Ultralytics YOLO27:

YOLO26 모델 형식에서 TF.js 모델 형식으로 내보내기#

지원 중단됨 — LiteRT로 대체됨

Ultralytics 8.4.83부터 tfjs (TensorFlow.js) 내보내기 형식이 제거되고 통합된 Google LiteRT 형식으로 대체되었습니다. LiteRT는 LiteRT.js를 통해 브라우저에서 실행되며(WebGPU 가속 지원), 단일 .tflite 모델로 TF.js가 처리하던 브라우저 및 Node.js 사용 사례와 모바일, 임베디드, 엣지 환경을 모두 지원합니다.

format="tfjs"은 여전히 작동하지만 지원 중단 경고를 표시하고 대신 LiteRT 모델을 내보냅니다. 앞으로는 **format="litert"**를 사용하시기 바랍니다. 최신 내보내기 지침과 브라우저 배포 경로는 **LiteRT 내보내기 가이드**를 참조하십시오.

머신 러닝 모델을 브라우저나 Node.js에서 직접 배포하는 작업은 까다로울 수 있습니다. 사용자의 디바이스에서 대화형 애플리케이션을 실행할 수 있도록 모델 형식이 더 빠른 성능에 맞게 최적화되었는지 확인해야 합니다. TensorFlow.js 또는 TF.js 모델 형식은 빠른 성능을 제공하면서 전력 소비를 최소화하도록 설계되었습니다.

'TF.js 모델 형식으로 내보내기' 기능을 사용하면 Ultralytics YOLO26 모델을 고속 로컬 객체 탐지 추론에 맞게 최적화할 수 있습니다. 이 가이드에서는 모델을 TF.js 형식으로 변환하는 방법을 안내하여 다양한 로컬 브라우저와 Node.js 애플리케이션에서 모델이 우수한 성능을 발휘하도록 지원합니다.

TF.js로 내보내야 하는 이유는 무엇인가요?#

TensorFlow 생태계의 일부로 TensorFlow 팀이 개발한 TensorFlow.js로 머신 러닝 모델을 내보내면 머신 러닝 애플리케이션 배포에 다양한 이점이 있습니다. 민감한 데이터를 디바이스에 유지하여 사용자 개인정보 보호와 보안을 강화하는 데 도움이 됩니다. 아래 이미지는 TensorFlow.js 아키텍처와 머신 러닝 모델이 웹 브라우저 및 Node.js에서 변환되고 배포되는 방식을 보여줍니다.

TensorFlow.js browser ML inference architecture

모델을 로컬에서 실행하면 지연 시간도 줄어들고 사용자 경험도 더욱 반응성이 높아집니다. TensorFlow.js는 오프라인 기능도 제공하므로 인터넷 연결 없이도 애플리케이션을 사용할 수 있습니다. TF.js는 확장성을 고려해 설계되었으며 GPU 가속을 지원하므로 리소스가 제한된 디바이스에서 복잡한 모델을 효율적으로 실행하도록 설계되었습니다.

TF.js의 주요 기능#

다음은 TF.js를 개발자를 위한 강력한 도구로 만드는 주요 기능입니다.

  • 크로스 플랫폼 지원: TensorFlow.js는 브라우저와 Node.js 환경 모두에서 사용할 수 있어 다양한 플랫폼에 유연하게 배포할 수 있습니다. 개발자가 애플리케이션을 더욱 쉽게 구축하고 배포할 수 있도록 지원합니다.

  • 다중 백엔드 지원: TensorFlow.js는 CPU, GPU 가속을 위한 WebGL, 네이티브에 가까운 실행 속도를 제공하는 WebAssembly (WASM), 고급 브라우저 기반 머신 러닝 기능을 위한 WebGPU 등 다양한 연산 백엔드를 지원합니다.

  • 오프라인 기능: TensorFlow.js를 사용하면 인터넷 연결 없이도 브라우저에서 모델을 실행할 수 있으므로 오프라인에서도 작동하는 애플리케이션을 개발할 수 있습니다.

TensorFlow.js를 사용한 배포 옵션#

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

TF.js는 머신 러닝 모델을 배포할 수 있는 다양한 옵션을 제공합니다.

  • 브라우저 내 ML 애플리케이션: 브라우저에서 직접 머신 러닝 모델을 실행하는 웹 애플리케이션을 구축할 수 있습니다. 서버 측 연산이 필요하지 않으므로 서버 부하가 줄어듭니다.

  • Node.js 애플리케이션: TensorFlow.js는 Node.js 환경 배포도 지원하므로 서버 측 머신 러닝 애플리케이션을 개발할 수 있습니다. 서버의 연산 능력이나 서버 측 데이터에 대한 액세스가 필요한 애플리케이션에 특히 유용합니다.

  • Chrome 확장 프로그램: TensorFlow.js를 사용해 Chrome 확장 프로그램을 만드는 것도 흥미로운 배포 시나리오입니다. 예를 들어 사용자가 모든 웹페이지의 이미지에서 마우스 오른쪽 버튼을 클릭하면 사전 학습된 ML 모델로 해당 이미지를 분류하는 확장 프로그램을 개발할 수 있습니다. TensorFlow.js를 일상적인 웹 브라우징 환경에 통합하여 머신 러닝을 기반으로 즉각적인 인사이트나 보강 기능을 제공할 수 있습니다.

YOLO26 모델을 TensorFlow.js로 내보내기#

YOLO26 모델을 TF.js로 변환하면 모델 호환성과 배포 유연성을 확장할 수 있습니다.

설치#

필요한 package를 설치하려면 다음을 실행하십시오:

설치
# 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.

이제 tfjs 인수는 LiteRT .tflite 모델을 내보내며, 이 모델은 로컬에서 내보내기, 예측, 검증 모드를 지원하고 LiteRT.js를 통해 브라우저에서 실행됩니다. 현재 브라우저 및 디바이스 배포 경로는 LiteRT 내보내기 가이드를 참조하십시오.

내보내기
from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="litert", imgsz=640)  # use imgsz=224 for classification
예측 및 검증

내보낸 LiteRT .tflite 모델은 yolo predict 및 yolo val를 사용해 직접 로드할 수 있으며 LiteRT.js를 통해 브라우저에서 실행됩니다. LiteRT 내보내기 가이드를 참조하십시오.

내보내기 인수#

인수유형기본값설명
formatstr'tfjs'내보낸 모델의 대상 형식으로, 다양한 deployment environment와의 호환성을 정의합니다.
imgszint 또는 tuple640모델 입력에 사용할 이미지 크기입니다. 정사각형 이미지에는 정수를 사용하고, 특정 크기에는 (height, width) tuple을 사용할 수 있습니다.
quantizeint 또는 strNone양자화 정밀도: 8(정적 INT8, int8 가중치 + int8 활성화값; 보정 data/fraction 필요), 'w8a16'(정적, int8 가중치 + int16 활성화값; 보정 data/fraction 필요), 'w8a32'(동적 INT8, int8 가중치 + FP32 활성화값; 보정 불필요) 또는 32/설정되지 않음(FP32)입니다. FP16은 별도로 내보내지 않습니다. GPU delegate에서 FP32 모델이 자동으로 FP16으로 실행됩니다. 지원 중단된 half/int8 플래그를 대체합니다.
batchint1내보낼 모델의 배치 추론 크기 또는 predict 모드에서 내보낸 모델이 동시에 처리할 최대 이미지 수를 지정합니다.
datastrNone양자화에 필요한 데이터셋 YAML 경로입니다. 분류의 경우 데이터셋 디렉터리 또는 기본 제공 데이터셋 이름을 사용합니다. quantize=8 또는 'w8a16'와 함께 생략하면 Ultralytics가 모델 작업에 적합한 기본 보정 데이터셋을 선택합니다.
fractionfloat, int 또는 list1.0Calibration subset은 비율, 이미지 수 또는 [train, val, test] 비율/개수로 지정합니다. 두 항목으로 구성된 목록에서는 test을 전체로 유지하고 0를 건너뜁니다.
devicestrNone내보내기에 사용할 디바이스를 지정합니다. CPU(device=cpu), Apple 실리콘용 MPS(device=mps)를 사용할 수 있습니다.

내보내기 프로세스에 대한 자세한 내용은 Ultralytics 내보내기 문서 페이지를 참조하십시오.

내보낸 YOLO26 TensorFlow.js 모델 배포#

YOLO26 모델을 내보냈다면 다음 단계는 모델을 배포하는 것입니다. 내보내기를 통해 디바이스와 LiteRT.js를 통한 브라우저에서 실행되는 LiteRT .tflite 모델이 생성됩니다. 현재 경로는 LiteRT 내보내기 가이드를 참조하십시오.

참고로, 기존 TensorFlow.js 런타임 리소스는 다음과 같습니다.

요약#

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

사용법에 대한 자세한 내용은 TensorFlow.js 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#

  • Ultralytics YOLO26 모델을 TensorFlow.js (TF.js) 형식으로 내보내는 작업은 간단합니다. 다음 단계를 따르면 됩니다.

    사용법
    from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="litert", imgsz=640)  # use imgsz=224 for classification

# The exported '.tflite' model runs in the browser via LiteRT.js or locally with yolo predict/val.

    지원되는 내보내기 옵션에 대한 자세한 내용은 배포 옵션에 관한 Ultralytics 문서 페이지를 참조하십시오.

  • YOLO26 모델을 TensorFlow.js로 내보내면 다음과 같은 여러 이점이 있습니다.

    1. 로컬 실행: 모델을 브라우저나 Node.js에서 직접 실행하여 지연 시간을 줄이고 사용자 경험을 향상할 수 있습니다.
    2. 크로스 플랫폼 지원: TF.js는 여러 환경을 지원하므로 배포 시 유연성을 제공합니다.
    3. 오프라인 기능: 인터넷 연결 없이도 애플리케이션을 작동할 수 있어 안정성과 개인정보 보호를 보장합니다.
    4. GPU 가속: GPU 가속을 위해 WebGL을 활용하여 리소스가 제한된 디바이스의 성능을 최적화합니다.

  • TensorFlow.js는 브라우저와 Node.js 환경에서 ML 모델을 효율적으로 실행하도록 특별히 설계되었습니다. 브라우저 기반 애플리케이션에 제공하는 이점은 다음과 같습니다.

    • 지연 시간 감소: 머신 러닝 모델을 로컬에서 실행하여 서버 측 연산에 의존하지 않고 즉각적인 결과를 제공합니다.
    • 개인정보 보호 향상: 민감한 데이터를 사용자의 디바이스에 유지하여 보안 위험을 최소화합니다.
    • 오프라인 사용 지원: 인터넷 연결 없이도 모델을 작동할 수 있어 일관된 기능을 보장합니다.
    • 다중 백엔드 지원: 다양한 연산 요구 사항에 맞춰 CPU, WebGL, WebAssembly (WASM), WebGPU와 같은 백엔드를 유연하게 사용할 수 있습니다.

    TF.js에 대해 더 알아보고 싶으신가요? TensorFlow.js 공식 가이드를 확인하십시오.

  • TensorFlow.js의 주요 기능은 다음과 같습니다.

    • 크로스 플랫폼 지원: TF.js는 웹 브라우저와 Node.js 모두에서 사용할 수 있어 폭넓은 배포 유연성을 제공합니다.
    • 다중 백엔드: CPU, GPU 가속을 위한 WebGL, WebAssembly (WASM), 고급 작업을 위한 WebGPU를 지원합니다.
    • 오프라인 기능: 인터넷 연결 없이도 브라우저에서 직접 모델을 실행할 수 있어 반응성이 뛰어난 웹 애플리케이션 개발에 적합합니다.

    배포 시나리오와 더욱 자세한 내용은 TensorFlow.js를 사용한 배포 옵션 섹션을 참조하십시오.

  • 예, TensorFlow.js를 사용하면 Node.js 환경에 YOLO26 모델을 배포할 수 있습니다. 이를 통해 서버의 연산 능력과 서버 측 데이터 액세스의 이점을 활용하는 서버 측 머신 러닝 애플리케이션을 구축할 수 있습니다. 일반적인 사용 사례로는 백엔드 서버에서의 실시간 데이터 처리와 머신 러닝 파이프라인이 있습니다.

    Node.js 배포를 시작하려면 TensorFlow의 Node.js에서 TensorFlow.js 실행 가이드를 참조하십시오.

기여자
GLglenn-jocher20LAlakshanthad4RAraimbekovm3FCfcakyon2AMambitious-octopus1ONonuralpszr1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1ABabirami-vina1

댓글