배포를 위해 YOLO11에서 TF GraphDef로 내보내는 방법
YOLO11과 같은 최첨단 컴퓨터 비전 모델을 다양한 환경에 배포할 때 호환성 문제가 발생할 수 있습니다. Google의 TensorFlow GraphDef 또는 TF GraphDef는 모델의 직렬화된 플랫폼 독립적 표현을 제공하여 솔루션을 제공합니다. TF GraphDef 모델 형식을 사용하면 모바일 장치 또는 특수 하드웨어와 같이 완전한 TensorFlow 생태계를 사용할 수 없는 환경에 YOLO11 모델을 배포할 수 있습니다.
이 가이드에서는 Ultralytics YOLO11 모델을 TF GraphDef 모델 형식으로 내보내는 방법을 단계별로 안내합니다. 모델을 변환하면 배포를 간소화하고 더 광범위한 애플리케이션 및 플랫폼에서 YOLO11의 컴퓨터 비전 기능을 사용할 수 있습니다.
TF GraphDef로 내보내야 하는 이유는 무엇입니까?
TF GraphDef는 Google에서 개발한 TensorFlow 생태계의 강력한 구성 요소입니다. YOLO11과 같은 모델을 최적화하고 배포하는 데 사용할 수 있습니다. TF GraphDef로 내보내기를 통해 연구 모델을 실제 애플리케이션으로 이동할 수 있습니다. 이를 통해 전체 TensorFlow 프레임워크 없이도 환경에서 모델을 실행할 수 있습니다.
GraphDef 형식은 모델을 직렬화된 계산 그래프로 나타냅니다. 이를 통해 상수 폴딩, 양자화 및 그래프 변환과 같은 다양한 최적화 기술을 사용할 수 있습니다. 이러한 최적화는 효율적인 실행, 메모리 사용량 감소 및 더 빠른 추론 속도를 보장합니다.
GraphDef 모델은 GPU, TPU 및 AI 칩과 같은 하드웨어 가속기를 사용하여 YOLO11 추론 파이프라인의 성능을 크게 향상시킬 수 있습니다. TF GraphDef 형식은 모델과 해당 종속성을 포함하는 자체 포함 패키지를 생성하여 다양한 시스템에 대한 배포 및 통합을 간소화합니다.
TF GraphDef 모델의 주요 기능
TF GraphDef는 모델 배포 및 최적화를 간소화하기 위한 고유한 기능을 제공합니다.
다음은 주요 특징입니다.
-
모델 직렬화: TF GraphDef는 TensorFlow 모델을 플랫폼 독립적인 형식으로 직렬화하고 저장하는 방법을 제공합니다. 이 직렬화된 표현을 사용하면 원래 python 코드베이스 없이도 모델을 로드하고 실행할 수 있으므로 배포가 더 쉬워집니다.
-
그래프 최적화: TF GraphDef는 계산 그래프의 최적화를 가능하게 합니다. 이러한 최적화는 실행 흐름을 간소화하고, 중복성을 줄이며, 특정 하드웨어에 맞게 작업을 조정하여 성능을 향상시킬 수 있습니다.
-
배포 유연성: GraphDef 형식으로 내보낸 모델은 리소스가 제한된 장치, 웹 브라우저 및 특수 하드웨어가 있는 시스템을 포함한 다양한 환경에서 사용할 수 있습니다. 이를 통해 TensorFlow 모델을 더 널리 배포할 수 있습니다.
-
프로덕션 중심: GraphDef는 프로덕션 배포를 위해 설계되었습니다. 효율적인 실행, 직렬화 기능 및 실제 사용 사례에 부합하는 최적화를 지원합니다.
TF GraphDef를 사용한 배포 옵션
YOLO11 모델을 TF GraphDef로 내보내는 과정에 들어가기 전에 이 형식이 사용되는 일반적인 배포 상황을 살펴보겠습니다.
다양한 플랫폼에서 TF GraphDef를 효율적으로 배포하는 방법은 다음과 같습니다.
-
TensorFlow Serving: 이 프레임워크는 프로덕션 환경에서 TensorFlow 모델을 배포하도록 설계되었습니다. TensorFlow Serving은 모델 관리, 버전 관리 및 대규모 모델을 효율적으로 제공하기 위한 인프라를 제공합니다. GraphDef 기반 모델을 프로덕션 웹 서비스 또는 API에 통합하는 원활한 방법입니다.
-
모바일 및 임베디드 장치: TensorFlow Lite와 같은 도구를 사용하여 TF GraphDef 모델을 스마트폰, 태블릿 및 다양한 임베디드 장치에 최적화된 형식으로 변환할 수 있습니다. 그런 다음 모델을 장치 내 추론에 사용할 수 있으며, 여기서 실행은 로컬에서 수행되어 성능 향상 및 오프라인 기능을 제공하는 경우가 많습니다.
-
웹 브라우저: TensorFlow.js를 사용하면 웹 브라우저 내에서 TF GraphDef 모델을 직접 배포할 수 있습니다. JavaScript를 통해 YOLO11의 기능을 사용하여 클라이언트 측에서 실행되는 실시간 객체 감지 애플리케이션을 위한 길을 열어줍니다.
-
특수 하드웨어: TF GraphDef의 플랫폼 독립적인 특성 덕분에 가속기 및 TPU(Tensor Processing Unit)와 같은 맞춤형 하드웨어를 대상으로 지정할 수 있습니다. 이러한 장치는 계산 집약적인 모델에 대한 성능 이점을 제공할 수 있습니다.
YOLO11 모델을 TF GraphDef로 내보내기
YOLO11 객체 감지 모델을 다양한 시스템과 호환되는 TF GraphDef 형식으로 변환하여 플랫폼 전반에서 성능을 향상시킬 수 있습니다.
설치
필수 패키지를 설치하려면 다음을 실행합니다.
설치
# Install the required package for YOLO11
pip install ultralytics
설치 프로세스와 관련된 자세한 지침 및 모범 사례는 Ultralytics 설치 가이드를 확인하십시오. YOLO11에 필요한 패키지를 설치하는 동안 어려움이 발생하면 일반적인 문제 가이드에서 해결 방법과 팁을 참조하십시오.
사용법
모든 Ultralytics YOLO11 모델은 기본적으로 내보내기를 지원하도록 설계되어 선호하는 배포 워크플로에 쉽게 통합할 수 있습니다. 지원되는 전체 내보내기 형식 및 구성 옵션 목록을 확인하여 애플리케이션에 가장 적합한 설정을 선택할 수 있습니다.
사용법
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to TF GraphDef format
model.export(format="pb") # creates 'yolo11n.pb'
# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")
# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model=yolo11n.pt format=pb # creates 'yolo11n.pb'
# Run inference with the exported model
yolo predict model='yolo11n.pb' source='https://ultralytics.com/images/bus.jpg'
인수 내보내기
인수 | 유형 | 기본값 | 설명 |
---|---|---|---|
format |
str |
'pb' |
다양한 배포 환경과의 호환성을 정의하는 내보낸 모델의 대상 형식입니다. |
imgsz |
int 또는 tuple |
640 |
모델 입력에 대한 원하는 이미지 크기입니다. 정사각형 이미지의 경우 정수이거나 튜플일 수 있습니다. (height, width) 특정 크기의 경우. |
batch |
int |
1 |
내보내기 모델 배치 추론 크기 또는 내보내기 모델이 동시에 처리할 이미지의 최대 수를 지정합니다. predict mode. |
device |
str |
None |
내보내기 장치를 지정합니다: CPU (device=cpu ), Apple Silicon용 MPS (device=mps )입니다. |
내보내기 프로세스에 대한 자세한 내용은 내보내기에 대한 Ultralytics 문서 페이지를 참조하십시오.
내보낸 YOLO11 TF GraphDef 모델 배포
YOLO11 모델을 TF GraphDef 형식으로 내보냈으면 다음 단계는 배포입니다. TF GraphDef 모델을 실행하기 위한 기본적이고 권장되는 첫 번째 단계는 앞에서 사용 코드 스니펫에서 설명한 대로 YOLO("model.pb") 메서드를 사용하는 것입니다.
하지만 TF GraphDef 모델 배포에 대한 자세한 내용은 다음 리소스를 참조하십시오.
-
TensorFlow Serving: 프로덕션 환경에서 머신러닝 모델을 효율적으로 배포하고 제공하는 방법을 알려주는 TensorFlow Serving에 대한 가이드입니다.
-
TensorFlow Lite: 이 페이지에서는 머신러닝 모델을 TensorFlow Lite를 사용하여 장치 내 추론에 최적화된 형식으로 변환하는 방법을 설명합니다.
-
TensorFlow.js: TensorFlow 또는 Keras 모델을 웹 애플리케이션에서 사용할 수 있도록 TensorFlow.js 형식으로 변환하는 방법을 알려주는 모델 변환 가이드입니다.
요약
이 가이드에서는 Ultralytics YOLO11 모델을 TF GraphDef 형식으로 내보내는 방법을 살펴보았습니다. 이렇게 하면 최적화된 YOLO11 모델을 다양한 환경에 유연하게 배포할 수 있습니다.
사용법에 대한 자세한 내용은 TF GraphDef 공식 문서를 참조하십시오.
Ultralytics YOLO11을 다른 플랫폼 및 프레임워크와 통합하는 방법에 대한 자세한 내용은 통합 가이드 페이지를 확인하세요. YOLO11을 최대한 활용하는 데 도움이 되는 훌륭한 리소스와 통찰력이 있습니다.
FAQ
YOLO11 모델을 TF GraphDef 형식으로 어떻게 내보냅니까?
Ultralytics YOLO11 모델은 TensorFlow GraphDef(TF GraphDef) 형식으로 원활하게 내보낼 수 있습니다. 이 형식은 모델의 직렬화된 플랫폼 독립적 표현을 제공하며 모바일 및 웹과 같은 다양한 환경에 배포하는 데 이상적입니다. YOLO11 모델을 TF GraphDef로 내보내려면 다음 단계를 따르십시오.
사용법
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to TF GraphDef format
model.export(format="pb") # creates 'yolo11n.pb'
# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")
# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model="yolo11n.pt" format="pb" # creates 'yolo11n.pb'
# Run inference with the exported model
yolo predict model="yolo11n.pb" source="https://ultralytics.com/images/bus.jpg"
다양한 내보내기 옵션에 대한 자세한 내용은 모델 내보내기에 대한 Ultralytics 문서를 참조하세요.
YOLO11 모델 배포에 TF GraphDef를 사용할 때의 이점은 무엇인가요?
YOLO11 모델을 TF GraphDef 형식으로 내보내면 다음과 같은 여러 이점이 있습니다:
- 플랫폼 독립성: TF GraphDef는 플랫폼 독립적인 형식을 제공하여 모바일 및 웹 브라우저를 포함한 다양한 환경에 모델을 배포할 수 있도록 합니다.
- 최적화: 이 형식을 사용하면 상수 폴딩, 양자화 및 그래프 변환과 같은 여러 최적화를 통해 실행 효율성을 높이고 메모리 사용량을 줄일 수 있습니다.
- 하드웨어 가속: TF GraphDef 형식의 모델은 성능 향상을 위해 GPU, TPU 및 AI 칩과 같은 하드웨어 가속기를 활용할 수 있습니다.
자세한 내용은 문서의 TF GraphDef 섹션에서 확인하세요.
다른 객체 감지 모델 대신 Ultralytics YOLO11을 사용해야 하는 이유는 무엇입니까?
Ultralytics YOLO11은 YOLOv5 및 YOLOv7과 같은 다른 모델에 비해 수많은 장점을 제공합니다. 주요 이점은 다음과 같습니다.
- 최첨단 성능: YOLO11은 실시간 객체 감지, 분할 및 분류를 위한 탁월한 속도와 정확도를 제공합니다.
- 사용 편의성: 모델 훈련, 유효성 검사, 예측 및 내보내기를 위한 사용자 친화적인 API를 제공하여 초보자와 전문가 모두가 액세스할 수 있도록 합니다.
- 광범위한 호환성: 다양한 배포 옵션을 위해 ONNX, TensorRT, CoreML 및 TensorFlow를 포함한 여러 내보내기 형식을 지원합니다.
YOLO11 소개에서 자세한 내용을 살펴보십시오.
TF GraphDef를 사용하여 특수 하드웨어에 YOLO11 모델을 어떻게 배포할 수 있습니까?
YOLO11 모델이 TF GraphDef 형식으로 내보내지면 다양한 특수 하드웨어 플랫폼에 배포할 수 있습니다. 일반적인 배포 시나리오는 다음과 같습니다.
- TensorFlow Serving: 프로덕션 환경에서 확장 가능한 모델 배포를 위해 TensorFlow Serving을 사용하십시오. 모델 관리 및 효율적인 서빙을 지원합니다.
- 모바일 장치: TF GraphDef 모델을 모바일 및 임베디드 장치에 최적화된 TensorFlow Lite로 변환하여 장치 내 추론을 활성화합니다.
- 웹 브라우저: 웹 애플리케이션에서 클라이언트 측 추론을 위해 TensorFlow.js를 사용하여 모델을 배포합니다.
- AI 가속기: 가속화된 추론을 위해 TPU 및 맞춤형 AI 칩을 활용합니다.
자세한 내용은 배포 옵션 섹션을 확인하십시오.
YOLO11 모델을 내보내는 동안 발생하는 일반적인 문제에 대한 해결책은 어디에서 찾을 수 있나요?
Ultralytics는 YOLO11 모델 내보내기와 관련된 일반적인 문제 해결을 위해 포괄적인 가이드와 리소스를 제공합니다. 설치 또는 모델 내보내기 중에 문제가 발생하면 다음을 참조하십시오.
- 일반적인 문제 해결 가이드: 자주 발생하는 문제에 대한 해결책을 제공합니다.
- 설치 가이드: 필요한 패키지를 설정하기 위한 단계별 지침입니다.
이러한 리소스는 YOLO11 모델 내보내기 및 배포와 관련된 대부분의 문제를 해결하는 데 도움이 될 것입니다.