コンテンツにスキップ

YOLO26からデプロイメント用にTF GraphDefにエクスポートする方法

YOLO26のような最先端の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際、互換性の問題に直面することがあります。GoogleのTensorFlow GraphDef、またはTF GraphDefは、モデルのシリアル化されたプラットフォーム非依存の表現を提供することで、解決策をもたらします。TF GraphDefモデル形式を使用することで、モバイルデバイスや特殊なハードウェアなど、完全なTensorFlowエコシステムが利用できない環境でも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順を追って説明します。モデルを変換することで、デプロイを効率化し、YOLO26のコンピュータービジョン機能をより幅広いアプリケーションやプラットフォームで活用できます。

TensorFlow GraphDef シリアライゼーション形式

TF GraphDef へのエクスポートの利点は何ですか？

TF GraphDefは、Googleによって開発されたTensorFlowエコシステムの強力なコンポーネントです。YOLO26のようなモデルの最適化とデプロイに使用できます。TF GraphDefへのエクスポートにより、モデルを研究段階から実世界のアプリケーションへと移行させることができます。これにより、完全なTensorFlowフレームワークがない環境でもモデルを実行できるようになります。

GraphDef形式は、モデルをシリアル化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、グラフ変換などのさまざまな最適化手法が可能になります。これらの最適化により、効率的な実行、メモリ使用量の削減、およびより高速な推論速度が保証されます。

GraphDef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を利用でき、YOLO26の推論パイプラインにおいて大幅なパフォーマンス向上を実現します。TF GraphDef形式は、モデルとその依存関係を自己完結型のパッケージとして作成し、多様なシステムへのデプロイと統合を簡素化します。

TF GraphDefモデルの主な特徴

TF GraphDefは、モデルのデプロイと最適化を効率化するための明確な機能を提供します。

主な特徴をご紹介します。

  • モデルシリアライゼーション: TF GraphDefは、TensorFlowモデルをプラットフォームに依存しない形式でシリアライズして保存する方法を提供します。このシリアライズされた表現により、元のpythonコードベースなしでモデルをロードして実行できるため、デプロイが容易になります。

  • グラフの最適化：TF GraphDefを使用すると、計算グラフを最適化できます。これらの最適化により、実行フローを合理化し、冗長性を削減し、特定のハードウェアに合わせて操作を調整することで、パフォーマンスを向上させることができます。

  • デプロイメントの柔軟性: GraphDef形式でエクスポートされたモデルは、リソースが限られたデバイス、Webブラウザー、特殊なハードウェアを備えたシステムなど、さまざまな環境で使用できます。これにより、TensorFlowモデルのより広範なデプロイの可能性が開かれます。

  • プロダクション重視: GraphDef は、本番環境へのデプロイ向けに設計されています。効率的な実行、シリアル化機能、および実際のユースケースに合わせた最適化をサポートします。

TF GraphDef でのデプロイメントオプション

YOLO26モデルをTF GraphDefにエクスポートするプロセスに入る前に、この形式が使用される典型的なデプロイ状況をいくつか見てみましょう。

TF GraphDefを使用して、さまざまなプラットフォームに効率的にデプロイする方法を以下に示します。

  • TensorFlow Serving： このフレームワークは、TensorFlowモデルを本番環境にデプロイするために設計されています。TensorFlow Servingは、モデル管理、バージョニング、および大規模なモデル提供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WebサービスまたはAPIにシームレスに統合できます。

  • モバイルおよび組み込みデバイス: TensorFlow Liteのようなツールを使用すると、TF GraphDefモデルをスマートフォン、タブレット、およびさまざまな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。モデルはその後、オンデバイス推論に使用でき、ローカルで実行されるため、多くの場合、パフォーマンスの向上とオフライン機能が提供されます。

  • Webブラウザ:TensorFlow.jsは、TF GraphDefモデルをWebブラウザ内で直接デプロイすることを可能にします。これにより、JavaScriptを介してYOLO26の機能を活用し、クライアント側で実行されるリアルタイムの物体detectアプリケーションへの道が開かれます。

  • 特殊化されたハードウェア： TF GraphDefのプラットフォームに依存しない性質により、アクセラレータやTPU（Tensor Processing Units）などのカスタムハードウェアをターゲットにできます。これらのデバイスは、計算負荷の高いモデルに対してパフォーマンス上の利点を提供できます。

YOLO26モデルをTF GraphDefにエクスポートする

YOLO26物体detectモデルをさまざまなシステムと互換性のあるTF GraphDef形式に変換することで、プラットフォーム間でのパフォーマンスを向上させることができます。

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:

インストール

# 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。

使用法

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO26n PyTorch model to TF GraphDef format
yolo export model=yolo26n.pt format=pb # creates 'yolo26n.pb'

# Run inference with the exported model
yolo predict model='yolo26n.pb' source='https://ultralytics.com/images/bus.jpg'

エクスポート引数

引数種類デフォルト説明
formatstr'pb'エクスポートされたモデルのターゲット形式。さまざまなデプロイメント環境との互換性を定義します。
imgszint または tuple640モデル入力に必要な画像サイズ。正方形の画像の場合は整数、タプルの場合は (height, width) 特定の寸法の場合。
batchint1エクスポートされたモデルのバッチ推論サイズ、またはエクスポートされたモデルが同時に処理する画像の最大数を指定します。 predict モードを参照してください。
devicestrNoneエクスポート先のデバイスを指定します：CPU (device=cpu)、Apple シリコン用 MPS (device=mps)。

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 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、次のステップはデプロイです。TF GraphDefモデルを実行するための主要かつ推奨される最初のステップは、以前に示された使用コードスニペットのように、YOLO("model.pb")メソッドを使用することです。

ただし、TF GraphDefモデルのデプロイに関する詳細については、以下のリソースをご覧ください。

  • TensorFlow Serving：本ガイドでは、TensorFlow Servingを用いて、機械学習モデルを効率的にデプロイし、本番環境で提供する方法を説明します。

  • TensorFlow Lite：このページでは、TensorFlow Liteを使用したオンデバイス推論用に最適化された形式に、機械学習モデルを変換する方法について説明します。

  • TensorFlow.js：本ガイドでは、TensorFlowまたはKerasモデルをTensorFlow.js形式に変換し、Webアプリケーションで使用する方法を説明します。

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探求しました。これにより、最適化されたYOLO26モデルをさまざまな環境に柔軟にデプロイできます。

使い方の詳細については、TF GraphDefの公式ドキュメントをご覧ください。

Ultralytics YOLO26を他のプラットフォームやフレームワークと統合する方法の詳細については、弊社の統合ガイドページをご覧ください。

よくある質問

YOLO26モデルをTF GraphDef形式にエクスポートするにはどうすればよいですか？

Ultralytics YOLO26モデルは、TensorFlow GraphDef (TF GraphDef) 形式にシームレスにエクスポートできます。この形式は、モデルのシリアル化されたプラットフォーム非依存の表現を提供し、モバイルやWebなど多様な環境でのデプロイに最適です。YOLO26モデルをTF GraphDefにエクスポートするには、以下の手順に従ってください。

使用法

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO26n PyTorch model to TF GraphDef format
yolo export model="yolo26n.pt" format="pb" # creates 'yolo26n.pb'

# Run inference with the exported model
yolo predict model="yolo26n.pb" source="https://ultralytics.com/images/bus.jpg"

さまざまな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モデルのデプロイメントにTF GraphDefを使用する利点は何ですか？

YOLO26モデルをTF GraphDef形式にエクスポートすることには、以下のような複数の利点があります。

  1. 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し、モバイルやWebブラウザを含むさまざまな環境にモデルをデプロイできます。
  2. 最適化: この形式により、定数畳み込み、量子化、グラフ変換など、いくつかの最適化が可能になり、実行効率が向上し、メモリ使用量が削減されます。
  3. 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を活用して、パフォーマンスを向上させることができます。

利点の詳細については、ドキュメントのTF GraphDefセクションをご覧ください。

他の物体detectモデルと比較して、Ultralytics YOLO26を使用するべき理由は何ですか？

Ultralytics YOLO26は、YOLOv5やYOLOv7などの他のモデルと比較して、数多くの利点を提供します。主な利点には以下が含まれます。

  1. 最先端のパフォーマンス: YOLO26は、リアルタイムの物体detect、segment、および分類において、卓越した速度と精度を提供します。
  2. 使いやすさ: モデルのトレーニング、検証、予測、エクスポートのためのユーザーフレンドリーなAPIを備えており、初心者から専門家までアクセスできます。
  3. 広範な互換性: ONNX、TensorRT、CoreML、TensorFlowを含む複数のエクスポート形式をサポートし、汎用性の高いデプロイオプションを提供します。

詳細については、弊社のYOLO26の紹介をご覧ください。

TF GraphDefを使用して、YOLO26モデルを特殊なハードウェアにデプロイするにはどうすればよいですか？

YOLO26モデルがTF GraphDef形式にエクスポートされると、さまざまな特殊なハードウェアプラットフォームにデプロイできます。典型的なデプロイシナリオには以下が含まれます。

  • TensorFlow Serving：本番環境でのスケーラブルなモデルデプロイには、TensorFlow Servingを使用します。モデル管理と効率的な提供をサポートしています。
  • モバイルデバイス: TF GraphDefモデルをTensorFlow Liteに変換し、モバイルおよび組み込みデバイス向けに最適化して、オンデバイス推論を可能にします。
  • ウェブブラウザ: TensorFlow.jsを使用してモデルをデプロイし、ウェブアプリケーションでクライアント側の推論を行います。
  • AIアクセラレータ: 高速化された推論のためにTPUとカスタムAIチップを活用します。

詳細については、デプロイメントオプション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中に発生する一般的な問題の解決策はどこで見つけられますか？

YOLO26モデルのエクスポートに関する一般的な問題のトラブルシューティングについては、Ultralyticsが包括的なガイドとリソースを提供しています。インストールまたはモデルのエクスポート中に問題が発生した場合は、以下を参照してください。

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連するほとんどの問題を解決するのに役立つはずです。



📅 1年前に作成 ✏️ 5日前に更新
glenn-jocherlakshanthadpderrengerlakshanthadUltralyticsAssistantMatthewNoyceRizwanMunawarRizwanMunawarBurhan-Qabirami-vina

コメント