Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO26からTF SavedModelフォーマットへのエクスポート方法#

機械学習モデルのデプロイは難しい場合があります。しかし、効率的で柔軟なモデルフォーマットを使用することで、作業を簡素化できます。TF SavedModelは、TensorFlowが機械学習モデルを一貫した方法で読み込むために使用するオープンソースの機械学習フレームワークです。これはTensorFlowモデルのスーツケースのようなもので、さまざまなデバイスやシステムで簡単に持ち運び、使用できるようにします。

Ultralytics YOLO26モデルからTF SavedModelへエクスポートする方法を学ぶことで、さまざまなプラットフォームや環境間でモデルを容易にデプロイできるようになります。本ガイドでは、モデルをTF SavedModelフォーマットに変換する手順を説明し、さまざまなデバイスでモデルの推論を実行するプロセスを簡素化します。

Link to this sectionなぜTF SavedModelへエクスポートする必要があるのでしょうか？#

TensorFlow SavedModelフォーマットは、以下に示すようにGoogleによって開発されたTensorFlowエコシステムの一部です。これは、TensorFlowモデルをシームレスに保存およびシリアル化するように設計されています。モデルのアーキテクチャ、重み、さらにはコンパイル情報といった詳細な情報を完全にカプセル化します。これにより、環境間での共有、デプロイ、および学習の継続が簡単になります。

TensorFlow SavedModel export format structure

TF SavedModelの重要な利点は、その互換性です。これはTensorFlow Serving、TensorFlow Lite、およびTensorFlow.jsと良好に連携します。この互換性により、Webやモバイルアプリケーションを含むさまざまなプラットフォーム間でモデルをより簡単に共有およびデプロイできます。TF SavedModelフォーマットは、研究と本番環境の両方に役立ちます。モデルを管理するための統合的な方法を提供し、あらゆるアプリケーションに対応できるようにします。

Link to this sectionTF SavedModelの主な機能#

AI開発者にとってTF SavedModelが優れた選択肢となる主な機能は以下の通りです。

  • ポータビリティ: TF SavedModelは、言語に依存せず、復元可能で、自己完結型のシリアル化フォーマットを提供します。これにより、上位のシステムやツールがTensorFlowモデルを作成、消費、変換できるようになります。SavedModelは、異なるプラットフォームや環境間で簡単に共有およびデプロイできます。

  • デプロイの容易さ: TF SavedModelは、計算グラフ、学習済みパラメータ、必要なメタデータを単一のパッケージにまとめます。モデルを構築した元のコードを必要とせずに、簡単に読み込んで推論に使用できます。これにより、さまざまな本番環境でTensorFlowモデルのデプロイが簡単かつ効率的になります。

  • アセット管理: TF SavedModelは、語彙、埋め込み、ルックアップテーブルなどの外部アセットの組み込みをサポートしています。これらのアセットはグラフ定義や変数とともに保存されるため、モデルの読み込み時に確実に利用可能となります。この機能は、外部リソースに依存するモデルの管理と配布を簡素化します。

Link to this sectionTF SavedModelによるデプロイの選択肢#

YOLO26モデルをTF SavedModelフォーマットにエクスポートするプロセスに進む前に、このフォーマットが使用される一般的なデプロイシナリオをいくつか見ていきましょう。

TF SavedModelは、機械学習モデルをデプロイするためのさまざまなオプションを提供します。

  • TensorFlow Serving: TensorFlow Servingは、本番環境向けに設計された柔軟で高性能なサービングシステムです。TF SavedModelをネイティブでサポートしているため、クラウドプラットフォーム、オンプレミスサーバー、またはエッジデバイス上でモデルを簡単にデプロイおよび提供できます。

  • クラウドプラットフォーム: Google Cloud Platform (GCP)、Amazon Web Services (AWS)、Microsoft Azureなどの主要なクラウドプロバイダーは、TF SavedModelを含むTensorFlowモデルをデプロイおよび実行するためのサービスを提供しています。これらのサービスはスケーラブルで管理されたインフラストラクチャを提供し、モデルのデプロイとスケーリングを容易にします。

  • モバイルおよび組み込みデバイス: モバイル、組み込み、およびIoTデバイス上で機械学習モデルを実行するための軽量ソリューションであるTensorFlow Liteは、TF SavedModelからTensorFlow Liteフォーマットへの変換をサポートしています。これにより、スマートフォンやタブレットからマイクロコントローラーやエッジデバイスまで、幅広いデバイスにモデルをデプロイできます。

  • TensorFlow Runtime: TensorFlow Runtime (tfrt)は、TensorFlowグラフを実行するための高性能なランタイムです。C++環境でTF SavedModelを読み込み実行するための低レベルAPIを提供します。TensorFlow Runtimeは、標準のTensorFlowランタイムと比較して優れたパフォーマンスを発揮します。低レイテンシの推論が必要なデプロイシナリオや、既存のC++コードベースとの密接な統合に適しています。

Link to this sectionYOLO26モデルのTF SavedModelへのエクスポート#

YOLO26モデルをTF SavedModelフォーマットにエクスポートすることで、さまざまなプラットフォーム間での適応性とデプロイの容易さが向上します。

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、次を実行します。

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、解決策やヒントについて共通の問題に関するガイドをご参照ください。

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、任意の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択するために、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できます。

TF SavedModelフォーマットは、Export、Predict、およびValidateモードをサポートしています。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読み込んで推論を実行したり、その精度を検証したりします。

エクスポート
from ultralytics import YOLO

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

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'
予測
from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
検証
from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionエクスポート引数#

引数型デフォルト説明
formatstr'saved_model'エクスポートされたモデルのターゲットフォーマットであり、さまざまなデプロイ環境との互換性を定義します。
imgszint または tuple640モデル入力に希望する画像サイズ。正方形画像の場合は整数、特定の次元の場合はタプル (height, width) を指定できます。
kerasboolFalseKerasフォーマットへのエクスポートを有効にし、TensorFlow ServingおよびAPIとの互換性を提供します。
int8boolFalseINT8量子化をアクティブにし、主にエッジデバイス向けに、精度の損失を最小限に抑えながらモデルをさらに圧縮して推論を高速化します。
nmsboolFalse非最大値抑制（NMS）を追加します。これは、正確で効率的な検出後の処理に不可欠です。
batchint1エクスポートする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。
datastr'coco8.yaml'データセット構成ファイルへのパス（デフォルト: coco8.yaml）。量子化に不可欠です。
fractionfloat1.0INT8量子化キャリブレーションに使用するデータセットの割合を指定します。データセット全体の一部でキャリブレーションを行えるため、実験やリソースが限られている場合に便利です。INT8が有効で指定されていない場合、データセット全体が使用されます。
devicestrNoneエクスポート用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。

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

YOLO26モデルをTF SavedModelフォーマットにエクスポートできたので、次はデプロイのステップです。TF SavedModelモデルを実行するための最初かつ推奨されるステップは、以前のコード例で示したように YOLO("yolo26n_saved_model/") メソッドを使用することです。

ただし、TF SavedModel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。

  • TensorFlow Serving: TensorFlow Servingを使用してTF SavedModelモデルをデプロイする方法に関する開発者向けドキュメントです。

  • Run a TensorFlow SavedModel in Node.js: 変換なしでNode.js内でTensorFlow SavedModelを直接実行する方法についてのTensorFlowブログ記事です。

  • Deploying on Cloud: Cloud AI Platform上でTensorFlow SavedModelモデルをデプロイする方法についてのTensorFlowブログ記事です。

Link to this section概要#

本ガイドでは、Ultralytics YOLO26モデルをTF SavedModelフォーマットにエクスポートする方法を探りました。TF SavedModelにエクスポートすることで、幅広いプラットフォーム上でYOLO26モデルを最適化、デプロイ、スケーリングする柔軟性を得られます。

使用方法の詳細については、TF SavedModel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、当社の統合ガイドページを忘れずにご確認ください。プロジェクトでYOLO26を最大限に活用するための素晴らしいリソースが満載です。

Link to this sectionFAQ#

Link to this sectionUltralytics YOLOモデルをTensorFlow SavedModelフォーマットにエクスポートするにはどうすればよいですか？#

Ultralytics YOLOモデルをTensorFlow SavedModelフォーマットにエクスポートするのは簡単です。PythonまたはCLIのいずれかを使用して実現できます。

YOLO26のTF SavedModelへのエクスポート
from ultralytics import YOLO

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

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'

# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolo26n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")

詳細については、Ultralytics Exportドキュメントを参照してください。

Link to this sectionなぜTensorFlow SavedModelフォーマットを使用する必要があるのですか？#

TensorFlow SavedModelフォーマットは、モデルデプロイにおいていくつかの利点を提供します。

  • ポータビリティ: 言語に依存しないフォーマットを提供するため、さまざまな環境間でモデルを簡単に共有およびデプロイできます。
  • 互換性: TensorFlow Serving、TensorFlow Lite、TensorFlow.jsなどのツールとシームレスに統合されます。これらは、Webやモバイルアプリケーションなど、さまざまなプラットフォームへのモデルデプロイに不可欠です。
  • 完全なカプセル化: モデルのアーキテクチャ、重み、コンパイル情報をエンコードするため、簡単に共有したり学習を継続したりできます。

さらなるメリットとデプロイオプションについては、Ultralytics YOLOモデルのデプロイオプションを確認してください。

Link to this sectionTF SavedModelの一般的なデプロイシナリオは何ですか？#

TF SavedModelは、次のようなさまざまな環境にデプロイできます。

  • TensorFlow Serving: スケーラブルで高性能なモデルサービングが必要な本番環境に最適です。
  • クラウドプラットフォーム: スケーラブルなモデルデプロイのために、Google Cloud Platform (GCP)、Amazon Web Services (AWS)、Microsoft Azureなどの主要なクラウドサービスをサポートしています。
  • モバイルおよび組み込みデバイス: TensorFlow Liteを使用してTF SavedModelを変換することで、モバイルデバイス、IoTデバイス、およびマイクロコントローラーへのデプロイが可能になります。
  • TensorFlow Runtime: パフォーマンスを向上させ、低レイテンシの推論を必要とするC++環境向けです。

詳細なデプロイオプションについては、TensorFlowモデルのデプロイに関する公式ガイドをご覧ください。

Link to this sectionYOLO26モデルをエクスポートするために必要なパッケージをインストールするにはどうすればよいですか？#

YOLO26モデルをエクスポートするには、ultralyticsパッケージをインストールする必要があります。ターミナルで次のコマンドを実行してください。

pip install ultralytics

詳細なインストール手順とベストプラクティスについては、当社のUltralyticsインストールガイドを参照してください。問題が発生した場合は、一般的な問題ガイドを確認してください。

Link to this sectionTensorFlow SavedModelフォーマットの主な機能は何ですか？#

TF SavedModelフォーマットは、以下の機能によりAI開発者にとって有益です。

  • ポータビリティ: さまざまな環境間で簡単に共有およびデプロイできます。
  • デプロイの容易さ: 計算グラフ、学習済みパラメータ、メタデータを単一のパッケージにカプセル化するため、読み込みと推論が簡素化されます。
  • アセット管理: 語彙などの外部アセットをサポートしており、モデルの読み込み時に確実に利用可能です。

詳細については、TensorFlow公式ドキュメントを探索してください。

貢献者
GLglenn-jocher15LAlakshanthad4RIRizwanMunawar2LEleonnil1MAMatthewNoyce1BUBurhan-Q1ABabirami-vina1

コメント