Como exportar do YOLO26 para TF GraphDef para implantação#

Ao implantar modelos de visão computacional de ponta, como o YOLO26, em diferentes ambientes, você pode encontrar problemas de compatibilidade. O TensorFlow GraphDef do Google, ou TF GraphDef, oferece uma solução ao fornecer uma representação serializada e independente de plataforma do seu modelo. Com o formato de modelo TF GraphDef, você pode implantar seu modelo YOLO26 em ambientes nos quais o ecossistema completo do TensorFlow talvez não esteja disponível, como dispositivos móveis ou hardware especializado.

Neste guia, vamos mostrar passo a passo como exportar seus modelos Ultralytics YOLO26 para o formato de modelo TF GraphDef. Ao converter seu modelo, você pode simplificar a implantação e usar os recursos de visão computacional do YOLO26 em uma variedade maior de aplicações e plataformas.

Por que exportar para TF GraphDef?#

O TF GraphDef é um componente avançado do ecossistema TensorFlow, desenvolvido pelo Google. Ele pode ser usado para otimizar e implantar modelos como o YOLO26. Exportar para TF GraphDef permite levar modelos da pesquisa para aplicações reais. Isso permite executar modelos em ambientes sem o framework TensorFlow completo.

O formato GraphDef representa o modelo como um grafo de computação serializado. Isso permite várias técnicas de otimização, como propagação de constantes, quantização e transformações de grafo. Essas otimizações garantem uma execução eficiente, menor uso de memória e inferência mais rápida.

Os modelos GraphDef podem usar aceleradores de hardware, como GPUs, TPUs e chips de IA, liberando ganhos significativos de desempenho para o pipeline de inferência do YOLO26. O formato TF GraphDef cria um pacote independente com o modelo e suas dependências, simplificando a implantação e a integração em diversos sistemas.

Principais recursos dos modelos TF GraphDef#

O TF GraphDef oferece recursos específicos para simplificar a implantação de modelos e a otimização.

Veja a seguir suas principais características:

• Serialização de modelos: o TF GraphDef oferece uma maneira de serializar e armazenar modelos TensorFlow em um formato independente de plataforma. Essa representação serializada permite carregar e executar seus modelos sem a base de código Python original, facilitando a implantação.

• Otimização de grafos: o TF GraphDef permite otimizar grafos computacionais. Essas otimizações podem melhorar o desempenho ao simplificar o fluxo de execução, reduzir redundâncias e adaptar as operações para um hardware específico.

• Flexibilidade de implantação: os modelos exportados para o formato GraphDef podem ser usados em vários ambientes, incluindo dispositivos com recursos limitados, navegadores da web e sistemas com hardware especializado. Isso abre possibilidades para uma implantação mais ampla dos seus modelos TensorFlow.

• Foco em produção: o GraphDef foi projetado para implantação em produção. Ele oferece suporte à execução eficiente, a recursos de serialização e a otimizações alinhadas a casos de uso reais.

Opções de implantação com TF GraphDef#

Antes de entrarmos no processo de exportação de modelos YOLO26 para TF GraphDef, vamos ver algumas situações típicas de implantação nas quais esse formato é usado.

Veja como implantar com TF GraphDef de forma eficiente em várias plataformas.

• TensorFlow Serving: esse framework foi projetado para implantar modelos TensorFlow em ambientes de produção. O TensorFlow Serving oferece gerenciamento e controle de versões de modelos, além da infraestrutura necessária para servi-los com eficiência em grande escala. É uma maneira simples de integrar seus modelos baseados em GraphDef a serviços web ou APIs de produção.

• Dispositivos móveis e embarcados: com ferramentas como o LiteRT, você pode converter modelos TF GraphDef em formatos otimizados para smartphones, tablets e vários dispositivos embarcados. Assim, seus modelos podem ser usados para inferência no dispositivo, executada localmente e que muitas vezes oferece ganhos de desempenho e recursos offline.

• Navegadores da web: o TensorFlow.js permite implantar modelos TF GraphDef diretamente em navegadores da web. Isso abre caminho para aplicações de detecção de objetos em tempo real executadas no lado do cliente, usando os recursos do YOLO26 por meio de JavaScript.

• Hardware especializado: a natureza independente de plataforma do TF GraphDef permite usá-lo com hardware personalizado, como aceleradores e TPUs (unidades de processamento tensorial). Esses dispositivos podem oferecer vantagens de desempenho para modelos com uso intensivo de computação.

Tarefas suportadas#

A exportação para TF GraphDef oferece suporte a seis das sete tarefas da Ultralytics. A segmentação semântica e a estimativa de profundidade estão disponíveis apenas no YOLO26, a única família que inclui essas cabeças. É possível exportar modelos de pose, mas atualmente não há suporte à inferência da Ultralytics com GraphDef para eles.

Exportação de modelos YOLO26 para TF GraphDef#

Você pode converter seu modelo YOLO26 para o formato TF GraphDef, compatível com vários sistemas, para melhorar o desempenho em diferentes plataformas.

Instalação#

Para instalar o pacote necessário, executa:

# Install the required package for YOLO26
pip install ultralytics

Para obter instruções detalhadas e boas práticas relacionadas ao processo de instalação, consulte nosso guia de instalação da Ultralytics. Se tiver dificuldades ao instalar os pacotes necessários para YOLO26, consulte nosso guia de problemas comuns para ver soluções e dicas.

Uso#

Todos os modelos Ultralytics YOLO26 foram concebidos para suportar a exportação de origem, o que facilita a integração no fluxo de trabalho de implementação que preferires. Podes consultar a lista completa de formatos de exportação suportados e opções de configuração para escolheres a melhor configuração para a tua aplicação.

O formato TF GraphDef oferece suporte aos modos Export, Predict e Validate, mas os modelos de pose atualmente oferecem suporte apenas à exportação. Exporte seu modelo e, em seguida, carregue o modelo exportado para executar inferências ou validar sua precisão.

from ultralytics import YOLO

# Carrega um modelo YOLO26
model = YOLO("yolo26n.pt")

# Exporte o modelo para o formato TF GraphDef
model.export(format="pb")  # cria 'yolo26n.pb'

from ultralytics import YOLO

# Carregue o modelo TF GraphDef exportado
model = YOLO("yolo26n.pb")

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

from ultralytics import YOLO

# Carregue o modelo TF GraphDef exportado
model = YOLO("yolo26n.pb")

# Validar a precisão no conjunto de dados COCO8
metrics = model.val(data="coco8.yaml")

Argumentos de exportação#

Para mais detalhes sobre o processo de exportação, visita a página da documentação da Ultralytics sobre exportação.

Implantação de modelos YOLO26 TF GraphDef exportados#

Depois de exportar seu modelo YOLO26 para o formato TF GraphDef, o próximo passo é implantá-lo. O primeiro passo principal e recomendado para executar um modelo TF GraphDef é usar o método YOLO("model.pb"), como mostrado anteriormente no trecho de código de uso.

No entanto, para saber mais sobre como implantar seus modelos TF GraphDef, consulte os recursos a seguir:

• TensorFlow Serving: um guia sobre o TensorFlow Serving que ensina a implantar e servir modelos de aprendizado de máquina com eficiência em ambientes de produção.

• TensorFlow Lite: esta página descreve como converter modelos de aprendizado de máquina para um formato otimizado para inferência no dispositivo com o TensorFlow Lite.

• TensorFlow.js: um guia de conversão de modelos que ensina a converter modelos TensorFlow ou Keras para o formato TensorFlow.js e usá-los em aplicações web.

Resumo#

Neste guia, vimos como exportar modelos Ultralytics YOLO26 para o formato TF GraphDef. Com isso, você pode implantar seus modelos YOLO26 otimizados com flexibilidade em diferentes ambientes.

Para mais detalhes sobre o uso, consulte a documentação oficial do TF GraphDef.

Para saber mais sobre a integração do Ultralytics YOLO26 com outras plataformas e frameworks, consulte nossa página do guia de integração.

Perguntas frequentes#