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

Python なしの C++ 環境で コンピュータビジョンモデルをデプロイするには、ポータブルなシリアル化表現が必要です。TorchScript は、従来の LibTorch アプリケーションに向けてその互換性を提供します。

Ultralytics YOLO26 モデルをクロスプラットフォーム互換性と効率的なデプロイに向けてシリアル化するために、TorchScript にエクスポートします。このガイドでは、YOLO26 モデルを TorchScript フォーマットにエクスポートする方法を紹介し、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。

なぜTorchScriptにエクスポートするのでしょうか？#

PyTorch の開発者によって作成された 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ために不可欠です。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 PyTorch モデルを使用できるようにすることで、この移行をスムーズにします。

このプロセスには、トレーシング（tracing）とスクリプティング（scripting）という2つの技術が含まれます。トレーシングはモデル実行中の操作を記録し、スクリプティングはPythonのサブセットを使用してモデルを定義できるようにします。これらの技術により、YOLO26のようなモデルは、通常のPython環境外でもその能力を発揮できます。

TorchScriptモデルは、演算子の統合やメモリ使用量の最適化といった手法を通じて最適化でき、効率的な実行を実現します。TorchScriptへエクスポートするもう一つの利点は、さまざまなハードウェアプラットフォーム全体でモデルの実行を加速できる可能性がある点です。これにより、PyTorchモデルのスタンドアロンで本番環境対応の表現が作成され、C++環境へ統合できるようになります。

TorchScriptモデルの主な機能#

PyTorch エコシステムの主要な部分である 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。

開発者にとってTorchScriptが価値あるツールである理由は、主に以下の機能によるものです。

• 静的グラフ実行: TorchScriptは、PyTorchの動的グラフ実行とは異なる、モデルの計算の静的グラフ表現を使用します。静的グラフ実行では、計算グラフは実際の実行前に一度定義およびコンパイルされるため、推論時のパフォーマンスが向上します。

• モデルのシリアライズ: TorchScriptを使用すると、PyTorchモデルをプラットフォーム非依存の形式にシリアライズできます。シリアライズされたモデルは、元のPythonコードを必要とせずに読み込むことができるため、さまざまなランタイム環境でのデプロイが可能になります。

• JITコンパイル: TorchScriptは、Just-In-Time (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の効率的な実行を可能にします。

• 段階的な変換: TorchScriptは段階的な変換アプローチを提供しており、PyTorchモデルの一部を徐々にTorchScriptに変換できます。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におけるデプロイオプション#

YOLO26モデルをTorchScript形式にエクスポートするためのコードを確認する前に、TorchScriptモデルが通常どこで使用されているかを理解しておきましょう。

TorchScript は、次のような機械学習モデル向けのさまざまなデプロイオプションを提供します。

• C++ API: TorchScript の最も一般的なユースケースは LibTorch C++ API であり、C++ アプリケーション内で最適化された TorchScript モデルを直接ロードして実行できます。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、オーバーヘッドが少なく効率的な TorchScript モデルの実行を提供し、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: モバイルデバイスでの低遅延、オフライン推論、およびデータプライバシーのためには、TorchScript Mobile の PyTorch 製代替である ExecuTorch を使用してください。

• クラウドデプロイ: TorchScriptモデルは、TorchServeのような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。これにより、本番環境でのスケーラブルなデプロイのためのモデルバージョニング、バッチ処理、メトリクス監視などの機能が提供されます。TorchScriptを使用したクラウドデプロイにより、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。

サポートされているタスク#

TorchScript エクスポートは、すべての 7 つの Ultralytics 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、それらのヘッドを搭載する唯一のファミリーである YOLO26 でのみ利用可能です。

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いやすくなり、より高速かつ効率的に実行できるようになります。これは、実世界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使用したいと考えている人にとって最適です。

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：

# 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のインストール中に問題が発生した場合は、一般的な問題ガイドを参照して解決策とヒントを確認してください。

使用方法#

すべての Ultralytics YOLO26 モデルは、標準でエクスポートをサポートするように設計されているため、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構成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。

TorchScript 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、エクスポートされたモデルをロードして推論を実行するか、精度を検証します。

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")

エクスポートの引数#

エクスポートプロセスの詳細については、Ultralytics documentation page on exporting をご覧ください。

エクスポートされたYOLO26 TorchScriptモデルのデプロイ#

Ultralytics YOLO26 モデルの TorchScript フォーマットへのエクスポートが成功したら、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推奨される主要なステップは、前の使用法コードスニペットで概説されているように、YOLO("model.torchscript") メソッドを使用することです。他の設定で TorchScript モデルをデプロイするための詳細な手順については、次のリソースを参照してください。

• モバイルデプロイの探索: 現在の PyTorch モバイルデプロイには、ExecuTorch の別個の torch.export() → .pte パイプラインを使用します。

• サーバーサイドデプロイのマスター: TorchServe を使用してモデルをサーバーサイドにデプロイする方法を学び、スケーラブルで効率的なモデルサービングのためのステップバイステップのチュートリアルを提供します。

• C++ デプロイの実装: C++ での TorchScript モデルのロードに関するチュートリアルに没頭し、パフォーマンスと汎用性を高めるために TorchScript モデルを C++ アプリケーションに統合することを容易にします。

要約#

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について説明しました。提供された手順に従うことで、YOLO26モデルをパフォーマンスのために最適化し、さまざまなプラットフォームや環境にデプロイする柔軟性を得ることができます。

使用方法の詳細については、TorchScript の公式ドキュメントをご覧ください。

また、他の Ultralytics YOLO26 統合について詳しく知りたい場合は、integration guide page をご覧ください。役立つリソースや情報が豊富に揃っています。

よくある質問 (FAQ)#