배포를 위해 YOLO26에서 TF GraphDef로 내보내는 방법#

YOLO26과 같은 최신 컴퓨터 비전 모델을 다양한 환경에 배포할 때 호환성 문제가 발생할 수 있습니다. Google의 TensorFlow GraphDef 또는 TF GraphDef는 모델의 직렬화된 플랫폼 독립적 표현을 제공하여 이러한 문제에 대한 해결책을 제시합니다. TF GraphDef 모델 형식을 사용하면 전체 TensorFlow 생태계를 사용할 수 없는 모바일 장치나 특수 하드웨어와 같은 환경에서도 YOLO26 모델을 배포할 수 있습니다.

이 가이드에서는 Ultralytics YOLO26 모델을 TF GraphDef 모델 형식으로 내보내는 방법을 단계별로 설명합니다. 모델을 변환하면 배포를 간소화하고 더 다양한 애플리케이션과 플랫폼에서 YOLO26의 컴퓨터 비전 기능을 활용할 수 있습니다.

TF GraphDef로 내보내야 하는 이유#

TF GraphDef는 Google에서 개발한 TensorFlow 생태계의 강력한 구성 요소입니다. YOLO26과 같은 모델을 최적화하고 배포하는 데 사용할 수 있습니다. TF GraphDef로 내보내면 모델을 연구 단계에서 실제 애플리케이션으로 이전할 수 있습니다. 또한 전체 TensorFlow 프레임워크가 없는 환경에서도 모델을 실행할 수 있습니다.

GraphDef 형식은 모델을 직렬화된 연산 그래프로 표현합니다. 이를 통해 상수 폴딩, 양자화, 그래프 변환과 같은 다양한 최적화 기법을 사용할 수 있습니다. 이러한 최적화를 통해 효율적인 실행, 메모리 사용량 감소, 더 빠른 추론 속도를 달성할 수 있습니다.

GraphDef 모델은 GPU, TPU, AI 칩과 같은 하드웨어 가속기를 활용하여 YOLO26 추론 파이프라인의 성능을 크게 향상할 수 있습니다. TF GraphDef 형식은 모델과 종속 항목을 포함하는 독립형 패키지를 생성하므로 다양한 시스템에 대한 배포와 통합을 간소화합니다.

TF GraphDef 모델의 주요 기능#

TF GraphDef는 모델 배포와 최적화를 간소화하는 독특한 기능을 제공합니다.

주요 특성은 다음과 같습니다:

• 모델 직렬화: TF GraphDef는 TensorFlow 모델을 플랫폼 독립적 형식으로 직렬화하고 저장하는 방법을 제공합니다. 이렇게 직렬화된 표현을 사용하면 원본 Python 코드베이스 없이도 모델을 로드하고 실행할 수 있어 배포가 쉬워집니다.

• 그래프 최적화: TF GraphDef를 사용하면 연산 그래프를 최적화할 수 있습니다. 이러한 최적화는 실행 흐름을 간소화하고 중복을 줄이며 특정 하드웨어에 맞게 연산을 조정하여 성능을 향상할 수 있습니다.

• 배포 유연성: GraphDef 형식으로 내보낸 모델은 리소스가 제한된 장치, 웹 브라우저, 특수 하드웨어를 사용하는 시스템 등 다양한 환경에서 사용할 수 있습니다. 이를 통해 TensorFlow 모델을 더 폭넓게 배포할 수 있습니다.

• 프로덕션 중심: GraphDef는 프로덕션 배포를 위해 설계되었습니다. 효율적인 실행, 직렬화 기능, 실제 사용 사례에 부합하는 최적화를 지원합니다.

TF GraphDef를 사용한 배포 옵션#

YOLO26 모델을 TF GraphDef로 내보내는 과정을 살펴보기 전에 이 형식이 사용되는 일반적인 배포 상황을 살펴보겠습니다.

다양한 플랫폼에서 TF GraphDef를 효율적으로 배포하는 방법은 다음과 같습니다.

• TensorFlow Serving: TensorFlow 모델을 프로덕션 환경에 배포하도록 설계된 프레임워크입니다. TensorFlow Serving은 대규모 환경에서 효율적인 모델 서빙을 위한 모델 관리, 버전 관리, 인프라를 제공합니다. GraphDef 기반 모델을 프로덕션 웹 서비스나 API에 원활하게 통합할 수 있습니다.

• 모바일 및 임베디드 장치: LiteRT와 같은 도구를 사용하면 TF GraphDef 모델을 스마트폰, 태블릿 및 다양한 임베디드 장치에 최적화된 형식으로 변환할 수 있습니다. 그러면 모델을 장치 내 추론에 사용할 수 있으며, 실행이 로컬에서 수행되므로 성능 향상과 오프라인 기능을 제공하는 경우가 많습니다.

• 웹 브라우저: TensorFlow.js를 사용하면 웹 브라우저 내에서 TF GraphDef 모델을 직접 배포할 수 있습니다. JavaScript를 통해 YOLO26의 기능을 활용하여 클라이언트 측에서 실행되는 실시간 객체 감지 애플리케이션을 구현할 수 있습니다.

• 특수 하드웨어: TF GraphDef는 플랫폼에 구애받지 않으므로 가속기와 TPU(텐서 처리 장치) 같은 맞춤형 하드웨어를 대상으로 사용할 수 있습니다. 이러한 장치는 연산 집약적인 모델에 성능 향상을 제공할 수 있습니다.

지원되는 작업#

TF GraphDef 내보내기는 7가지 Ultralytics 작업 중 6가지를 지원합니다. 시맨틱 세그멘테이션과 깊이 추정은 해당 헤드를 제공하는 유일한 제품군인 YOLO26에서만 사용할 수 있습니다. 포즈 모델은 내보낼 수 있지만 현재 Ultralytics GraphDef 추론은 지원되지 않습니다.

YOLO26 모델을 TF GraphDef로 내보내기#

YOLO26 모델을 다양한 시스템과 호환되는 TF GraphDef 형식으로 변환하여 여러 플랫폼에서 성능을 향상할 수 있습니다.

설치#

필요한 package를 설치하려면 다음을 실행하십시오:

# Install the required package for YOLO26
pip install ultralytics

설치 과정에 대한 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 확인하세요. YOLO26에 필요한 패키지를 설치하는 동안 문제가 발생하면 해결 방법과 팁이 포함된 일반적인 문제 가이드를 참조하세요.

사용법#

모든 Ultralytics YOLO26 모델은 기본적으로 Export를 지원하도록 설계되어 있어 선호하는 배포 워크플로에 쉽게 통합할 수 있습니다. 애플리케이션에 가장 적합한 설정을 선택하려면 지원되는 전체 Export 형식 및 구성 옵션 목록을 확인할 수 있습니다.

TF GraphDef 형식은 내보내기, 예측, 검증 모드를 지원하지만, 포즈 모델은 현재 내보내기만 지원합니다. 모델을 내보낸 다음 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증할 수 있습니다.

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

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

내보내기 인수#

내보내기 프로세스에 대한 자세한 내용은 Ultralytics 내보내기 문서 페이지를 참조하십시오.

내보낸 YOLO26 TF GraphDef 모델 배포#

YOLO26 모델을 TF GraphDef 형식으로 내보낸 후에는 배포해야 합니다. TF GraphDef 모델을 실행하기 위한 기본적이고 권장되는 첫 단계는 앞서 사용 코드 스니펫에서 설명한 YOLO("model.pb") 메서드를 사용하는 것입니다.

TF GraphDef 모델 배포에 대한 자세한 내용은 다음 리소스를 참조하십시오:

• TensorFlow Serving: 프로덕션 환경에서 머신 러닝 모델을 효율적으로 배포하고 서빙하는 방법을 설명하는 TensorFlow Serving 가이드입니다.

• TensorFlow Lite: 머신 러닝 모델을 TensorFlow Lite를 사용한 장치 내 추론에 최적화된 형식으로 변환하는 방법을 설명하는 페이지입니다.

• TensorFlow.js: 웹 애플리케이션에서 사용할 수 있도록 TensorFlow 또는 Keras 모델을 TensorFlow.js 형식으로 변환하는 방법을 설명하는 모델 변환 가이드입니다.

요약#

이 가이드에서는 Ultralytics YOLO26 모델을 TF GraphDef 형식으로 내보내는 방법을 살펴보았습니다. 이를 통해 최적화된 YOLO26 모델을 다양한 환경에 유연하게 배포할 수 있습니다.

자세한 사용 방법은 TF GraphDef 공식 문서를 참조하십시오.

Ultralytics YOLO26을 다른 플랫폼 및 프레임워크와 통합하는 방법은 통합 가이드 페이지를 참조하십시오.

FAQ#