Link to this sectionImpara a esportare nel formato TFLite Edge TPU dal modello YOLO26#

Distribuire modelli di computer vision su dispositivi con potenza computazionale limitata, come sistemi mobili o embedded, può essere complicato. Utilizzare un formato di modello ottimizzato per prestazioni più rapide semplifica il processo. Il formato di modello TensorFlow Lite Edge TPU o TFLite Edge TPU è progettato per utilizzare una potenza minima fornendo al contempo prestazioni veloci per le reti neurali.

La funzione di esportazione nel formato TFLite Edge TPU ti consente di ottimizzare i tuoi modelli Ultralytics YOLO26 per un'inferenza ad alta velocità e basso consumo energetico. In questa guida, ti mostreremo come convertire i tuoi modelli nel formato TFLite Edge TPU, rendendo più semplice per i tuoi modelli ottenere ottime prestazioni su vari dispositivi mobili ed embedded.

Link to this sectionPerché dovresti esportare in TFLite Edge TPU?#

Esportare modelli in TensorFlow Edge TPU rende le attività di machine learning veloci ed efficienti. Questa tecnologia è adatta ad applicazioni con limitate risorse di potenza, calcolo e connettività. L'Edge TPU è un acceleratore hardware di Google. Accelera i modelli TensorFlow Lite sui dispositivi edge. L'immagine qui sotto mostra un esempio del processo coinvolto.

L'Edge TPU funziona con modelli quantizzati. La quantizzazione rende i modelli più piccoli e veloci senza perdere molta accuracy. È ideale per le risorse limitate dell'edge computing, consentendo alle applicazioni di rispondere rapidamente riducendo la latenza e permettendo un'elaborazione rapida dei dati in locale, senza dipendenza dal cloud. L'elaborazione locale mantiene inoltre privati e sicuri i dati dell'utente, poiché non vengono inviati a un server remoto.

Link to this sectionCaratteristiche principali di TFLite Edge TPU#

Ecco le caratteristiche principali che rendono TFLite Edge TPU un'ottima scelta di formato di modello per gli sviluppatori:

• Prestazioni ottimizzate sui dispositivi Edge: TFLite Edge TPU ottiene prestazioni di rete neurale ad alta velocità attraverso la quantizzazione, l'ottimizzazione del modello, l'accelerazione hardware e l'ottimizzazione del compilatore. La sua architettura minimalista contribuisce a ridurre le dimensioni e a migliorare l'efficienza dei costi.

• Elevato throughput computazionale: TFLite Edge TPU combina l'accelerazione hardware specializzata e l'esecuzione efficiente in runtime per raggiungere un elevato throughput computazionale. È molto adatto per la distribuzione di modelli di machine learning con rigorosi requisiti di prestazioni sui dispositivi edge.

• Calcoli matriciali efficienti: TensorFlow Edge TPU è ottimizzato per le operazioni matriciali, che sono fondamentali per i calcoli delle neural network. Questa efficienza è essenziale nei modelli di machine learning, in particolare quelli che richiedono numerose e complesse moltiplicazioni e trasformazioni matriciali.

Link to this sectionOpzioni di distribuzione con TFLite Edge TPU#

Prima di passare a come esportare i modelli YOLO26 nel formato TFLite Edge TPU, capiamo dove vengono solitamente utilizzati i modelli TFLite Edge TPU.

TFLite Edge TPU offre varie opzioni di distribuzione per i modelli di machine learning, tra cui:

• Distribuzione on-device: I modelli TensorFlow Edge TPU possono essere distribuiti direttamente su dispositivi mobili ed embedded. La distribuzione on-device consente ai modelli di essere eseguiti direttamente sull'hardware, eliminando la necessità di connettività cloud, sia incorporando il modello nel bundle dell'applicazione che scaricandolo su richiesta.

• Edge Computing con Cloud TensorFlow TPUs: Negli scenari in cui i dispositivi edge hanno capacità di elaborazione limitate, i TensorFlow Edge TPU possono scaricare le attività di inferenza su server cloud dotati di TPU.

• Distribuzione ibrida: Un approccio ibrido combina la distribuzione on-device e cloud e offre una soluzione versatile e scalabile per la distribuzione di modelli di machine learning. I vantaggi includono l'elaborazione on-device per risposte rapide e cloud computing per calcoli più complessi.

Link to this sectionEsportazione dei modelli YOLO26 in TFLite Edge TPU#

Puoi espandere la compatibilità del modello e la flessibilità di distribuzione convertendo i modelli YOLO26 in TensorFlow Edge TPU.

Link to this sectionInstallazione#

Per installare il pacchetto richiesto, esegui:

# Install the required package for YOLO26
pip install ultralytics

Per istruzioni dettagliate e best practice relative al processo di installazione, consulta la nostra guida all'installazione di Ultralytics. Durante l'installazione dei pacchetti necessari per YOLO26, se riscontri difficoltà, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Link to this sectionUtilizzo#

Tutti i modelli Ultralytics YOLO26 sono progettati per supportare l'esportazione nativamente, rendendo semplice integrarli nel tuo flusso di lavoro di distribuzione preferito. Puoi visualizzare l'elenco completo dei formati di esportazione supportati e le opzioni di configurazione per scegliere la configurazione migliore per la tua applicazione.

Il formato TFLite Edge TPU supporta le modalità Export, Predict e Validate. L'inferenza e la convalida vengono eseguite sull'hardware Coral Edge TPU. Esporta il tuo modello, quindi carica il modello esportato per eseguire l'inferenza o convalidarne l'accuracy.

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 sectionArgomenti di esportazione#

Per ulteriori dettagli sul processo di esportazione, visita la pagina della documentazione di Ultralytics sull'esportazione.

Link to this sectionDistribuzione dei modelli YOLO26 TFLite Edge TPU esportati#

Dopo aver esportato con successo i tuoi modelli Ultralytics YOLO26 nel formato TFLite Edge TPU, ora puoi distribuirli. Il primo passaggio, principale e consigliato, per eseguire un modello TFLite Edge TPU è utilizzare il metodo YOLO("model_edgetpu.tflite"), come descritto nel frammento di codice di utilizzo precedente.

Tuttavia, per istruzioni approfondite sulla distribuzione dei tuoi modelli TFLite Edge TPU, dai un'occhiata alle seguenti risorse:

• Coral Edge TPU su Raspberry Pi con Ultralytics YOLO26: Scopri come integrare Coral Edge TPU con Raspberry Pi per migliorare le capacità di machine learning.

• Esempi di codice: Accedi a esempi pratici di distribuzione TensorFlow Edge TPU per avviare i tuoi progetti.

• Esegui l'inferenza su Edge TPU con Python: Esplora come utilizzare l'API Python di TensorFlow Lite per applicazioni Edge TPU, incluse le linee guida per la configurazione e l'utilizzo.

Link to this sectionRiepilogo#

In questa guida, abbiamo imparato come esportare i modelli Ultralytics YOLO26 nel formato TFLite Edge TPU. Seguendo i passaggi sopra menzionati, puoi aumentare la velocità e la potenza delle tue applicazioni di computer vision.

Per ulteriori dettagli sull'utilizzo, visita il sito ufficiale di Edge TPU.

Inoltre, per maggiori informazioni su altre integrazioni di Ultralytics YOLO26, visita la nostra pagina delle guide all'integrazione. Lì scoprirai risorse e approfondimenti preziosi.

Link to this sectionFAQ#

Link to this sectionCome faccio a esportare un modello YOLO26 nel formato TFLite Edge TPU?#

Per esportare un modello YOLO26 nel formato TFLite Edge TPU, puoi seguire questi passaggi:

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")

Per tutti i dettagli sull'esportazione di modelli in altri formati, consulta la nostra guida all'esportazione.

Link to this sectionQuali sono i vantaggi dell'esportazione di modelli YOLO26 in TFLite Edge TPU?#

L'esportazione dei modelli YOLO26 in TFLite Edge TPU offre diversi vantaggi:

• Prestazioni ottimizzate: Ottieni prestazioni della rete neurale ad alta velocità con un consumo energetico minimo.
• Latenza ridotta: Elaborazione rapida dei dati in locale senza necessità di dipendenza dal cloud.
• Privacy migliorata: L'elaborazione locale mantiene i dati dell'utente privati e sicuri.

Ciò lo rende ideale per le applicazioni nell'edge computing, dove i dispositivi hanno risorse di potenza e di calcolo limitate. Scopri di più sul perché dovresti esportare.

Link to this sectionPosso distribuire modelli TFLite Edge TPU su dispositivi mobili ed embedded?#

Sì, i modelli TensorFlow Lite Edge TPU possono essere distribuiti direttamente su dispositivi mobili ed embedded. Questo approccio di distribuzione consente ai modelli di essere eseguiti direttamente sull'hardware, offrendo un'inferenza più veloce ed efficiente. Per esempi di integrazione, consulta la nostra guida alla distribuzione di Coral Edge TPU su Raspberry Pi.

Link to this sectionQuali sono alcuni casi d'uso comuni per i modelli TFLite Edge TPU?#

I casi d'uso comuni per i modelli TFLite Edge TPU includono:

• Smart Cameras: Miglioramento dell'analisi di immagini e video in tempo reale.
• Dispositivi IoT: Abilitazione della domotica e dell'automazione industriale.
• Sanità: Accelerazione dell'imaging medico e della diagnostica.
• Vendita al dettaglio: Miglioramento della gestione dell'inventario e dell'analisi del comportamento dei clienti.

Queste applicazioni traggono vantaggio dalle elevate prestazioni e dal basso consumo energetico dei modelli TFLite Edge TPU. Scopri di più sugli scenari di utilizzo.

Link to this sectionCome posso risolvere i problemi durante l'esportazione o la distribuzione dei modelli TFLite Edge TPU?#

Se riscontri problemi durante l'esportazione o la distribuzione dei modelli TFLite Edge TPU, consulta la nostra guida ai problemi comuni per suggerimenti sulla risoluzione dei problemi. Questa guida copre problemi comuni e soluzioni per aiutarti a garantire un funzionamento regolare. Per ulteriore supporto, visita il nostro Help Center.