Inizia

Come esportare da YOLO26 in TF GraphDef per la distribuzione

Quando distribuisci modelli di visione artificiale, come YOLO26, in ambienti diversi, potresti incontrare problemi di compatibilità. GraphDef di TensorFlow di Google, o TF GraphDef, offre una soluzione fornendo una rappresentazione serializzata del modello, indipendente dalla piattaforma. Usando il formato modello TF GraphDef, puoi distribuire il tuo modello YOLO26 in ambienti in cui potrebbe non essere disponibile l'intero ecosistema TensorFlow, ad esempio sui dispositivi mobili o su hardware specializzato.

Questa guida ti accompagna passo dopo passo nell'esportazione dei tuoi modelli Ultralytics YOLO26 nel formato modello TF GraphDef. Convertendo il modello, puoi semplificarne la distribuzione e usare le funzionalità di visione artificiale di YOLO26 in una gamma più ampia di applicazioni e piattaforme.

TensorFlow GraphDef model serialization format

Perché esportare in TF GraphDef?#

TF GraphDef è un componente fondamentale dell'ecosistema TensorFlow sviluppato da Google. Può essere usato per ottimizzare e distribuire modelli come YOLO26. L'esportazione in TF GraphDef consente di portare i modelli dalla ricerca alle applicazioni reali e di eseguirli in ambienti privi del framework TensorFlow completo.

Il formato GraphDef rappresenta il modello come un grafo computazionale serializzato. Ciò consente di applicare diverse tecniche di ottimizzazione, come la propagazione delle costanti, la quantizzazione e le trasformazioni del grafo. Queste ottimizzazioni possono migliorare l'efficienza di esecuzione, ridurre l'uso della memoria e accelerare l'inferenza.

I modelli GraphDef possono sfruttare acceleratori hardware come GPU, TPU e chip AI per accelerare la pipeline di inferenza di YOLO26. Il formato TF GraphDef crea un pacchetto autonomo che include il modello e le relative dipendenze, semplificando la distribuzione e l'integrazione in sistemi diversi.

Caratteristiche principali dei modelli TF GraphDef#

TF GraphDef offre funzionalità specifiche per semplificare la distribuzione dei modelli e la loro ottimizzazione.

Ecco le sue caratteristiche principali:

  • Serializzazione dei modelli: TF GraphDef consente di serializzare e archiviare i modelli TensorFlow in un formato indipendente dalla piattaforma. Questa rappresentazione serializzata ti permette di caricare ed eseguire i modelli senza la codebase Python originale, semplificandone la distribuzione.

  • Ottimizzazione dei grafi: TF GraphDef consente di ottimizzare i grafi di calcolo. Queste ottimizzazioni possono migliorare le prestazioni semplificando il flusso di esecuzione, riducendo le ridondanze e adattando le operazioni all'hardware specifico.

  • Flessibilità di distribuzione: I modelli esportati in formato GraphDef possono essere usati in ambienti diversi, inclusi dispositivi con risorse limitate, browser web e sistemi con hardware specializzato. Questo apre nuove possibilità per distribuire i tuoi modelli TensorFlow su scala più ampia.

  • Pensato per la produzione: GraphDef è progettato per la distribuzione in produzione. Supporta un'esecuzione efficiente, funzionalità di serializzazione e ottimizzazioni adatte a casi d'uso reali.

Opzioni di distribuzione con TF GraphDef#

Prima di esportare i modelli YOLO26 in TF GraphDef, ecco alcuni scenari tipici di distribuzione in cui si usa questo formato.

  • TensorFlow Serving: questo framework è progettato per distribuire modelli TensorFlow in ambienti di produzione. TensorFlow Serving offre la gestione e il controllo delle versioni dei modelli, oltre all'infrastruttura necessaria per servirli in modo efficiente su larga scala. Consente di integrare facilmente i modelli basati su GraphDef nei servizi web o nelle API di produzione.

  • Dispositivi mobili e integrati: con strumenti come LiteRT, puoi convertire i modelli TF GraphDef in formati ottimizzati per smartphone, tablet e vari dispositivi integrati. Potrai quindi usare i modelli per eseguire inferenze sul dispositivo, elaborando i dati localmente: spesso questo migliora le prestazioni e consente l'uso offline. Ultralytics può anche esportare YOLO26 direttamente in LiteRT.

  • Browser web: TensorFlow.js consente di distribuire i modelli TF GraphDef direttamente nei browser web. Supporta applicazioni di rilevamento degli oggetti in tempo reale eseguite lato client, usando YOLO26 tramite JavaScript.

  • Hardware specializzato: La natura indipendente dalla piattaforma di TF GraphDef consente di usarlo con hardware personalizzato, come acceleratori e TPU (unità di elaborazione tensoriale). Questi dispositivi possono offrire vantaggi prestazionali per i modelli a elevata intensità di calcolo.

Attività supportate#

L'esportazione TF GraphDef supporta tutti e sette i task Ultralytics. La segmentazione semantica e la stima della profondità sono disponibili solo con YOLO26, l'unica famiglia che include queste teste.

AttivitàYOLOv8YOLO11YOLO26
Rilevamento✅✅✅
Segmentazione✅✅✅
Semantica❌❌✅
Profondità❌❌✅
Classificazione✅✅✅
Stima della posa✅✅✅
OBB✅✅✅

Esportazione dei modelli YOLO26 in TF GraphDef#

Puoi convertire il tuo modello YOLO26 nel formato TF GraphDef, compatibile con diversi sistemi, per migliorarne le prestazioni su più piattaforme.

Installazione#

Per installare il pacchetto richiesto, esegui:

Installazione
# Install the required package for YOLO26
pip install ultralytics

Per istruzioni dettagliate e best practice sulla procedura di installazione, consulta la nostra guida all'installazione di Ultralytics. Se durante l'installazione dei pacchetti necessari per YOLO26 riscontri difficoltà, consulta la nostra guida ai problemi comuni per trovare soluzioni e suggerimenti.

Supporto della piattaforma

L'esportazione TF GraphDef non è supportata su macOS con Python 3.13 o versioni successive.

Utilizzo#

Tutti i modelli Ultralytics YOLO26 sono progettati per supportare l'esportazione senza configurazioni aggiuntive, semplificando l'integrazione nel workflow di distribuzione che preferisci. Puoi consultare l'elenco completo dei formati di esportazione supportati e delle opzioni di configurazione per scegliere la configurazione più adatta alla tua applicazione.

Il formato TF GraphDef supporta le modalità Esporta, Prevedi e Valida. Esporta il modello, quindi caricalo per eseguire l'inferenza o convalidarne la precisione.

Esporta
from ultralytics import YOLO

# Carica un modello YOLO26
model = YOLO("yolo26n.pt")

# Esporta il modello nel formato TF GraphDef
model.export(format="pb")  # crea 'yolo26n.pb'
Predici
from ultralytics import YOLO

# Carica il modello TF GraphDef esportato
model = YOLO("yolo26n.pb")

# Esegui l'inferenza
results = model("https://ultralytics.com/images/bus.jpg")
Convalida
from ultralytics import YOLO

# Carica il modello TF GraphDef esportato
model = YOLO("yolo26n.pb")

# # Convalida l'accuratezza sul dataset COCO8
metrics = model.val(data="coco8.yaml")

Argomenti di esportazione#

ArgomentoTipoPredefinitoDescrizione
formatstr'pb'Formato di destinazione del modello esportato, che definisce la compatibilità con i vari ambienti di distribuzione.
imgszint o tuple640Dimensione dell'immagine desiderata per l'input del modello. Può essere un intero per immagini quadrate o una tupla (height, width) per dimensioni specifiche.
quantizeint o strNoneEsportazione FP32 fissa. GraphDef non supporta la conversione della precisione FP16, INT8 o W8A16 in fase di esportazione.
opsetintNoneOpset ONNX per il grafo intermedio. Se non è impostato, viene usato 18 (inferiore con PyTorch < 2.4, limitato a onnx installato); RT-DETR usa 19.
batchint1Specifica la dimensione batch per l'inferenza del modello esportato o il numero massimo di immagini che il modello esportato elaborerà contemporaneamente in modalità predict.
devicestrNoneSpecifica il dispositivo per l'esportazione: CPU (device=cpu), MPS per Apple silicon (device=mps).

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

Distribuzione dei modelli YOLO26 TF GraphDef esportati#

Dopo aver esportato il modello YOLO26 nel formato TF GraphDef, il passaggio successivo è la distribuzione. Il primo passaggio consigliato per eseguire un modello TF GraphDef consiste nell'usare il metodo YOLO("model.pb"), come mostrato in precedenza nello snippet di codice.

Per ulteriori informazioni sulla distribuzione dei modelli TF GraphDef, consulta le risorse seguenti:

  • TensorFlow Serving: una guida a TensorFlow Serving che spiega come distribuire e servire in modo efficiente modelli di apprendimento automatico in ambienti di produzione.

  • TensorFlow Lite: questa pagina descrive come convertire i modelli di apprendimento automatico in un formato ottimizzato per le inferenze sul dispositivo con TensorFlow Lite.

  • TensorFlow.js: una guida alla conversione dei modelli che spiega come convertire i modelli TensorFlow o Keras nel formato TensorFlow.js per usarli nelle applicazioni web.

Riepilogo#

In questa guida abbiamo visto come esportare i modelli Ultralytics YOLO26 nel formato TF GraphDef. In questo modo, puoi distribuire con flessibilità i modelli YOLO26 ottimizzati in ambienti diversi.

Per ulteriori dettagli sull'utilizzo, consulta la documentazione ufficiale di TF GraphDef.

Domande frequenti#

  • I modelli Ultralytics YOLO26 possono essere esportati nel formato TensorFlow GraphDef (TF GraphDef). Questo formato fornisce una rappresentazione serializzata del modello, indipendente dalla piattaforma, ideale per la distribuzione in ambienti diversi, ad esempio sul web e sui dispositivi mobili. Per esportare un modello YOLO26 in TF GraphDef, segui questi passaggi:

    Utilizzo
    from ultralytics import YOLO
    
    # Carica un modello YOLO26
    model = YOLO("yolo26n.pt")
    
    # Esporta il modello nel formato TF GraphDef
    model.export(format="pb")  # crea 'yolo26n.pb'
    
    # Carica il modello TF GraphDef esportato
    tf_graphdef_model = YOLO("yolo26n.pb")
    
    # Esegui l'inferenza
    results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

    Per ulteriori informazioni sulle diverse opzioni di esportazione, consulta la documentazione Ultralytics sull'esportazione dei modelli.

  • L'esportazione dei modelli YOLO26 nel formato TF GraphDef offre diversi vantaggi, tra cui:

    1. Indipendenza dalla piattaforma: TF GraphDef offre un formato indipendente dalla piattaforma, che consente di distribuire i modelli in ambienti diversi, inclusi dispositivi mobili e browser web.
    2. Ottimizzazioni: Il formato consente diverse ottimizzazioni, come il constant folding, la quantizzazione e le trasformazioni del grafo, che migliorano l'efficienza di esecuzione e riducono l'utilizzo della memoria.
    3. Accelerazione hardware: I modelli in formato TF GraphDef possono sfruttare acceleratori hardware come GPU, TPU e chip AI per ottenere prestazioni migliori.

    Scopri di più sui vantaggi nella sezione TF GraphDef della nostra documentazione.

  • Ultralytics YOLO26 offre numerosi vantaggi rispetto ad altri modelli come YOLOv5 e YOLOv7. Tra i principali:

    1. Prestazioni all'avanguardia: YOLO26 offre velocità e accuratezza elevate per il rilevamento degli oggetti, la segmentazione delle istanze, la segmentazione semantica e la classificazione in tempo reale.
    2. Facilità d'uso: offre un'API intuitiva per l'addestramento, la convalida, la predizione e l'esportazione dei modelli, accessibile sia ai principianti sia agli esperti.
    3. Ampia compatibilità: supporta diversi formati di esportazione, tra cui ONNX, TensorRT, CoreML e TensorFlow, per opzioni di distribuzione versatili.

    Scopri ulteriori dettagli nella nostra introduzione a YOLO26.

  • Una volta esportato un modello YOLO26 nel formato TF GraphDef, puoi distribuirlo su diverse piattaforme hardware specializzate. Gli scenari di distribuzione tipici includono:

    • TensorFlow Serving: usa TensorFlow Serving per distribuire modelli in modo scalabile negli ambienti di produzione. Supporta la gestione dei modelli e un serving efficiente.
    • Dispositivi mobili: converti i modelli TF GraphDef in TensorFlow Lite, ottimizzato per dispositivi mobili e integrati, per abilitare le inferenze sul dispositivo.
    • Browser web: distribuisci i modelli usando TensorFlow.js per eseguire inferenze lato client nelle applicazioni web.
    • Acceleratori AI: usa TPU e chip AI personalizzati per accelerare l'inferenza.

    Consulta la sezione opzioni di distribuzione per informazioni dettagliate.

  • Per risolvere i problemi più comuni nell'esportazione dei modelli YOLO26, Ultralytics mette a disposizione guide e risorse complete. Se riscontri problemi durante l'installazione o l'esportazione dei modelli, consulta:

    Queste risorse dovrebbero aiutarti a risolvere la maggior parte dei problemi relativi all'esportazione e alla distribuzione dei modelli YOLO26.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.