js' te permet d'optimiser tes modèles Ultralytics YOLO26 pour une inférence de détection d'objets haute vitesse et exécutée localement. Dans ce guide, nous te montrerons comment convertir tes modèles au format TF.js, facilitant ainsi leur exécution optimale sur divers navigateurs locaux et applications Node.js.

Link to this sectionPourquoi exporter vers TF.js ?#

Exporter tes modèles de machine learning vers TensorFlow.js, développé par l'équipe TensorFlow dans le cadre de l'écosystème TensorFlow au sens large, offre de nombreux avantages pour le déploiement d'applications de machine learning. Cela contribue à améliorer la confidentialité et la sécurité des utilisateurs en conservant les données sensibles sur l'appareil. L'image ci-dessous montre l'architecture de TensorFlow.js et comment les modèles de machine learning sont convertis et déployés à la fois sur les navigateurs web et sur Node.js.

L'exécution locale des modèles réduit également la latence et offre une expérience utilisateur plus réactive. TensorFlow.js propose aussi des fonctionnalités hors ligne, permettant aux utilisateurs d'utiliser ton application même sans connexion internet. TF.js est conçu pour l'exécution efficace de modèles complexes sur des appareils aux ressources limitées, car il est optimisé pour l'évolutivité avec une prise en charge de l'accélération GPU.

Link to this sectionFonctionnalités clés de TF.js#

Voici les fonctionnalités clés qui font de TF.js un outil puissant pour les développeurs :

• Prise en charge multiplateforme : TensorFlow.js peut être utilisé à la fois dans les environnements de navigateur et Node.js, offrant une flexibilité de déploiement sur différentes plateformes. Cela permet aux développeurs de créer et de déployer des applications plus facilement.

• Prise en charge de plusieurs backends : TensorFlow.js prend en charge divers backends pour le calcul, notamment le CPU, WebGL pour l'accélération GPU, WebAssembly (WASM) pour une vitesse d'exécution proche du natif, et WebGPU pour des capacités avancées de machine learning basées sur le navigateur.

• Fonctionnalités hors ligne : Avec TensorFlow.js, les modèles peuvent s'exécuter dans le navigateur sans nécessiter de connexion internet, ce qui permet de développer des applications fonctionnelles hors ligne.

Link to this sectionOptions de déploiement avec TensorFlow.js#

Avant de nous lancer dans le processus d'exportation des modèles YOLO26 vers le format TF.js, explorons quelques scénarios de déploiement typiques où ce format est utilisé.

TF.js offre une gamme d'options pour déployer tes modèles de machine learning :

• Applications ML dans le navigateur : Tu peux créer des applications web qui exécutent des modèles de machine learning directement dans le navigateur. Le besoin de calcul côté serveur est éliminé et la charge serveur est réduite.

• Applications Node.js : TensorFlow.js prend également en charge le déploiement dans des environnements Node.js, permettant le développement d'applications de machine learning côté serveur. C'est particulièrement utile pour les applications nécessitant la puissance de calcul d'un serveur ou un accès aux données côté serveur.

• Extensions Chrome : Un scénario de déploiement intéressant est la création d'extensions Chrome avec TensorFlow.js. Par exemple, tu peux développer une extension qui permet aux utilisateurs de faire un clic droit sur une image dans n'importe quelle page web pour la classer à l'aide d'un modèle ML pré-entraîné. TensorFlow.js peut être intégré aux expériences de navigation web quotidiennes pour fournir des informations immédiates ou des augmentations basées sur le machine learning.

Link to this sectionExporter des modèles YOLO26 vers TensorFlow.js#

Tu peux étendre la compatibilité des modèles et la flexibilité de déploiement en convertissant les modèles YOLO26 vers TF.js.

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 TF.js est export-only dans Ultralytics — Predict et Validate ne sont pas disponibles localement. Déploie le modèle exporté dans le navigateur ou dans une application Node.js avec le runtime TensorFlow.js.

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

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 TensorFlow.js exportés#

Maintenant que tu as exporté ton modèle YOLO26 au format TF.js, l'étape suivante consiste à le déployer. Ultralytics ne fournit pas de backend d'inférence TF.js local, donc le _web_model exporté est destiné à s'exécuter directement avec le runtime TensorFlow.js dans un navigateur ou une application Node.js.

Pour des instructions détaillées sur le déploiement de tes modèles TF.js, jette un œil aux ressources suivantes :

• Extension Chrome : Voici la documentation développeur sur la façon de déployer tes modèles TF.js dans une extension Chrome.

• Exécuter TensorFlow.js dans Node.js : Un article de blog TensorFlow sur l'exécution directe de TensorFlow.js dans Node.js.

• Déployer TensorFlow.js - Projet Node sur une plateforme Cloud : Un article de blog TensorFlow sur le déploiement d'un modèle TensorFlow.js sur une plateforme Cloud.

Link to this sectionRésumé#

Dans ce guide, nous avons appris à exporter des modèles Ultralytics YOLO26 vers le format TensorFlow.js. En exportant vers TF.js, tu gagnes en flexibilité pour optimiser, déployer et mettre à l'échelle tes modèles YOLO26 sur une large gamme de plateformes.

Pour plus de détails sur l'utilisation, visite la documentation officielle de TensorFlow.js.

Pour plus d'informations sur l'intégration d'Ultralytics YOLO26 avec d'autres plateformes et frameworks, n'oublie pas de consulter notre page du guide d'intégration. Elle regorge de ressources utiles pour t'aider à tirer le meilleur parti de YOLO26 dans tes projets.

Link to this sectionFAQ#

Link to this sectionComment exporter des modèles Ultralytics YOLO26 vers le format TensorFlow.js ?#

Exporter des modèles Ultralytics YOLO26 vers le format TensorFlow.js (TF.js) est simple. Tu peux suivre ces étapes :

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

# Deploy the exported '_web_model' with the TensorFlow.js runtime in a browser or Node.js app.
# Ultralytics does not provide a local TF.js inference backend.

Pour plus de détails sur les options d'exportation prises en charge, visite la page de documentation Ultralytics sur les options de déploiement.

Link to this sectionPourquoi devrais-je exporter mes modèles YOLO26 vers TensorFlow.js ?#

L'exportation de modèles YOLO26 vers TensorFlow.js offre plusieurs avantages, notamment :

1. Exécution locale : Les modèles peuvent s'exécuter directement dans le navigateur ou Node.js, réduisant la latence et améliorant l'expérience utilisateur.
2. Prise en charge multiplateforme : TF.js prend en charge plusieurs environnements, ce qui permet une flexibilité dans le déploiement.
3. Fonctionnalités hors ligne : Permet aux applications de fonctionner sans connexion internet, garantissant fiabilité et confidentialité.
4. Accélération GPU : Tire parti de WebGL pour l'accélération GPU, optimisant les performances sur les appareils aux ressources limitées.

Link to this sectionComment TensorFlow.js profite-t-il aux applications de machine learning basées sur navigateur ?#

TensorFlow.js est spécifiquement conçu pour une exécution efficace des modèles ML dans les navigateurs et les environnements Node.js. Voici comment il profite aux applications basées sur le navigateur :

• Réduit la latence : Exécute les modèles de machine learning localement, fournissant des résultats immédiats sans dépendre de calculs côté serveur.
• Améliore la confidentialité : Conserve les données sensibles sur l'appareil de l'utilisateur, minimisant les risques de sécurité.
• Permet une utilisation hors ligne : Les modèles peuvent fonctionner sans connexion internet, garantissant une fonctionnalité cohérente.
• Prend en charge plusieurs backends : Offre une flexibilité avec des backends comme CPU, WebGL, WebAssembly (WASM) et WebGPU pour différents besoins de calcul.

Intéressé pour en savoir plus sur TF.js ? Consulte le guide officiel de TensorFlow.js.

Link to this sectionQuelles sont les fonctionnalités clés de TensorFlow.js pour le déploiement de modèles YOLO26 ?#

Les fonctionnalités clés de TensorFlow.js incluent :

• Prise en charge multiplateforme : TF.js peut être utilisé à la fois dans les navigateurs web et Node.js, offrant une grande flexibilité de déploiement.
• Backends multiples : Prend en charge CPU, WebGL pour l'accélération GPU, WebAssembly (WASM) et WebGPU pour des opérations avancées.
• Fonctionnalités hors ligne : Les modèles peuvent s'exécuter directement dans le navigateur sans connectivité internet, ce qui le rend idéal pour développer des applications web réactives.

Pour des scénarios de déploiement et des informations plus approfondies, consulte notre section sur les Options de déploiement avec TensorFlow.js.

Link to this sectionPuis-je déployer un modèle YOLO26 sur des applications Node.js côté serveur en utilisant TensorFlow.js ?#

Oui, TensorFlow.js permet le déploiement de modèles YOLO26 sur des environnements Node.js. Cela permet des applications de machine learning côté serveur qui bénéficient de la puissance de calcul d'un serveur et de l'accès aux données côté serveur. Les cas d'utilisation typiques incluent le traitement de données en temps réel et les pipelines de machine learning sur les serveurs backend.

Pour commencer avec le déploiement sur Node.js, réfère-toi au guide Exécuter TensorFlow.js dans Node.js de TensorFlow.