YOLO26에서 배포용 TF GraphDef로 내보내는 방법
YOLO26과 같은 컴퓨터 비전 모델을 다양한 환경에 배포할 때 호환성 문제가 발생할 수 있습니다. Google의 TensorFlow GraphDef(TF GraphDef)는 모델을 직렬화된 플랫폼 독립적 형식으로 표현하여 이러한 문제를 해결합니다. TF GraphDef 모델 형식을 사용하면 전체 TensorFlow 에코시스템을 사용할 수 없는 모바일 장치나 특수 하드웨어 등의 환경에도 YOLO26 모델을 배포할 수 있습니다.
이 가이드에서는 Ultralytics YOLO26 모델을 TF GraphDef 모델 형식으로 내보내는 방법을 단계별로 안내합니다. 모델을 변환하면 배포 절차를 간소화하고 더 다양한 애플리케이션과 플랫폼에서 YOLO26의 컴퓨터 비전 기능을 활용할 수 있습니다.
TF GraphDef로 내보내야 하는 이유#
TF GraphDef는 Google이 개발한 TensorFlow 에코시스템의 핵심 구성 요소입니다. YOLO26과 같은 모델을 최적화하고 배포하는 데 사용할 수 있습니다. TF GraphDef로 내보내면 연구용 모델을 실제 애플리케이션으로 옮길 수 있습니다. 전체 TensorFlow 프레임워크가 없는 환경에서도 모델을 실행할 수 있습니다.
GraphDef 형식은 모델을 직렬화된 연산 그래프로 표현합니다. 이를 통해 상수 접기, 양자화, 그래프 변환 등의 다양한 최적화 기법을 적용할 수 있습니다. 이러한 최적화는 실행 효율성을 높이고 메모리 사용량을 줄이며 추론 속도를 개선할 수 있습니다.
GraphDef 모델은 GPU, TPU, AI 칩과 같은 하드웨어 가속기를 활용하여 YOLO26 추론 파이프라인의 속도를 높일 수 있습니다. TF GraphDef 형식은 모델과 종속성을 자체적으로 포함하는 패키지를 만들어 다양한 시스템에 배포하고 통합하는 절차를 간소화합니다.
TF GraphDef 모델의 주요 기능#
TF GraphDef는 모델 배포와 최적화를 간소화하는 다양한 기능을 제공합니다.
주요 특징은 다음과 같습니다.
-
모델 직렬화: TF GraphDef는 TensorFlow 모델을 플랫폼 독립적인 형식으로 직렬화하고 저장하는 방법을 제공합니다. 이 직렬화된 표현을 사용하면 원본 Python 코드베이스 없이도 모델을 로드하고 실행할 수 있어 배포가 간편해집니다.
-
그래프 최적화: TF GraphDef를 사용하면 연산 그래프를 최적화할 수 있습니다. 실행 흐름을 간소화하고, 중복을 줄이며, 특정 하드웨어에 맞게 연산을 조정하는 이러한 최적화는 성능을 높여 줍니다.
-
유연한 배포: GraphDef 형식으로 내보낸 모델은 리소스가 제한된 장치, 웹 브라우저, 특수 하드웨어를 탑재한 시스템 등 다양한 환경에서 사용할 수 있습니다. 이를 통해 TensorFlow 모델을 더 폭넓게 배포할 수 있습니다.
-
프로덕션 중심 설계: GraphDef는 프로덕션 배포를 위해 설계되었습니다. 효율적인 실행, 직렬화 기능, 실제 사용 사례에 적합한 최적화를 지원합니다.
TF GraphDef를 사용한 배포 옵션#
YOLO26 모델을 TF GraphDef로 내보내기 전에 이 형식이 사용되는 일반적인 배포 환경을 소개합니다.
-
TensorFlow Serving: 이 프레임워크는 프로덕션 환경에서 TensorFlow 모델을 배포하도록 설계되었습니다. TensorFlow Serving은 모델 관리와 버전 관리 기능, 대규모 모델 서빙을 위한 인프라를 제공합니다. GraphDef 기반 모델을 프로덕션 웹 서비스나 API에 간편하게 통합할 수 있습니다.
-
모바일 및 임베디드 장치: LiteRT와 같은 도구를 사용하면 TF GraphDef 모델을 스마트폰, 태블릿, 다양한 임베디드 장치에 최적화된 형식으로 변환할 수 있습니다. 이렇게 변환한 모델은 장치에서 로컬로 실행되는 추론에 사용할 수 있으며, 성능 향상과 오프라인 기능을 제공하는 경우가 많습니다. Ultralytics를 사용하면 YOLO26을 LiteRT로 직접 내보낼 수도 있습니다.
-
웹 브라우저: TensorFlow.js를 사용하면 TF GraphDef 모델을 웹 브라우저에서 직접 배포할 수 있습니다. JavaScript를 통해 YOLO26을 사용하는 클라이언트 측 실시간 객체 감지 애플리케이션을 지원합니다.
-
특수 하드웨어: TF GraphDef는 플랫폼에 종속되지 않으므로 가속기와 TPU(Tensor Processing Units) 같은 맞춤형 하드웨어를 대상으로 사용할 수 있습니다. 이러한 장치는 연산량이 많은 모델의 성능을 높일 수 있습니다.
지원 작업#
TF GraphDef 내보내기는 Ultralytics의 7개 작업을 모두 지원합니다. 시맨틱 분할과 깊이 추정은 해당 헤드를 제공하는 유일한 모델 제품군인 YOLO26에서만 사용할 수 있습니다.
YOLO26 모델을 TF GraphDef로 내보내기#
YOLO26 모델을 다양한 시스템과 호환되는 TF GraphDef 형식으로 변환하면 여러 플랫폼에서 성능을 개선할 수 있습니다.
설치#
필수 패키지를 설치하려면 다음을 실행하세요:
# Install the required package for YOLO26
pip install ultralytics설치 절차에 대한 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 참조하세요. YOLO26에 필요한 패키지를 설치하는 중 문제가 발생하면 해결 방법과 팁을 확인할 수 있는 일반적인 문제 가이드를 참조하세요.
Python 3.13 이상을 사용하는 macOS에서는 TF GraphDef 내보내기를 지원하지 않습니다.
사용법#
모든 Ultralytics YOLO26 모델은 별도의 설정 없이 내보내기를 지원하도록 설계되어 있어 원하는 배포 워크플로에 쉽게 통합할 수 있습니다. 애플리케이션에 가장 적합한 설정을 선택하려면 지원되는 내보내기 형식 및 구성 옵션 전체 목록을 확인하세요.
TF GraphDef 형식은 내보내기, 예측, 검증 모드를 지원합니다. 모델을 내보낸 다음 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증합니다.
from ultralytics import YOLO
# YOLO26 모델 로드
model = YOLO("yolo26n.pt")
# 모델을 TF GraphDef 형식으로 내보내기
model.export(format="pb") # 'yolo26n.pb' 생성from ultralytics import YOLO
# 내보낸 TF GraphDef 모델 로드
model = YOLO("yolo26n.pb")
# 추론 실행
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# 내보낸 TF GraphDef 모델 로드
model = YOLO("yolo26n.pb")
# COCO8 데이터셋에서 정확도 검증
metrics = model.val(data="coco8.yaml")내보내기 인수#
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
format | str | 'pb' | 내보낸 모델의 대상 형식으로, 다양한 배포 환경과의 호환성을 정의합니다. |
imgsz | int 또는 tuple | 640 | 모델 입력에 사용할 이미지 크기입니다. 정사각형 이미지에는 정수를 사용하고, 특정 크기에는 튜플 (height, width)을 사용할 수 있습니다. |
quantize | int 또는 str | None | FP32로 고정 내보내기입니다. GraphDef는 내보내기 시 FP16, INT8, W8A16 정밀도 변환을 지원하지 않습니다. |
opset | int | None | 중간 그래프의 ONNX opset입니다. 설정하지 않으면 18을 사용합니다(PyTorch < 2.4에서는 더 낮은 버전이며 설치된 onnx로 제한됨). RT-DETR은 19를 사용합니다. |
batch | int | 1 | 내보내기 모델의 배치 추론 크기 또는 predict 모드에서 내보낸 모델이 동시에 처리할 최대 이미지 수를 지정합니다. |
device | str | None | 내보내기에 사용할 디바이스를 지정합니다. CPU는 device=cpu, Apple 실리콘용 MPS는 device=mps입니다. |
내보내기 프로세스에 관한 자세한 내용은 내보내기에 관한 Ultralytics 문서 페이지를 참조하세요.
내보낸 YOLO26 TF GraphDef 모델 배포#
YOLO26 모델을 TF GraphDef 형식으로 내보낸 다음에는 배포를 진행합니다. 앞서 사용 예제 코드에서 설명한 것처럼 TF GraphDef 모델을 실행할 때 가장 먼저 수행할 기본 권장 단계는 YOLO("model.pb") 방법을 사용하는 것입니다.
TF GraphDef 모델 배포에 관한 자세한 내용은 다음 리소스를 참조하세요:
-
TensorFlow Serving: 프로덕션 환경에서 머신러닝 모델을 효율적으로 배포하고 서빙하는 방법을 안내하는 TensorFlow Serving 가이드입니다.
-
TensorFlow Lite: 이 페이지에서는 온디바이스 추론에 최적화된 형식으로 머신러닝 모델을 변환하는 방법을 설명합니다.
-
TensorFlow.js: 웹 애플리케이션에서 사용할 수 있도록 TensorFlow 또는 Keras 모델을 TensorFlow.js 형식으로 변환하는 방법을 안내하는 모델 변환 가이드입니다.
요약#
이 가이드에서는 Ultralytics YOLO26 모델을 TF GraphDef 형식으로 내보내는 방법을 살펴보았습니다. 이 작업을 통해 최적화된 YOLO26 모델을 다양한 환경에 유연하게 배포할 수 있습니다.
사용법에 관한 자세한 내용은 TF GraphDef 공식 문서를 참고하세요.
자주 묻는 질문#
Ultralytics YOLO26 모델은 TensorFlow GraphDef(TF GraphDef) 형식으로 내보낼 수 있습니다. 이 형식은 모델을 직렬화된 플랫폼 독립적 방식으로 표현하므로 모바일 및 웹과 같은 다양한 환경에 배포하기에 적합합니다. YOLO26 모델을 TF GraphDef로 내보내려면 다음 단계를 따르세요:
사용법from ultralytics import YOLO # YOLO26 모델 로드 model = YOLO("yolo26n.pt") # 모델을 TF GraphDef 형식으로 내보내기 model.export(format="pb") # 'yolo26n.pb' 생성 # 내보낸 TF GraphDef 모델 로드 tf_graphdef_model = YOLO("yolo26n.pb") # 추론 실행 results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")다양한 내보내기 옵션에 관한 자세한 내용은 모델 내보내기에 관한 Ultralytics 문서를 참고하세요.
YOLO26 모델을 TF GraphDef 형식으로 내보내면 다음과 같은 여러 이점이 있습니다.
- 플랫폼 독립성: TF GraphDef는 플랫폼 독립적인 형식을 제공하므로 모바일과 웹 브라우저를 비롯한 다양한 환경에 모델을 배포할 수 있습니다.
- 최적화: 이 형식을 사용하면 상수 접기, 양자화, 그래프 변환과 같은 여러 최적화를 적용할 수 있어 실행 효율이 높아지고 메모리 사용량이 줄어듭니다.
- 하드웨어 가속: TF GraphDef 형식의 모델은 GPU, TPU, AI 칩과 같은 하드웨어 가속기를 활용하여 성능을 높일 수 있습니다.
자세한 이점은 문서의 TF GraphDef 섹션에서 확인하세요.
Ultralytics YOLO26은 YOLOv5 및 YOLOv7과 같은 다른 모델에 비해 다양한 이점을 제공합니다. 주요 이점은 다음과 같습니다.
- 최첨단 성능: YOLO26은 실시간 객체 감지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 분류에서 빠른 속도와 높은 정확도를 제공합니다.
- 간편한 사용: 모델 학습, 검증, 예측, 내보내기를 위한 사용자 친화적인 API를 제공하므로 초보자와 전문가 모두 쉽게 사용할 수 있습니다.
- 폭넓은 호환성: 다양한 배포 옵션을 위해 ONNX, TensorRT, CoreML, TensorFlow 등 여러 내보내기 형식을 지원합니다.
자세한 내용은 YOLO26 소개에서 확인하세요.
YOLO26 모델을 TF GraphDef 형식으로 내보내면 다양한 특수 하드웨어 플랫폼에 배포할 수 있습니다. 일반적인 배포 시나리오는 다음과 같습니다.
- TensorFlow Serving: TensorFlow Serving을 사용하여 프로덕션 환경에 모델을 확장성 있게 배포하세요. TensorFlow Serving은 모델 관리와 효율적인 서빙을 지원합니다.
- 모바일 장치: TF GraphDef 모델을 모바일 및 임베디드 장치에 최적화된 TensorFlow Lite로 변환하여 온디바이스 추론을 구현하세요.
- 웹 브라우저: TensorFlow.js를 사용하여 웹 애플리케이션에서 클라이언트 측 추론을 수행하도록 모델을 배포하세요.
- AI 가속기: TPU와 맞춤형 AI 칩을 사용하여 추론을 가속하세요.
자세한 내용은 배포 옵션 섹션을 확인하세요.
Ultralytics는 YOLO26 모델 내보내기와 관련된 일반적인 문제를 해결할 수 있도록 포괄적인 가이드와 자료를 제공합니다. 설치 또는 모델 내보내기 중 문제가 발생하면 다음 자료를 참고하세요.
- 일반적인 문제 가이드: 자주 발생하는 문제에 대한 해결 방법을 제공합니다.
- 설치 가이드: 필요한 패키지를 설정하는 방법을 단계별로 안내합니다.
이 자료를 통해 YOLO26 모델 내보내기 및 배포와 관련된 대부분의 문제를 해결할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.