Skip to main content
GitHubでページを編集 (EN)

YOLO26からTF SavedModelフォーマットへのエクスポート方法を理解する

iPhoneやMacなどのAppleデバイスで機械学習モデルの扱い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モデルのためのスーツケースのようなもので、異なるデバイスやシステム間で簡単に持ち運び、利用できるようにします。

YOLO26からTF SavedModelへのエクスポート方法を学ぶことで、Ultralytics YOLO26モデルをさまざまなプラットフォームや環境に簡単にデプロイできるようになります。このガイドでは、モデルをTF SavedModelフォーマットに変換し、さまざまなデバイスで推論を実行するプロセスを簡素化する方法を解説します。

なぜTF SavedModelにエクスポートすべきなのか？

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を完全にカプセル化します。これにより、異なる環境間での共有、デプロイ、継続的な学習が簡単になります。

TensorFlow SavedModel export format structure

TF SavedModelには大きな利点があります。それは互換性です。これはTensorFlow Serving、TensorFlow Lite、およびTensorFlow.jsとスムーズに連携します。この互換性により、ウェブアプリケーション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。モデルを一元管理する方法を提供し、あらゆるアプリケーションに対応できるようにします。

TF SavedModelの主な特徴

AI開発者にとってTF SavedModelが最適な選択肢となる主な特徴は以下の通りです。

  • 移植性: 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、より高度なシステムやツールがTensorFlowモデルを作成、利用、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がなくても、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モデルを簡単かつ効率的にデプロイできます。

  • アセット管理: TF SavedModelは、語彙や埋め込み、またはルックアップテーブルといった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入手可能です。この機能により、外部リソースに依存するモデルの管理と配布が簡素化されます。

TF SavedModelによるデプロイメントオプション

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メントシナリオをいくつか見てみましょう。

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をネイティブにサポートしており、クラウドプラットフォームやオンプレミスサーバー、またはエッジデバイス.

  • クラウドプラットフォーム: 以下のような主要なクラウドプロバイダーは、Google Cloud Platform (GCP), Amazon Web Services (AWS)、およびMicrosoft Azure 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、モデルを簡単にデプロイおよびスケールさせることができます。

  • モバイルおよび組み込みデバイス: TensorFlow Lite モバイル、組み込み、およびIoTデバイスで機械学習モデルを実行するための軽量な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やエッジデバイスに至るまで、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、用のKeras形式へのエクスポートを有効にし、グラフを実行するための高性能ランタイムです。C++環境でTF SavedModelを読み込み、実行するためのより低レベルな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。低遅延の推論や、既存のC++コードベースとの密接な統合が必要なデプロイメントシナリオに適しています。

YOLO26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。

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：

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のインストールガイドを確認してください。YOLO26に必要なパッケージをインストールする際に困難が生じた場合は、一般的な問題ガイドで解決策とヒントを参照してください。

使用方法

すべてのUltralytics YOLO26モデルはエクスポートを標準でサポートするように設計されており、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構成オプションの完全なリストを表示することで、アプリケーションに最適な設定を選択できます。

使用方法
from ultralytics import YOLO

# Load the 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 model
tf_savedmodel_model = YOLO("./yolo26n_saved_model")

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

エクスポート引数

この表は、YOLOモデルを異なるフォーマットにエクスポートするために利用可能な設定とオプションを詳述しています。これらの設定は、エクスポートされたモデルのパフォーマンス、サイズ、およびさまざまなプラットフォームや環境での互換性を最適化するために不可欠です。適切な設定を行うことで、モデルが意図したアプリケーションにおいて最適な効率でデプロイできる状態になります。引数タイプデフォルト
formatstr'saved_model'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環境との互換性を定義します。
imgszintやtuple640モデル入力の希望する画像サイズ。正方形画像の場合は整数、またはタプル（h, w）を指定できます。(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可能にし、TensorFlow ServingやAPIとの互換性を提供します。
int8boolFalseINT8量子化をアクティブにし、モデルをさらに圧縮して、最小限の精度損失関数。主にエッジデバイス向けです。
nmsboolFalseNon-Maximum Suppression (NMS)を追加します。正確で効率的な検出後処理に不可欠です。
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。
datastr'coco8.yaml'データセット構成ファイルへのパスです。INT8が有効で指定されていない場合、設定ファイル（デフォルト：coco8.yaml）は、量子化に不可欠です。
fractionfloat1.0これらのモデルを、従来のNMSベースの後処理パイプラインと互換性があるようにエクスポートできます。
devicestrNoneエクスポートするデバイスを指定します：CPU (device=cpu）、Huawei Ascend NPU（device=mps).

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.

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、以前のコードスニペットで示した通り、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、以下のリソースを参照してください。

  • 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。

  • Node.jsでTensorFlow SavedModelを実行する: 変換なしでTensorFlow SavedModelをNode.jsで直接実行することに関するTensorFlowブログ記事です。

  • クラウドへのデプロイ: Cloud AI Platform上にTensorFlow SavedModelモデルをデプロイすることに関するTensorFlowブログ記事です。

まとめ

このガイドでは、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、YOLO26モデルを幅広いプラットフォームで最適化、デプロイ、およびスケールさせる柔軟性が得られます。

使用方法の詳細については、TF SavedModel公式ドキュメント.

Ultralytics YOLO26と他のプラットフォームやフレームワークの統合に関する詳細については、統合ガイドページを忘れずに確認してください。YOLO26をプロジェクトで最大限に活用するための役立つリソースが満載です。

FAQ

Ultralytics 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モデルのTensorFlow SavedModelフォーマットへのエクスポートは簡単です。PythonまたはCLIを使用してこれを実現できます。

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

# Load the 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")

次のコマンドを実行して検証を開始できます。Ultralyticsエクスポートドキュメント を確認してください。

なぜTensorFlow SavedModelフォーマットを使用すべきなのですか？

TensorFlow SavedModelフォーマットは、以下のような利点があります。モデルのデプロイ:

  • 移植性: 言語に依存しないフォーマットを提供し、異なる環境間でのモデルの共有とデプロイを容易にします。
  • で最大3倍のCPU速度向上を実現します。TensorFlow Serving、TensorFlow Lite、TensorFlow.jsなどのツールとシームレスに統合されており、ウェブアプリケーション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し、容易な共有と継続的な学習を可能にします。

その他の利点や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.

TF SavedModelの典型的なデプロイシナリオは何ですか？

TF SavedModelは、以下を含む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:次を使用することで：TensorFlow LiteTF SavedModelを変換して、モバイルデバイス、IoTデバイス、マイクロコントローラへのデプロイを可能にします。
  • TensorFlow Runtime:優れたパフォーマンスで低遅延の推論が必要なC++環境向け。

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。

YOLO26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？ultralyticsYOLO26モデルをエクスポートするには、

pip install ultralytics

パッケージをインストールする必要があります。ターミナルで以下のコマンドを実行してください。Ultralyticsのインストールガイドより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、一般的な問題ガイド.

を参照してください。問題が発生した場合は、私たちの

TensorFlow SavedModelフォーマットの主な特徴は何ですか？

  • 移植性: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。
  • 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し、読み込みと推論を簡素化します。
  • アセット管理: 語彙のような外部アセットをサポートし、モデル読み込み時に確実に入手できるようにします。

詳細については、公式TensorFlowドキュメント.

Contributors
GitHubでページを編集 (EN)
GLglenn-jocher13LAlakshanthad4RIRizwanMunawar2LEleonnil1MAMatthewNoyce1BUBurhan-Q1ABabirami-vina1

コメント