YOLO26에서 TF SavedModel 형식으로 내보내는 방법 이해하기#

머신 러닝 모델을 배포하는 일은 어려울 수 있습니다. 하지만 효율적이고 유연한 모델 형식을 사용하면 작업을 더 쉽게 수행할 수 있습니다. TF SavedModel은 TensorFlow에서 머신 러닝 모델을 일관된 방식으로 로드하는 데 사용하는 오픈 소스 머신 러닝 프레임워크입니다. TensorFlow 모델을 담는 여행 가방과 같아서 다양한 장치와 시스템에서 쉽게 이동하고 사용할 수 있습니다.

Ultralytics YOLO26 모델을 TF SavedModel로 내보내는 방법을 학습하면 다양한 플랫폼과 환경에 모델을 쉽게 배포할 수 있습니다. 이 가이드에서는 모델을 TF SavedModel 형식으로 변환하는 방법을 살펴보고, 다양한 장치에서 모델로 추론을 실행하는 과정을 간소화합니다.

TF SavedModel로 내보내야 하는 이유#

TensorFlow SavedModel 형식은 아래와 같이 Google이 개발한 TensorFlow 생태계의 일부입니다. 이 형식은 TensorFlow 모델을 원활하게 저장하고 직렬화하도록 설계되었습니다. 아키텍처, 가중치, 컴파일 정보와 같은 모델의 전체 세부 정보를 캡슐화합니다. 따라서 다양한 환경에서 모델을 간편하게 공유하고 배포하며 학습을 계속할 수 있습니다.

TF SavedModel의 주요 장점은 호환성입니다. TensorFlow Serving, LiteRT(이전 명칭 TensorFlow Lite), TensorFlow.js와 원활하게 작동합니다. 이러한 호환성 덕분에 웹 및 모바일 애플리케이션을 포함한 다양한 플랫폼에서 모델을 쉽게 공유하고 배포할 수 있습니다. TF SavedModel 형식은 연구와 프로덕션 모두에 유용합니다. 모델을 관리하는 통합된 방법을 제공하므로 어떤 애플리케이션에서도 사용할 수 있도록 모델을 준비할 수 있습니다.

TF SavedModel의 주요 기능#

다음은 TF SavedModel을 AI 개발자에게 훌륭한 옵션으로 만들어 주는 주요 기능입니다:

• 이식성: TF SavedModel은 언어 중립적이고 복구 가능하며 폐쇄적인 직렬화 형식을 제공합니다. 이를 통해 상위 수준의 시스템과 도구에서 TensorFlow 모델을 생성하고, 사용하고, 변환할 수 있습니다. SavedModel은 다양한 플랫폼과 환경에서 쉽게 공유하고 배포할 수 있습니다.

• 간편한 배포: TF SavedModel은 계산 그래프, 학습된 파라미터 및 필요한 메타데이터를 하나의 패키지로 묶습니다. 모델을 생성한 원본 코드 없이도 쉽게 로드하고 추론에 사용할 수 있습니다. 따라서 다양한 프로덕션 환경에서 TensorFlow 모델을 간단하고 효율적으로 배포할 수 있습니다.

• 에셋 관리: TF SavedModel은 어휘, 임베딩 또는 조회 테이블과 같은 외부 에셋의 포함을 지원합니다. 이러한 에셋은 그래프 정의 및 변수와 함께 저장되므로 모델을 로드할 때 사용할 수 있습니다. 이 기능은 외부 리소스에 의존하는 모델의 관리와 배포를 간소화합니다.

TF SavedModel을 사용한 배포 옵션#

YOLO26 모델을 TF SavedModel 형식으로 내보내는 과정을 살펴보기 전에, 이 형식이 사용되는 일반적인 배포 시나리오를 알아보겠습니다.

TF SavedModel은 머신 러닝 모델을 배포할 수 있는 다양한 옵션을 제공합니다:

• TensorFlow Serving: TensorFlow Serving은 프로덕션 환경을 위해 설계된 유연하고 고성능인 서빙 시스템입니다. TF SavedModel을 기본적으로 지원하므로 클라우드 플랫폼, 온프레미스 서버 또는 엣지 디바이스에 모델을 쉽게 배포하고 제공할 수 있습니다.

• 클라우드 플랫폼: Google 클라우드 플랫폼 (GCP), Amazon 웹 서비스 (AWS), Microsoft Azure와 같은 주요 클라우드 제공업체는 TF SavedModel을 포함한 TensorFlow 모델을 배포하고 실행하는 서비스를 제공합니다. 이러한 서비스는 확장 가능하고 관리되는 인프라를 제공하므로 모델을 쉽게 배포하고 확장할 수 있습니다.

• 모바일 및 임베디드 디바이스: 모바일, 임베디드 및 IoT 디바이스에서 머신 러닝 모델을 실행하기 위한 경량 솔루션인 LiteRT(이전 명칭 TensorFlow Lite)는 TF SavedModel을 LiteRT 형식으로 변환하는 기능을 지원합니다. 이를 통해 스마트폰과 태블릿부터 마이크로컨트롤러 및 엣지 디바이스까지 다양한 디바이스에 모델을 배포할 수 있습니다.

• TensorFlow Runtime: TensorFlow Runtime(tfrt)은 TensorFlow 그래프를 실행하기 위한 고성능 런타임입니다. C++ 환경에서 TF SavedModel을 로드하고 실행하기 위한 저수준 API를 제공합니다. TensorFlow Runtime은 표준 TensorFlow 런타임보다 더 나은 성능을 제공합니다. 짧은 지연 시간의 추론과 기존 C++ 코드베이스와의 긴밀한 통합이 필요한 배포 시나리오에 적합합니다.

지원되는 작업#

TF SavedModel 내보내기는 7개의 모든 Ultralytics 작업을 지원합니다. 시맨틱 세그멘테이션과 깊이 추정은 해당 헤드를 제공하는 유일한 제품군인 YOLO26에서만 사용할 수 있습니다.

YOLO26 모델을 TF SavedModel로 내보내기#

YOLO26 모델을 TF SavedModel 형식으로 내보내면 다양한 플랫폼에서 모델의 적응성과 배포 편의성을 높일 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 SavedModel 형식은 내보내기, 예측 및 검증 모드를 지원합니다. 모델을 내보낸 다음 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증합니다.

from ultralytics import YOLO

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

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates 'yolo26n_saved_model'

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

# 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 SavedModel 모델 배포#

YOLO26 모델을 TF SavedModel 형식으로 내보냈으므로 이제 다음 단계는 모델을 배포하는 것입니다. TF SavedModel 모델을 실행하기 위한 기본적이고 권장되는 첫 단계는 앞서 사용 예제 코드에서 설명한 대로 YOLO("yolo26n_saved_model/") 메서드를 사용하는 것입니다.

하지만 TF SavedModel 모델 배포에 대한 자세한 지침은 다음 리소스를 참조하십시오:

• TensorFlow Serving: TensorFlow Serving을 사용하여 TF SavedModel 모델을 배포하는 방법에 대한 개발자 문서입니다.

• Node.js에서 TensorFlow SavedModel 실행: 변환 없이 Node.js에서 TensorFlow SavedModel을 직접 실행하는 방법을 다룬 TensorFlow 블로그 게시물입니다.

• 클라우드에 배포: Cloud AI Platform에서 TensorFlow SavedModel 모델을 배포하는 방법을 다룬 TensorFlow 블로그 게시물입니다.

요약#

이 가이드에서는 Ultralytics YOLO26 모델을 TF SavedModel 형식으로 내보내는 방법을 살펴보았습니다. TF SavedModel로 내보내면 다양한 플랫폼에서 YOLO26 모델을 최적화하고 배포하며 확장할 수 있는 유연성을 확보할 수 있습니다.

사용법에 대한 자세한 내용은 TF SavedModel 공식 문서를 참조하십시오.

Ultralytics YOLO26을 다른 플랫폼 및 프레임워크와 통합하는 방법에 대한 자세한 내용은 통합 가이드 페이지를 확인하십시오. 프로젝트에서 YOLO26을 최대한 활용하는 데 도움이 되는 다양한 리소스를 제공합니다.

FAQ#