迅速なデプロイのためのYOLO26モデルのTorchScriptへのエクスポート#

Pythonを使用せずにC++環境でコンピュータービジョンモデルをデプロイするには、移植可能なシリアル化表現が必要です。TorchScriptは、レガシーLibTorchアプリケーション向けにその互換性を提供します。

TorchScriptにエクスポートしてUltralytics YOLO26モデルをシリアル化すると、クロスプラットフォーム互換性を確保し、デプロイメントを効率化できます。このガイドでは、YOLO26モデルをTorchScript形式にエクスポートする方法を説明し、より幅広いアプリケーションで簡単に使用できるようにします。

TorchScriptにエクスポートする理由#

PyTorchの開発者によって開発されたTorchScriptは、さまざまなプラットフォームでPyTorchモデルを最適化およびデプロイするための強力なツールです。YOLO26モデルをTorchScriptにエクスポートすることは、研究から実際のアプリケーションへ移行するうえで重要です。PyTorchフレームワークの一部であるTorchScriptは、Pythonをサポートしていない環境でもPyTorchモデルを使用できるようにすることで、この移行を円滑にします。

このプロセスには、トレースとスクリプティングという2つの技術が関係します。トレースではモデルの実行中に操作を記録し、スクリプティングではPythonのサブセットを使用してモデルを定義できます。これらの技術により、YOLO26のようなモデルを通常のPython環境の外でも引き続き動作させることができます。

TorchScriptモデルは、演算子融合やメモリ使用量の改善などの技術によって最適化することもでき、効率的な実行を実現します。TorchScriptにエクスポートするもう1つの利点は、さまざまなハードウェアプラットフォームでモデルの実行を高速化できる可能性があることです。これにより、C++環境に統合できる、スタンドアロンで本番環境に対応したPyTorchモデルの表現が作成されます。

TorchScriptモデルの主な機能#

PyTorchエコシステムの重要な一部であるTorchScriptは、ディープラーニングモデルを最適化およびデプロイするための強力な機能を提供します。

TorchScriptを開発者にとって有用なツールにしている主な機能は次のとおりです。

• 静的グラフ実行: TorchScriptはモデルの計算を静的グラフとして表現します。これは、PyTorchの動的グラフ実行とは異なります。静的グラフ実行では、実際の実行前に計算グラフを一度定義してコンパイルするため、推論時のパフォーマンスが向上します。

• モデルのシリアル化: TorchScriptを使用すると、PyTorchモデルをプラットフォームに依存しない形式にシリアル化できます。シリアル化されたモデルは元のPythonコードなしで読み込めるため、異なるランタイム環境へのデプロイメントが可能になります。

• JITコンパイル: TorchScriptはジャストインタイム（JIT）コンパイルを使用して、PyTorchモデルを最適化された中間表現に変換します。JITはモデルの計算グラフをコンパイルし、ターゲットデバイス上で効率的に実行できるようにします。

• 段階的な変換: TorchScriptは段階的な変換アプローチを提供し、PyTorchモデルの一部を徐々にTorchScriptへ変換できます。この柔軟性は、複雑なモデルを扱う場合や、コードの特定部分を最適化したい場合に特に役立ちます。

TorchScriptでのデプロイメントオプション#

YOLO26モデルをTorchScript形式にエクスポートするコードを見る前に、TorchScriptモデルが通常どこで使用されるかを理解しておきましょう。

TorchScriptは、機械学習モデル向けに、次のようなさまざまなデプロイメントオプションを提供します。

• C++ API: TorchScriptの最も一般的な使用例はLibTorch C++ APIです。これにより、最適化されたTorchScriptモデルをC++アプリケーション内で直接読み込み、実行できます。これは、Pythonが適していない、または利用できない本番環境に最適です。C++ APIはTorchScriptモデルを低オーバーヘッドかつ効率的に実行し、パフォーマンスの可能性を最大限に引き出します。

• モバイルデプロイメント: モバイルデバイスで低レイテンシーのオフライン推論とデータプライバシーを実現するには、PyTorchのTorchScript Mobileに代わるExecuTorchを使用してください。

• クラウドデプロイメント: TorchScriptモデルは、TorchServeなどのソリューションを使用してクラウドベースのサーバーにデプロイできます。TorchServeは、スケーラブルな本番環境でのデプロイメントに向けて、モデルのバージョン管理、バッチ処理、メトリクス監視などの機能を提供します。TorchScriptによるクラウドデプロイメントでは、APIやその他のWebサービスを介してモデルにアクセスできるようになります。

サポートされるタスク#

TorchScriptエクスポートは、Ultralyticsの7つすべてのタスクをサポートします。セマンティックセグメンテーションと深度推定は、これらのヘッドを搭載している唯一のファミリーであるYOLO26でのみ利用できます。

TorchScriptへのエクスポート: YOLO26モデルの変換#

YOLO26モデルをTorchScriptにエクスポートすると、さまざまな場所で使用しやすくなり、より高速かつ効率的に実行できます。これは、実際のアプリケーションでディープラーニングモデルをより効果的に活用したい方に適しています。

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

インストールプロセスの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のインストール中に問題が発生した場合は、解決策とヒントについて一般的な問題のガイドを参照してください。

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設計されているため、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には、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一覧を確認してください。

TorchScript形式は、エクスポート、予測、検証モードをサポートします。モデルをエクスポートした後、エクスポート済みモデルを読み込んで推論を実行するか、精度を検証してください。

from ultralytics import YOLO

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

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

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

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

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

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。

エクスポートしたYOLO26 TorchScriptモデルのデプロイ#

Ultralytics YOLO26モデルをTorchScript形式に正常にエクスポートしたら、デプロイできるようになります。TorchScriptモデルを実行するための最初の主要な推奨手順は、前述の使用例コードに示されているYOLO("model.torchscript")メソッドを使用することです。その他の環境でTorchScriptモデルをデプロイする詳しい手順については、次のリソースを参照してください。

• モバイルデプロイメントを確認する: 現在のPyTorchモバイルデプロイメントには、ExecuTorch独自のtorch.export() → .pteパイプラインを使用してください。

• サーバーサイドデプロイメントを習得する: TorchServeを使用したサーバーサイドでのモデルデプロイメントについて学びます。スケーラブルで効率的なモデルサービングのための手順を追ったチュートリアルを提供しています。

• C++デプロイメントを実装する: 「C++でTorchScriptモデルを読み込む」チュートリアルで、TorchScriptモデルをC++アプリケーションに統合し、パフォーマンスと柔軟性を高める方法を確認してください。

まとめ#

このガイドでは、Ultralytics YOLO26モデルをTorchScript形式にエクスポートするプロセスを説明しました。記載された手順に従うことで、YOLO26モデルをパフォーマンス向けに最適化し、さまざまなプラットフォームや環境に柔軟にデプロイできるようになります。

使用方法の詳細については、TorchScriptの公式ドキュメントを参照してください。

また、その他のUltralytics YOLO26インテグレーションについて詳しく知りたい場合は、インテグレーションガイドページをご覧ください。役立つリソースや知見が多数掲載されています。

FAQ#