Scopri come esportare da YOLO26 nel formato TF SavedModel#

La distribuzione di modelli di apprendimento automatico può essere impegnativa. Tuttavia, un formato di modello efficiente e flessibile può semplificarti il lavoro. TF SavedModel è il formato di serializzazione standard di TensorFlow per salvare e caricare i modelli di apprendimento automatico in modo coerente. È come una valigia per i modelli TensorFlow, che li rende facili da trasportare e usare su dispositivi e sistemi diversi.

Imparare a esportare i modelli Ultralytics YOLO26 in TF SavedModel può aiutarti a distribuirli facilmente su piattaforme e ambienti diversi. In questa guida vedremo come convertire i modelli nel formato TF SavedModel, semplificando l'esecuzione di inferenze sui tuoi modelli su dispositivi diversi.

Perché esportare in TF SavedModel?#

Il formato TensorFlow SavedModel fa parte dell'ecosistema TensorFlow sviluppato da Google, come mostrato di seguito. È progettato per salvare e serializzare facilmente i modelli TensorFlow. Racchiude tutti i dettagli dei modelli, come l'architettura, i pesi e persino le informazioni di compilazione. In questo modo è semplice condividere, distribuire e continuare ad addestrare i modelli in ambienti diversi.

TF SavedModel offre un vantaggio fondamentale: la compatibilità. Funziona bene con TensorFlow Serving, LiteRT (in precedenza TensorFlow Lite) e TensorFlow.js. Questa compatibilità semplifica la condivisione e la distribuzione dei modelli su varie piattaforme, incluse le applicazioni web e mobili. Il formato TF SavedModel è utile sia per la ricerca sia per la produzione. Offre un modo unificato per gestire i modelli e garantisce che siano pronti per qualsiasi applicazione.

Caratteristiche principali di TF SavedModel#

Ecco le caratteristiche principali che rendono TF SavedModel un'ottima scelta per chi sviluppa soluzioni AI:

• Portabilità: TF SavedModel offre un formato di serializzazione indipendente dal linguaggio, recuperabile e autonomo. Consente a sistemi e strumenti di livello superiore di generare, usare e trasformare modelli TensorFlow. I SavedModel possono essere condivisi e distribuiti facilmente su piattaforme e ambienti diversi.

• Facilità di distribuzione: TF SavedModel raggruppa in un unico pacchetto il grafo di calcolo, i parametri addestrati e i metadati necessari. Puoi caricarli e usarli facilmente per le inferenze senza il codice originale usato per creare il modello. Questo rende semplice ed efficiente distribuire modelli TensorFlow in diversi ambienti di produzione.

• Gestione degli asset: TF SavedModel supporta l'inclusione di asset esterni, come vocabolari, embedding o tabelle di ricerca. Questi asset vengono archiviati insieme alla definizione del grafo e alle variabili, così da essere disponibili quando si carica il modello. Questa funzionalità semplifica la gestione e la distribuzione dei modelli che dipendono da risorse esterne.

Opzioni di distribuzione con TF SavedModel#

Prima di approfondire il processo di esportazione dei modelli YOLO26 nel formato TF SavedModel, vediamo alcuni scenari tipici in cui si usa questo formato.

TF SavedModel offre diverse opzioni per distribuire i tuoi modelli di apprendimento automatico:

• TensorFlow Serving: TensorFlow Serving è un sistema flessibile e ad alte prestazioni, progettato per gli ambienti di produzione. Supporta nativamente i TF SavedModel, semplificando la distribuzione e il serving dei modelli su piattaforme cloud, server on-premise o dispositivi edge.

• Piattaforme cloud: I principali provider cloud, come Google Cloud Platform (GCP), Amazon Web Services (AWS) e Microsoft Azure, offrono servizi per distribuire ed eseguire modelli TensorFlow, inclusi i TF SavedModel. Questi servizi forniscono un'infrastruttura gestita e scalabile, che ti consente di distribuire e scalare facilmente i modelli.

• Dispositivi mobili e integrati: LiteRT (in precedenza TensorFlow Lite), una soluzione leggera per eseguire modelli di apprendimento automatico su dispositivi mobili, integrati e IoT, supporta la conversione dei TF SavedModel nel formato LiteRT. In questo modo puoi distribuire i modelli su un'ampia gamma di dispositivi, dagli smartphone e tablet ai microcontrollori e dispositivi edge.

• TensorFlow Runtime: TensorFlow Runtime (tfrt) è un runtime ad alte prestazioni per l'esecuzione di grafi TensorFlow. Offre API di basso livello per caricare ed eseguire TF SavedModel in ambienti C++. TensorFlow Runtime offre prestazioni migliori rispetto al runtime TensorFlow standard. È adatto agli scenari di distribuzione che richiedono inferenze a bassa latenza e una stretta integrazione con le codebase C++ esistenti.

Attività supportate#

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

Esportazione dei modelli YOLO26 in TF SavedModel#

Esportando i modelli YOLO26 nel formato TF SavedModel, ne aumenti l'adattabilità e ne semplifichi la distribuzione su varie piattaforme.

Installazione#

Per installare il pacchetto richiesto, esegui:

# 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.

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 SavedModel supporta le modalità Export, Predict e Validate. Esporta il modello, quindi carica il modello esportato per eseguire inferenze o convalidarne la precisione.

from ultralytics import YOLO

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

# Esporta il modello nel formato TF SavedModel
model.export(format="saved_model")  # creates 'yolo26n_saved_model'

from ultralytics import YOLO

# Carica il modello TF SavedModel esportato
model = YOLO("./yolo26n_saved_model")

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

from ultralytics import YOLO

# Carica il modello TF SavedModel esportato
model = YOLO("./yolo26n_saved_model")

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

Argomenti di esportazione#

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

Distribuzione dei modelli YOLO26 TF SavedModel esportati#

Ora che hai esportato il modello YOLO26 nel formato TF SavedModel, il passaggio successivo è distribuirlo. Il primo passaggio principale e consigliato per eseguire un modello TF SavedModel è usare il metodo YOLO("yolo26n_saved_model/"), come mostrato in precedenza nello snippet di codice.

Per istruzioni dettagliate sulla distribuzione dei modelli TF SavedModel, consulta le seguenti risorse:

• TensorFlow Serving: ecco la documentazione per sviluppatori che spiega come distribuire i modelli TF SavedModel usando TensorFlow Serving.

• Eseguire un TensorFlow SavedModel in Node.js: un post del blog TensorFlow che spiega come eseguire direttamente un TensorFlow SavedModel in Node.js senza convertirlo.

• Distribuzione sul cloud: un post sul blog di TensorFlow sulla distribuzione sul Cloud AI Platform di un modello TensorFlow SavedModel.

Riepilogo#

In questa guida abbiamo esplorato come esportare i modelli Ultralytics YOLO26 nel formato TF SavedModel. Esportando nel formato TF SavedModel, puoi ottimizzare, distribuire e scalare i tuoi modelli YOLO26 su un'ampia gamma di piattaforme.

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

Per ulteriori informazioni sull'integrazione di Ultralytics YOLO26 con altre piattaforme e framework, non dimenticare di consultare la nostra pagina della guida all'integrazione. Troverai molte risorse utili per sfruttare al meglio YOLO26 nei tuoi progetti.

Domande frequenti#