YOLO26モデルからTFLite Edge TPU形式へのエクスポートを学ぶ

モバイルや組み込みシステムなど、計算能力が限られたデバイスにコンピューター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。より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、プロセスが簡素化されます。TensorFlow LiteEdge 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高速なパフォーマンスを提供しつつ、最小限の電力を使用す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により、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。このガイドでは、モデルをTFLite Edge TPU形式に変換する手順を説明し、様々なモバイルおよび組み込みデバイスでモデルが良好に動作するようにします。

TFLite Edge TPUにエクスポートすべき理由

モデルをTensorFlow Edge TPU に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。このテクノロジーは、電力、コンピューティングリソース、および接続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す。エッジデバイス上の TensorFlow Lite モデルを高速化します。下の図は、関連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、精度を大幅に損なうことなく、モデルを小型化および高速化できます。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、レイテンシを削減し、クラウドに依存せずにローカルで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。ローカル処理は、リモートサーバーに送信されないため、ユーザーデータのプライバシーとセキュリティも維持します。

TFLite Edge TPUの主要機能

TFLite Edge TPUが開発者にとって優れたモデル形式の選択肢となる主要な機能は以下の通りです。

• 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性能を実現します。そのミニマルなアーキテクチャは、小型化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、特殊な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性能要件を持つ機械学習モデルを展開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不可欠な行列演算に最適化されています。この効率は、機械学習モデル、特多数の複雑な行列乗算と変換を必要とするモデルでは特に重要です。

TFLite Edge TPUを用いた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モデルが通常どこで使用されるかを理解しましょう。

TFLite Edge TPUは、機械学習モデル向けに以下のような様々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メント: 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メントにより、モデルはハードウェア上で直接実行され、クラウド接続の必要がなくなります。これは、モデルをアプリケーションバンドルに組み込むか、オンデマンドでダウンロードすることによって実現されます。

• クラウド TensorFlow TPU を使用し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、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メント: ハイブリッドアプローチは、オンデバイスとクラウドのデプロイメントを組み合わせたもので、機械学習モデルをデプロイするための汎用性と拡張性に優れたソリューションを提供します。利点としては、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などがあります。

YOLO26モデルをTFLite Edge TPUにエクスポートする

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大できます。

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、以下を実行します:

# 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、解決策とヒントについてよくある問題ガイドを参照してください。

使用法

すべてのUltralytics YOLO26モデルは、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、お好みのデプロイ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表示して、アプリケーションに最適なセットアップを選択できます。

from ultralytics import YOLO

# Load the 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")

# Export a YOLO26n PyTorch model to TFLite Edge TPU format
yolo export model=yolo26n.pt format=edgetpu # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

# Run inference with the exported model
yolo predict model=yolo26n_full_integer_quant_edgetpu.tflite source='https://ultralytics.com/images/bus.jpg'

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。

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後、それらをデプロイできます。TFLite Edge TPUモデルを実行するための主要かつ推奨される最初の手順は、以前の使用コードスニペットで概説されているように、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、以下のリソースを参照してください。

• Raspberry Pi上のCoral Edge TPUとUltralytics YOLO26: Coral Edge TPUをRaspberry Piと統合して、機械学習機能を強化する方法を発見してください。

• コード例: TensorFlow Edge TPUの実用的なデプロイメント例にアクセスして、プロジェクトをすぐに開始できます。

• pythonでEdge TPUで推論を実行する: セットアップと使用方法のガイドラインを含め、Edge TPUアプリケーション用のTensorFlow Lite python APIの使用方法について説明します。

概要

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。上記のステップに従うことで、コンピュータビジョンアプリケーションの速度と能力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の公式ウェブサイトをご覧ください。

また、他のUltralytics YOLO26統合に関する詳細情報については、当社の統合ガイドページをご覧ください。そこでは、貴重なリソースと洞察を発見できるでしょう。

よくある質問

YOLO26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、以下の手順に従ってください。

from ultralytics import YOLO

# Load the 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")

# Export a YOLO26n PyTorch model to TFLite Edge TPU format
yolo export model=yolo26n.pt format=edgetpu # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

# Run inference with the exported model
yolo predict model=yolo26n_full_integer_quant_edgetpu.tflite source='https://ultralytics.com/images/bus.jpg'

モデルを他の形式にエクスポートする方法の詳細については、エクスポートガイドを参照してください。

YOLO26モデルをTFLite Edge TPUにエクスポートする利点は何ですか？

YOLO26モデルをTFLite Edge TPUに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。
• レイテンシーの削減: クラウドへの依存を必要とせずに、ローカルでデータを迅速に処理します。
• プライバシーの強化: ローカル処理により、ユーザーデータはプライベートかつ安全に保たれます。

これにより、デバイスの電力と計算リソースが限ら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。エクスポートする必要がある理由の詳細をご覧ください。

TFLite Edge TPUモデルをモバイルおよび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、モバイルおよび組み込みデバイスに直接デプロイできます。このデプロイアプローチにより、モデルはハードウェア上で直接実行され、より高速で効率的な推論が提供されます。統合の例については、Raspberry PiへのCoral Edge TPUのデプロイに関するガイドをご覧ください。

TFLite Edge TPUモデルの一般的なユースケースにはどのようなものがありますか？

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分析を強化します。
• IoTデバイス：スマートホームおよび産業オートメーションを可能にします。
• ヘルスケア: 医療画像処理と診断を加速します。
• 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モデルの高い性能と低消費電力の恩恵を受けます。使用シナリオについてさらに詳しく知る。

TFLite Edge TPUモデルのエクスポートまたは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できますか？

TFLite Edge TPUモデルのエクスポートまたは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よくある問題ガイドを参照してください。このガイドでは、スムーズな運用を確実にするための一般的な問題と解決策を扱っています。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。

📅 1年前に作成 ✏️ 5日前に更新

コメント