Link to this sectionYOLO26モデルからTFLite Edge TPU形式へエクスポートする方法を学ぶ#

モバイルデバイスや組み込みシステムなど、計算能力が限られたデバイス上でコンピュータビジョンモデルをデプロイするのは難しい場合があります。高速化のために最適化されたモデル形式を使用することで、このプロセスを簡略化できます。TensorFlow Lite Edge TPUまたはTFLite Edge TPUモデル形式は、ニューラルネットワークに対して高速なパフォーマンスを提供しつつ、消費電力を最小限に抑えるように設計されています。

TFLite Edge TPU形式へのエクスポート機能を使用すると、Ultralytics YOLO26モデルを高速かつ低消費電力の推論向けに最適化できます。本ガイドでは、モデルをTFLite Edge TPU形式に変換する手順を説明し、多様なモバイルデバイスや組み込みデバイス上でモデルを効率的に動作させる方法を解説します。

Link to this sectionなぜTFLite Edge TPUへエクスポートするのか？#

モデルをTensorFlow Edge TPUへエクスポートすることで、機械学習タスクが高速かつ効率的になります。この技術は、電力、コンピューティングリソース、接続性が限られているアプリケーションに適しています。Edge TPUはGoogleによるハードウェアアクセラレータであり、エッジデバイス上でTensorFlow Liteモデルを高速化します。下の画像は、関与するプロセスの例を示しています。

Edge TPUは量子化されたモデルで動作します。量子化により、精度を大きく損なうことなくモデルを小型化・高速化できます。これはエッジコンピューティングの限られたリソースに最適であり、レイテンシの削減とローカルでの迅速なデータ処理を可能にすることで、クラウドへの依存を排除し、アプリケーションが即座に応答できるようにします。ローカル処理は、ユーザーデータがリモートサーバーに送信されないため、プライバシーとセキュリティを維持する上でも有効です。

Link to this sectionTFLite Edge TPUの主な特徴#

開発者にとってTFLite Edge TPUが優れたモデル形式である主な特徴は以下の通りです。

• エッジデバイスでの最適化されたパフォーマンス: TFLite Edge TPUは、量子化、モデル最適化、ハードウェアアクセラレーション、コンパイラ最適化を通じて、高速なニューラルネットワークパフォーマンスを実現します。そのミニマルなアーキテクチャが、サイズ縮小とコスト効率に貢献しています。

• 高い計算スループット: TFLite Edge TPUは、専用のハードウェアアクセラレーションと効率的なランタイム実行を組み合わせることで、高い計算スループットを実現します。エッジデバイス上で厳格なパフォーマンス要件を持つ機械学習モデルをデプロイするのに非常に適しています。

• 効率的な行列計算: TensorFlow Edge TPUは、ニューラルネットワーク計算において不可欠な行列演算に最適化されています。この効率性は機械学習モデル、特に多数の複雑な行列の乗算と変換を必要とするモデルにおいて重要な要素です。

Link to this sectionTFLite Edge TPUによるデプロイオプション#

YOLO26モデルをTFLite Edge TPU形式にエクスポートする方法に入る前に、TFLite Edge TPUモデルが一般的にどこで使用されるかを理解しましょう。

TFLite Edge TPUは、以下を含む機械学習モデルの多様なデプロイオプションを提供します。

• オンデバイスデプロイ: TensorFlow Edge TPUモデルは、モバイルデバイスや組み込みデバイスに直接デプロイ可能です。オンデバイスデプロイにより、クラウド接続を必要とせず、アプリケーションバンドルにモデルを埋め込むか、オンデマンドでダウンロードすることで、モデルをハードウェア上で直接実行できます。

• クラウドTensorFlow TPUを用いたエッジコンピューティング: エッジデバイスの処理能力が限られているシナリオでは、TensorFlow Edge TPUは推論タスクをTPU搭載のクラウドサーバーへオフロードできます。

• ハイブリッドデプロイ: オンデバイスデプロイとクラウドデプロイを組み合わせたハイブリッドアプローチは、機械学習モデルのデプロイに対して汎用性とスケーラビリティに優れたソリューションを提供します。迅速な応答のためのオンデバイス処理と、より複雑な計算のためのクラウドコンピューティングの利点を併せ持っています。

Link to this sectionYOLO26モデルのTFLite Edge TPUへのエクスポート#

YOLO26モデルをTensorFlow Edge TPUに変換することで、モデルの互換性とデプロイの柔軟性を高めることができます。

Link to this sectionインストール#

必要なパッケージをインストールするには、以下を実行してください。

# Install the required package for YOLO26
pip install ultralytics

インストールプロセスに関する詳細な手順とベストプラクティスについては、Ultralytics インストールガイドをご確認ください。YOLO26に必要なパッケージをインストールする際に問題が発生した場合は、一般的な問題ガイドで解決策やヒントを参照してください。

Link to this section使用方法#

すべてのUltralytics YOLO26モデルは、すぐにエクスポートできるように設計されており、好みのデプロイメントワークフローに簡単に統合できます。サポートされているエクスポート形式と設定オプションの全リストを確認して、アプリケーションに最適なセットアップを選択してください。

TFLite Edge TPU形式は、エクスポート、予測、および検証モードをサポートしています。推論と検証はCoral Edge TPUハードウェア上で実行されます。モデルをエクスポートした後、エクスポートされたモデルをロードして推論を実行するか、精度を検証してください。

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 sectionエクスポート引数#

エクスポートプロセスの詳細については、エクスポートに関するUltralyticsドキュメントページをご覧ください。

Link to this sectionエクスポートしたYOLO26 TFLite Edge TPUモデルのデプロイ#

Ultralytics YOLO26モデルをTFLite Edge TPU形式へエクスポートした後、デプロイを行うことができます。TFLite Edge TPUモデルを実行するための第一歩として推奨される方法は、前述の使用コードスニペットで示されている通り、YOLO("model_edgetpu.tflite")メソッドを使用することです。

TFLite Edge TPUモデルのデプロイに関する詳細な手順については、以下のリソースを確認してください。

• Ultralytics YOLO26を用いたRaspberry Pi上のCoral Edge TPU: 強化された機械学習機能を実現するために、Coral Edge TPUとRaspberry Piを統合する方法をご覧ください。

• コード例: 実践的なTensorFlow Edge TPUデプロイ例にアクセスして、プロジェクトを開始しましょう。

• Pythonを用いたEdge TPUでの推論実行: セットアップや使用ガイドラインを含め、Edge TPUアプリケーション向けにTensorFlow Lite Python APIを使用する方法を探求しましょう。

Link to this sectionまとめ#

本ガイドでは、Ultralytics YOLO26モデルをTFLite Edge TPU形式へエクスポートする方法を学びました。上記の手順に従うことで、コンピュータビジョンアプリケーションの速度とパワーを向上させることができます。

使用方法の詳細については、Edge TPU公式サイトをご覧ください。

また、その他のUltralytics YOLO26インテグレーションに関する詳細情報については、当社のインテグレーションガイドページをご覧ください。そこでは貴重なリソースや知見を得ることができます。

Link to this sectionFAQ#

Link to this sectionYOLO26モデルをTFLite Edge TPU形式へエクスポートするにはどうすればよいですか？#

YOLO26モデルをTFLite Edge TPU形式へエクスポートするには、以下の手順に従います。

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")

モデルを他の形式へエクスポートする全詳細については、当社のエクスポートガイドを参照してください。

Link to this sectionYOLO26モデルをTFLite Edge TPUへエクスポートする利点は何ですか？#

YOLO26モデルをTFLite Edge TPUへエクスポートすることには、いくつかの利点があります。

• 最適化されたパフォーマンス: 最小限の消費電力で、高速なニューラルネットワークパフォーマンスを実現します。
• レイテンシの削減: クラウドへの依存なしに、ローカルで迅速なデータ処理が可能です。
• プライバシーの強化: ローカル処理によりユーザーデータをプライベートかつ安全に保ちます。

これにより、電力や計算リソースが制限されているエッジコンピューティングでのアプリケーションに最適です。エクスポートする理由の詳細については、こちらを参照してください。

Link to this sectionTFLite Edge TPUモデルをモバイルや組み込みデバイスにデプロイできますか？#

はい、TensorFlow Lite Edge TPUモデルはモバイルデバイスや組み込みデバイスに直接デプロイ可能です。このデプロイ手法により、モデルをハードウェア上で直接実行できるため、より高速で効率的な推論が可能になります。統合の例については、Raspberry PiへのCoral Edge TPUデプロイに関するガイドをご確認ください。

Link to this sectionTFLite Edge TPUモデルの一般的なユースケースは何ですか？#

TFLite Edge TPUモデルの一般的なユースケースは以下の通りです。

• スマートカメラ: リアルタイムの画像およびビデオ解析の強化。
• IoTデバイス: スマートホームや産業オートメーションの実現。
• ヘルスケア: 医療画像診断の高速化。
• 小売: 在庫管理と顧客行動分析の改善。

これらのアプリケーションは、TFLite Edge TPUモデルの高性能かつ低消費電力の恩恵を受けています。使用シナリオについての詳細は、こちらでご確認ください。

Link to this sectionTFLite Edge TPUモデルのエクスポートやデプロイ中に問題が発生した場合、どう対処すればよいですか？#

TFLite Edge TPUモデルのエクスポートやデプロイ中に問題が発生した場合は、トラブルシューティングのヒントについて、当社の共通の問題に関するガイドを参照してください。このガイドには、円滑な運用を支援するための一般的な問題と解決策が記載されています。追加のサポートについては、当社のヘルプセンターにアクセスしてください。