Link to this sectionYOLO26モデルからTFLite Edge TPU形式へのエクスポート方法を学ぶ#

モバイルシステムや組み込みシステムなど、計算能力が制限さ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。高速なパフォーマンスに最適化されたモデル形式を使用することで、プロセスを簡素化できます。TensorFlow Liteの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の高速なパフォーマンスを実現しつつ、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用に最適化できます。このガイドでは、モデルをTFLite Edge TPU形式に変換する方法を説明します。これにより、さまざまなモバイルデバイスや組み込みデバイスでモデルのパフォーマンスが向上します。

Link to this sectionTFLite Edge TPUへエクスポートする理由#

TensorFlow Edge TPUにモデルをエクスポートすると、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、計算リソース、接続が限られた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す。これにより、エッジデバイス上でのTensorFlow Liteモデルが高速化されます。下の画像は、そのプロセスの一例を示しています。

Edge TPUは量子化されたモデルで動作します。量子化は、精度を大幅に損なうことなくモデルを小型化・高速化します。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、遅延を減らしてローカルでの迅速なデータ処理を可能にすることで、アプリケーションが迅速に応答できるようにします。また、クラウドに依存せずローカルで処理するため、ユーザーデータのプライバシーとセキュリティも維持されます。

Link to this sectionTFLite Edge TPUの主な機能#

TFLite Edge TPUが開発者にとって優れたモデル形式である主な機能は次の通りです。

• 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、ニューラルネットワークの高速なパフォーマンスを実現します。最小限のアーキテクチャにより、小型化とコスト効率の向上に貢献します。

• 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しい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の計算に不可欠な行列演算に最適化されています。この効率性は、特に多数の複雑な行列の乗算や変換を必要とする機械学習モデルにおいて極めて重要です。

Link to this sectionTFLite Edge TPUでの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移る前に、TFLite Edge TPUモデルが一般的にどこで使用されているかを理解しておきましょう。

TFLite Edge TPUは、機械学習モデルに対して以下のようなさまざまなデプロイオプションを提供しています。

• 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できます。オンデバイスデプロイでは、モデルをアプリケーションバンドルに組み込むか、必要に応じてダウンロードすることで、クラウド接続を必要とせず、ハードウェア上で直接モデルを実行できます。

• 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場合、TensorFlow Edge TPUは、TPUを搭載したクラウドサーバーに推論タスクをオフロードできます。

• ハイブリッドデプロイ: ハイブリッドアプローチは、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もので、機械学習モデルのデプロイに対して柔軟かつスケーラブルなソリューションを提供します。これには、迅速な応答のためのオンデバイス処理や、より複雑な計算のためのクラウドコンピューティングが含まれます。

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拡張できます。

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や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の必須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、共通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、導入後すぐにエクスポートをサポートするように設計されており、好みの展開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フォーマットと設定オプションの全リストを表示して、アプリケーションに最適な構成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てから、エクスポートされたモデルを読み込んで推論を実行するか、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エクスポートの引数#

エクスポートプロセスの詳細については、Ultralyticsのエクスポートに関するドキュメントページを参照してください。

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

Ultralytics YOLO26モデルをTFLite Edge TPU形式に正常にエクスポートしたら、デプロイが可能になります。TFLite Edge TPUモデルを実行するための最初かつ推奨される手順は、前述のコードスニペットにあるように、YOLO("model_edgetpu.tflite")メソッドを使用することです。

ただし、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、以下のリソースをご覧ください。

• Raspberry Pi上でのCoral Edge TPUとUltralytics YOLO26: 機械学習機能を強化するために、Coral Edge TPUとRaspberry Piを統合する方法をご紹介します。

• コード例: プロジェクトを開始するための実践的なTensorFlow Edge TPUデプロイ例にアクセスできます。

• 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を使用する方法を確認できます。

Link to this section要約#

このガイドでは、Ultralytics YOLO26モデルをTFLite Edge TPU形式に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公式ウェブサイトにアクセスしてください。

また、他のUltralytics YOLO26統合に関する詳細については、統合ガイドページをご覧ください。そこでは、貴重なリソースや洞察を得ることができます。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionYOLO26モデルをTFLite Edge TPU形式に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形式にエクスポートするには、次の手順に従います。

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")

他の形式へのモデルエクスポートに関する詳細については、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にエクスポートするメリットは何ですか？#

YOLO26モデルをTFLite Edge TPUにエクスポートすると、いくつかのメリットがあります。

• 最適化されたパフォーマンス: 最小限の消費電力で、ニューラルネットワークの高速なパフォーマンスを実現します。
• レイテンシの削減: クラウドに依存することなく、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、ユーザーデータは非公開かつ安全に保たれます。

これは、電力や計算リソースが制限されたデバイスを使用するエッジコンピューティングのアプリケーションに最適です。なぜエクスポートすべきかについての詳細をご覧ください。

Link to this sectionTFLite Edge TPUモデルをモバイルデバイス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できます。このデプロイ手法では、モデルをハードウェア上で直接実行でき、より高速かつ効率的な推論が可能です。統合例については、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には以下が含まれます。

• 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自動化の実現。
• 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モデルの高性能と低消費電力の恩恵を受けています。使用シナリオの詳細については、こちらをご覧ください。

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、どのようにトラブルシューティングすればよいですか？#

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、共通問題ガイドのトラブルシューティングのヒントを参照してください。このガイドでは、円滑な運用を確保するための一般的な問題と解決策を網羅しています。追加のサポートについては、ヘルプセンターをご覧ください。