YOLO26からTF GraphDefにエクスポートしてデプロイする方法
YOLO26のようなコンピュータービジョンモデルをさまざまな環境にデプロイすると、互換性の問題が発生することがあります。GoogleのTensorFlow GraphDef(TF GraphDef)は、モデルをシリアライズしてプラットフォームに依存しない形式で表現することで、その解決策を提供します。TF GraphDefモデル形式を使用すると、モバイルデバイスや専用ハードウェアなど、TensorFlowエコシステム全体を利用できない環境にもYOLO26モデルをデプロイできます。
このガイドでは、Ultralytics YOLO26モデルをTF GraphDefモデル形式にエクスポートする手順を説明します。モデルを変換すると、デプロイを効率化し、より幅広いアプリケーションやプラットフォームでYOLO26のコンピュータービジョン機能を活用できます。
TF GraphDefにエクスポートする理由#
TF GraphDefは、Googleが開発したTensorFlowエコシステムの中核コンポーネントです。YOLO26などのモデルの最適化やデプロイに使用できます。TF GraphDefにエクスポートすると、モデルを研究段階から実環境のアプリケーションへ移行できます。また、TensorFlowフレームワーク全体がない環境でもモデルを実行できます。
GraphDef形式では、モデルをシリアライズされた計算グラフとして表現します。これにより、定数畳み込み、量子化、グラフ変換など、さまざまな最適化手法を適用できます。こうした最適化によって、実行効率の向上、メモリ使用量の削減、推論の高速化が可能になります。
GraphDefモデルでは、GPU、TPU、AIチップなどのハードウェアアクセラレーターを使用して、YOLO26の推論パイプラインを高速化できます。TF GraphDef形式では、モデルとその依存関係を含む自己完結型パッケージが作成されるため、さまざまなシステムへのデプロイや統合が容易になります。
TF GraphDefモデルの主な機能#
TF GraphDefには、モデルデプロイと最適化を効率化するための独自の機能があります。
主な特長を以下に示します。
-
モデルのシリアライズ: TF GraphDefは、TensorFlowモデルをプラットフォーム非依存の形式でシリアライズして保存する方法を提供します。このシリアライズ表現を使用すると、元のPythonコードベースがなくてもモデルを読み込んで実行できるため、デプロイが容易になります。
-
グラフの最適化: TF GraphDefでは、計算グラフを最適化できます。実行フローの効率化、冗長性の削減、特定のハードウェアに合わせた演算の調整により、パフォーマンスを向上できます。
-
柔軟なデプロイ: GraphDef形式にエクスポートしたモデルは、リソースが限られたデバイス、Webブラウザー、専用ハードウェアを搭載したシステムなど、さまざまな環境で使用できます。これにより、TensorFlowモデルをより広範囲にデプロイできるようになります。
-
本番環境を重視した設計: GraphDefは、本番環境へのデプロイを想定して設計されています。効率的な実行、シリアライズ機能、実際のユースケースに適した最適化をサポートします。
TF GraphDefを使用したデプロイ方法#
YOLO26モデルをTF GraphDefにエクスポートする前に、この形式が使用される一般的なデプロイ状況を確認しましょう。
-
TensorFlow Serving: TensorFlow Servingは、本番環境でTensorFlowモデルをデプロイするために設計されたフレームワークです。モデル管理、バージョン管理、大規模なモデルサービングを効率的に行うためのインフラストラクチャを提供します。GraphDefベースのモデルを本番環境のWebサービスやAPIに簡単に統合できます。
-
モバイルおよび組み込みデバイス: LiteRTなどのツールを使用して、TF GraphDefモデルをスマートフォン、タブレット、各種組み込みデバイス向けに最適化された形式に変換できます。その後、モデルをデバイス上の推論に使用できます。推論はローカルで実行されるため、多くの場合、パフォーマンスが向上し、オフラインでも利用できます。Ultralyticsでは、YOLO26をLiteRTに直接エクスポートすることもできます。
-
Webブラウザー: TensorFlow.jsを使用すると、TF GraphDefモデルをWebブラウザー内に直接デプロイできます。YOLO26をJavaScript経由で利用し、クライアント側で実行する物体検出アプリケーションをリアルタイムでサポートします。
-
専用ハードウェア: TF GraphDefはプラットフォームに依存しないため、アクセラレーターやTPU(Tensor Processing Unit)などのカスタムハードウェアを対象にできます。これらのデバイスは、計算負荷の高いモデルのパフォーマンスを向上できます。
対応タスク#
TF GraphDefのエクスポートは、Ultralyticsの7つすべてのタスクをサポートしています。セマンティックセグメンテーションと深度推定は、これらのヘッドを備える唯一のファミリーであるYOLO26でのみ利用できます。
YOLO26モデルをTF GraphDefにエクスポートする#
YOLO26モデルをさまざまなシステムと互換性のあるTF GraphDef形式に変換すると、複数のプラットフォームでパフォーマンスを向上できます。
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、次を実行します。
# Install the required package for YOLO26
pip install ultralyticsインストール手順の詳細とベストプラクティスについては、Ultralyticsのインストールガイドをご覧ください。YOLO26に必要なパッケージのインストールで問題が発生した場合は、解決策とヒントが記載されたよくある問題のガイドをご確認ください。
Python 3.13以降を使用するmacOSでは、TF GraphDefのエクスポートはサポートされていません。
使用方法#
すべてのUltralytics YOLO26モデルは、追加設定なしでエクスポートできるように設計されているため、希望するデプロイワークフローに簡単に統合できます。アプリケーションに最適な設定を選ぶには、対応するエクスポート形式と設定オプションの一覧をご覧ください。
TF GraphDef形式は、エクスポート、予測、検証の各モードをサポートしています。モデルをエクスポートし、エクスポートしたモデルを読み込むと、推論の実行や精度の検証ができます。
from ultralytics import YOLO
# YOLO26モデルを読み込みます
model = YOLO("yolo26n.pt")
# モデルをTF GraphDef形式にエクスポート
model.export(format="pb") # 「yolo26n.pb」を作成from ultralytics import YOLO
# エクスポートしたTF GraphDefモデルを読み込む
model = YOLO("yolo26n.pb")
# 推論を実行
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# エクスポートしたTF GraphDefモデルを読み込む
model = YOLO("yolo26n.pb")
# COCO8データセットで精度を検証します
metrics = model.val(data="coco8.yaml")エクスポート引数#
| 引数 | 種類 | デフォルト | 説明 |
|---|---|---|---|
format | str | 'pb' | エクスポートしたモデルのターゲットフォーマットです。さまざまなデプロイ環境との互換性を定義します。 |
imgsz | intまたはtuple | 640 | モデル入力の画像サイズです。正方形画像の場合は整数、特定のサイズの場合はタプル(height, width)を指定できます。 |
quantize | intまたはstr | None | FP32で固定してエクスポートします。GraphDefは、エクスポート時のFP16、INT8、W8A16への精度変換をサポートしていません。 |
opset | int | None | 中間グラフのONNX opsetです。指定しない場合は、18 を使用します(PyTorch < 2.4ではより低く、インストール済みの onnx を上限とします)。RT-DETRでは 19 を使用します。 |
batch | int | 1 | エクスポートモデルのバッチ推論サイズ、またはpredictモードでエクスポートモデルが同時に処理する画像の最大数を指定します。 |
device | str | None | エクスポートに使用するデバイスを指定します。CPU (device=cpu)、Appleシリコン向けMPS (device=mps)です。 |
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ご覧ください。
エクスポートしたYOLO26 TF GraphDefモデルのデプロイ#
YOLO26モデルをTF GraphDef形式にエクスポートしたら、次はデプロイです。TF GraphDefモデルの実行で最初に行う主な推奨手順は、前述の使用例コードで示したYOLO("model.pb")メソッドを使用することです。
TF GraphDefモデルのデプロイの詳細については、次のリソースを参照してください。
-
TensorFlow Serving: 本番環境で機械学習モデルを効率的にデプロイしてサービングする方法を説明する、TensorFlow Servingのガイドです。
-
TensorFlow Lite: TensorFlow Liteを使用したデバイス上の推論向けに、機械学習モデルを最適化された形式へ変換する方法を説明します。
-
TensorFlow.js: TensorFlowまたはKerasのモデルをWebアプリケーション向けのTensorFlow.js形式に変換する方法を説明する、モデル変換のガイドです。
概要#
このガイドでは、Ultralytics YOLO26モデルをTF GraphDef形式にエクスポートする方法を説明しました。これにより、最適化したYOLO26モデルをさまざまな環境に柔軟にデプロイできます。
使用方法の詳細については、TF GraphDef公式ドキュメントをご覧ください。
よくある質問#
Ultralytics YOLO26モデルは、TensorFlow GraphDef (TF GraphDef)形式にエクスポートできます。この形式では、モデルがシリアライズされ、プラットフォームに依存しない表現となるため、モバイルやWebなどさまざまな環境へのデプロイに適しています。YOLO26モデルをTF GraphDefにエクスポートするには、次の手順に従ってください。
使用方法from ultralytics import YOLO # YOLO26モデルを読み込みます model = YOLO("yolo26n.pt") # モデルをTF GraphDef形式にエクスポート model.export(format="pb") # 「yolo26n.pb」を作成 # エクスポートしたTF GraphDefモデルを読み込む tf_graphdef_model = YOLO("yolo26n.pb") # 推論を実行 results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")エクスポートオプションの詳細については、モデルエクスポートに関するUltralyticsのドキュメントをご覧ください。
YOLO26モデルをTF GraphDef形式にエクスポートすると、次のような複数のメリットがあります。
- プラットフォーム非依存性: TF GraphDefはプラットフォームに依存しない形式を提供するため、モバイルやWebブラウザーなど、さまざまな環境にモデルをデプロイできます。
- 最適化: この形式では、定数畳み込み、量子化、グラフ変換などの複数の最適化が可能になり、実行効率の向上とメモリ使用量の削減を実現できます。
- ハードウェアアクセラレーション: TF GraphDef形式のモデルは、GPU、TPU、AIチップなどのハードウェアアクセラレーターを活用してパフォーマンスを向上できます。
メリットの詳細については、ドキュメントのTF GraphDefのセクションをご覧ください。
Ultralytics YOLO26には、YOLOv5やYOLOv7などの他のモデルと比べて多くのメリットがあります。主なメリットは次のとおりです。
- 最先端のパフォーマンス: YOLO26は、リアルタイムの物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、分類において、高速かつ高い精度を実現します。
- 使いやすさ: モデルのトレーニング、検証、予測、エクスポートに対応する使いやすいAPIを備えており、初心者から専門家まで利用できます。
- 幅広い互換性: ONNX、TensorRT、CoreML、TensorFlowなど、複数のエクスポート形式をサポートし、多様なデプロイ方法に対応します。
詳細については、YOLO26の紹介をご覧ください。
YOLO26モデルをTF GraphDef形式にエクスポートすると、さまざまな専用ハードウェアプラットフォームにデプロイできます。一般的なデプロイ環境は次のとおりです。
- TensorFlow Serving: TensorFlow Servingを使用すると、本番環境でモデルをスケーラブルにデプロイできます。モデル管理と効率的なサービングをサポートします。
- モバイルデバイス: TF GraphDefモデルを、モバイルデバイスや組み込みデバイス向けに最適化されたTensorFlow Liteに変換すると、デバイス上で推論を実行できます。
- Webブラウザー: TensorFlow.jsを使用してモデルをデプロイし、Webアプリケーションのクライアント側で推論を実行できます。
- AIアクセラレーター: TPUやカスタムAIチップを使用して推論を高速化します。
詳しくは、デプロイ方法のセクションをご確認ください。
YOLO26モデルのエクスポートでよくある問題を解決するために、Ultralyticsは包括的なガイドとリソースを提供しています。インストール中やモデルのエクスポート中に問題が発生した場合は、次を参照してください。
- よくある問題のガイド: 頻繁に発生する問題の解決策を紹介します。
- インストールガイド: 必要なパッケージをセットアップする手順を順を追って説明します。
これらのリソースは、YOLO26モデルのエクスポートとデプロイに関するほとんどの問題の解決に役立ちます。
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。