YOLO26 모델 형식에서 TF.js 모델 형식으로 내보내기

머신러닝 모델을 브라우저나 Node.js에서 직접 배포하는 것은 까다로울 수 있습니다. 사용자의 장치에서 대화형 애플리케이션을 로컬로 실행하려면 모델이 더 빠른 성능을 낼 수 있도록 모델 형식이 최적화되어야 합니다. TensorFlow.js(TF.js) 모델 형식은 전력을 최소한으로 사용하면서도 빠른 성능을 제공하도록 설계되었습니다.

'TF.js 모델 형식으로 내보내기' 기능을 사용하면 Ultralytics YOLO26 모델을 고속 로컬 객체 감지 추론에 최적화할 수 있습니다. 이 가이드에서는 모델을 TF.js 형식으로 변환하여 다양한 로컬 브라우저 및 Node.js 애플리케이션에서 모델이 원활하게 작동하도록 만드는 방법을 안내합니다.

왜 TF.js로 내보내야 하나요?

더 넓은 TensorFlow 생태계의 일부로서 TensorFlow 팀이 개발한 TensorFlow.js로 머신러닝 모델을 내보내면 머신러닝 애플리케이션 배포 시 다양한 이점을 얻을 수 있습니다. 민감한 데이터를 장치 내에 유지함으로써 사용자 개인정보 보호 및 보안을 강화하는 데 도움이 됩니다. 아래 이미지는 TensorFlow.js 아키텍처와 머신러닝 모델이 웹 브라우저 및 Node.js에서 변환되고 배포되는 방식을 보여줍니다.

모델을 로컬에서 실행하면 지연 시간이 줄어들고 더 반응성이 뛰어난 사용자 경험을 제공합니다. 또한 TensorFlow.js는 오프라인 기능을 갖추고 있어 인터넷 연결 없이도 애플리케이션을 사용할 수 있습니다. TF.js는 확장성을 고려하여 설계되었으며 GPU 가속을 지원하므로 리소스가 제한된 장치에서도 복잡한 모델을 효율적으로 실행할 수 있습니다.

TF.js의 주요 기능

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

• 플랫폼 간 지원: TensorFlow.js는 브라우저와 Node.js 환경 모두에서 사용할 수 있어 다양한 플랫폼에 걸쳐 유연한 배포가 가능합니다. 이를 통해 개발자는 더 쉽게 애플리케이션을 구축하고 배포할 수 있습니다.

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

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

TensorFlow.js를 활용한 배포 옵션

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

TF.js는 머신러닝 모델을 배포하기 위한 다양한 옵션을 제공합니다:

• 브라우저 내 ML 애플리케이션: 머신러닝 모델을 브라우저에서 직접 실행하는 웹 애플리케이션을 구축할 수 있습니다. 서버 측 연산의 필요성이 사라지고 서버 부하가 줄어듭니다.

• Node.js 애플리케이션: TensorFlow.js는 Node.js 환경에서의 배포도 지원하여 서버 측 머신러닝 애플리케이션 개발을 가능하게 합니다. 서버의 처리 능력이나 서버 측 데이터에 대한 액세스가 필요한 애플리케이션에 특히 유용합니다.

• Chrome 확장 프로그램: 흥미로운 배포 시나리오 중 하나는 TensorFlow.js를 사용하여 Chrome 확장 프로그램을 만드는 것입니다. 예를 들어, 사용자가 웹페이지 내의 이미지에서 마우스 오른쪽 버튼을 클릭하여 사전 학습된 ML 모델을 사용하여 이미지를 분류할 수 있는 확장 프로그램을 개발할 수 있습니다. TensorFlow.js를 일상적인 웹 브라우징 경험에 통합하여 머신러닝 기반의 즉각적인 통찰력이나 기능을 제공할 수 있습니다.

YOLO26 모델을 TensorFlow.js로 내보내기

YOLO26 모델을 TF.js로 변환하면 모델 호환성을 확장하고 배포 유연성을 높일 수 있습니다.

설치

필수 패키지를 설치하려면 다음을 실행하세요.

# Install the required package for YOLO26
pip install ultralytics

설치 프로세스와 관련된 자세한 지침 및 모범 사례는 Ultralytics 설치 가이드를 확인하십시오. YOLO26을 위한 필수 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 해결 가이드에서 솔루션과 팁을 참조하십시오.

사용법

모든 Ultralytics YOLO26 모델은 별도의 설정 없이 바로 내보내기를 지원하도록 설계되어 있어, 선호하는 배포 워크플로우에 쉽게 통합할 수 있습니다. 지원되는 내보내기 형식 및 구성 옵션 전체 목록을 확인하여 애플리케이션에 가장 적합한 설정을 선택하십시오.

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")

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

내보내기 인수

내보내기 과정에 대한 자세한 내용은 Ultralytics 내보내기 설명서 페이지를 방문하세요.

내보낸 YOLO26 TensorFlow.js 모델 배포하기

이제 YOLO26 모델을 TF.js 형식으로 내보냈으므로 다음 단계는 배포입니다. TF.js 모델을 실행하기 위한 기본적이고 권장되는 첫 번째 단계는 앞선 사용 코드 예제에서 보여드린 바와 같이 YOLO("./yolo26n_web_model") 메서드를 사용하는 것입니다.

그러나 TF.js 모델 배포에 대한 자세한 지침은 다음 리소스를 참조하십시오:

• Chrome 확장 프로그램: TF.js 모델을 Chrome 확장 프로그램으로 배포하는 방법에 대한 개발자 문서입니다.

• Node.js에서 TensorFlow.js 실행하기: TensorFlow.js를 Node.js에서 직접 실행하는 방법에 대한 TensorFlow 블로그 게시물입니다.

• TensorFlow.js 배포 - 클라우드 플랫폼의 Node 프로젝트: 클라우드 플랫폼에 TensorFlow.js 모델을 배포하는 방법에 대한 TensorFlow 블로그 게시물입니다.

요약

이 가이드에서는 Ultralytics YOLO26 모델을 TensorFlow.js 형식으로 내보내는 방법을 배웠습니다. TF.js로 내보냄으로써 다양한 플랫폼에서 YOLO26 모델을 최적화하고 배포하며 확장할 수 있는 유연성을 얻게 됩니다.

사용에 대한 자세한 내용은 TensorFlow.js 공식 문서를 방문하십시오.

Ultralytics YOLO26을 다른 플랫폼 및 프레임워크와 통합하는 방법에 대한 자세한 내용은 통합 가이드 페이지를 확인하는 것을 잊지 마십시오. 프로젝트에서 YOLO26을 최대한 활용하는 데 도움이 되는 훌륭한 리소스가 가득합니다.

FAQ

Ultralytics YOLO26 모델을 TensorFlow.js 형식으로 내보내려면 어떻게 해야 하나요?

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

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")

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

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

왜 YOLO26 모델을 TensorFlow.js로 내보내야 하나요?

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

1. 로컬 실행: 모델을 브라우저나 Node.js에서 직접 실행할 수 있어 지연 시간이 줄어들고 사용자 경험이 향상됩니다.
2. 플랫폼 간 지원: TF.js는 여러 환경을 지원하므로 배포 시 유연성을 제공합니다.
3. 오프라인 기능: 인터넷 연결 없이도 애플리케이션이 작동하게 하여 신뢰성과 개인정보 보호를 보장합니다.
4. GPU 가속: GPU 가속을 위해 WebGL을 활용하여 리소스가 제한된 장치에서도 성능을 최적화합니다.

포괄적인 개요는 TensorFlow.js와의 통합을 참조하십시오.

TensorFlow.js가 브라우저 기반 머신러닝 애플리케이션에 어떤 이점을 제공하나요?

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

• 지연 시간 감소: 머신러닝 모델을 로컬에서 실행하여 서버 측 연산에 의존하지 않고 즉각적인 결과를 제공합니다.
• 개인정보 보호 강화: 민감한 데이터를 사용자의 장치에 유지하여 보안 위험을 최소화합니다.
• 오프라인 사용 가능: 모델이 인터넷 연결 없이 작동할 수 있어 일관된 기능을 보장합니다.
• 다중 백엔드 지원: 다양한 연산 요구에 맞춰 CPU, WebGL, WebAssembly(WASM), WebGPU와 같은 백엔드를 유연하게 선택할 수 있습니다.

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

YOLO26 모델 배포를 위한 TensorFlow.js의 주요 기능은 무엇인가요?

TensorFlow.js의 주요 기능은 다음과 같습니다:

• 플랫폼 간 지원: TF.js는 웹 브라우저와 Node.js 모두에서 사용할 수 있어 광범위한 배포 유연성을 제공합니다.
• 다중 백엔드: CPU, GPU 가속을 위한 WebGL, 고급 연산을 위한 WebAssembly(WASM) 및 WebGPU를 지원합니다.
• 오프라인 기능: 모델을 인터넷 연결 없이 브라우저에서 직접 실행할 수 있어 반응형 웹 애플리케이션 개발에 이상적입니다.

배포 시나리오 및 더 자세한 정보는 TensorFlow.js를 활용한 배포 옵션 섹션을 참조하십시오.

TensorFlow.js를 사용하여 서버 측 Node.js 애플리케이션에 YOLO26 모델을 배포할 수 있나요?

네, TensorFlow.js를 사용하면 Node.js 환경에 YOLO26 모델을 배포할 수 있습니다. 이를 통해 서버의 처리 능력과 서버 측 데이터 액세스를 활용하는 서버 측 머신러닝 애플리케이션을 구현할 수 있습니다. 일반적인 사용 사례로는 백엔드 서버에서의 실시간 데이터 처리 및 머신러닝 파이프라인이 있습니다.

Node.js 배포를 시작하려면 TensorFlow에서 제공하는 Node.js에서 TensorFlow.js 실행하기 가이드를 참조하십시오.