Como Exportar para TF GraphDef do YOLO26 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. Usando o formato de modelo TF GraphDef, você pode implantar seu modelo YOLO26 em ambientes onde o ecossistema completo do TensorFlow pode não estar disponível, como dispositivos móveis ou hardware especializado.

Neste guia, vamos guiá-lo passo a passo sobre como exportar seus modelos Ultralytics YOLO26 para o formato de modelo TF GraphDef. Ao converter seu modelo, você pode otimizar a implantação e usar os recursos de visão computacional do YOLO26 em uma gama mais ampla de aplicativos e plataformas.

Por que você deve exportar para TF GraphDef?

TF GraphDef é um componente poderoso do ecossistema TensorFlow que foi desenvolvido pelo Google. Ele pode ser usado para otimizar e implantar modelos como o YOLO26. A exportação para TF GraphDef permite que você mova modelos da pesquisa para aplicações do mundo real. Ele permite que os modelos sejam executados em ambientes sem o framework completo do TensorFlow.

O formato GraphDef representa o modelo como um grafo de computação serializado. Isso permite várias técnicas de otimização, como folding constante, quantização e transformações de grafo. Essas otimizações garantem execução eficiente, uso reduzido de memória e velocidades de inferência mais rápidas.

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

Principais Características dos Modelos TF GraphDef

TF GraphDef oferece recursos distintos para otimizar a implantação de modelos e a otimização.

Aqui está uma olhada em suas principais características:

• Serialização de Modelo: O TF GraphDef fornece uma maneira de serializar e armazenar modelos TensorFlow em um formato independente de plataforma. Essa representação serializada permite que você carregue e execute seus modelos sem o código-fonte original em python, facilitando a implantação.

• Otimização de Grafos: TF GraphDef permite a otimização de grafos computacionais. Essas otimizações podem aumentar o desempenho, simplificando o fluxo de execução, reduzindo redundâncias e adaptando as operações para se adequarem ao 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 de seus modelos TensorFlow.

• Foco na Produção: GraphDef foi projetado para implementação em produção. Ele oferece suporte à execução eficiente, recursos de serialização e otimizações que se alinham com casos de uso do mundo real.

Opções de Implementação com TF GraphDef

Antes de mergulharmos no processo de exportação de modelos YOLO26 para TF GraphDef, vamos dar uma olhada em algumas situações típicas de implantação onde este formato é usado.

Veja como você pode implementar com TF GraphDef de forma eficiente em várias plataformas.

• TensorFlow Serving: Esta estrutura foi projetada para implantar modelos TensorFlow em ambientes de produção. O TensorFlow Serving oferece gerenciamento de modelos, versionamento e a infraestrutura para fornecimento eficiente de modelos em escala. É uma maneira perfeita de integrar seus modelos baseados em GraphDef em serviços ou APIs da web de produção.

• Dispositivos Móveis e Embutidos: Com ferramentas como TensorFlow Lite, você pode converter modelos TF GraphDef em formatos otimizados para smartphones, tablets e vários dispositivos embutidos. Seus modelos podem então ser usados para inferência no dispositivo, onde a execução é feita localmente, muitas vezes proporcionando ganhos de desempenho e capacidades offline.

• Navegadores Web:TensorFlow.js permite a implantação de modelos TF GraphDef diretamente em navegadores web. Isso abre caminho para aplicativos de detecção de objetos em tempo real executados no lado do cliente, usando as capacidades do YOLO26 via JavaScript.

• Hardware Especializado: A natureza independente de plataforma do TF GraphDef permite que ele tenha como alvo hardware personalizado, como aceleradores e TPUs (Unidades de Processamento de Tensor). Esses dispositivos podem fornecer vantagens de desempenho para modelos computacionalmente intensivos.

Exportando Modelos YOLO26 para TF GraphDef

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

Instalação

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para instruções detalhadas e melhores práticas relacionadas ao processo de instalação, confira nosso guia de Instalação do Ultralytics. Ao instalar os pacotes necessários para o YOLO26, se você encontrar alguma dificuldade, consulte nosso guia de Problemas Comuns para soluções e dicas.

Utilização

Todos os modelos Ultralytics YOLO26 são projetados para suportar a exportação pronta para uso, facilitando a integração deles em seu fluxo de trabalho de deploy preferido. Você pode visualizar a lista completa de formatos de exportação e opções de configuração suportados para escolher a melhor configuração para sua aplicação.

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

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

# Export a YOLO26n PyTorch model to TF GraphDef format
yolo export model=yolo26n.pt format=pb # creates 'yolo26n.pb'

# Run inference with the exported model
yolo predict model='yolo26n.pb' source='https://ultralytics.com/images/bus.jpg'

Argumentos de Exportação

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

Implantando Modelos YOLO26 TF GraphDef Exportados

Uma vez que você exportou seu modelo YOLO26 para o formato TF GraphDef, o próximo passo é a implantação. O primeiro passo principal e recomendado para executar um modelo TF GraphDef é usar o método YOLO("model.pb"), conforme mostrado anteriormente no trecho de código de uso.

No entanto, para obter mais informações sobre como implementar seus modelos TF GraphDef, consulte os seguintes recursos:

• TensorFlow Serving: Um guia sobre TensorFlow Serving que ensina como implantar e servir modelos de machine learning de forma eficiente em ambientes de produção.

• TensorFlow Lite: Esta página descreve como converter modelos de machine learning em um formato otimizado para inferência no dispositivo com TensorFlow Lite.

• TensorFlow.js: Um guia sobre conversão de modelos que ensina como converter modelos TensorFlow ou Keras em formato TensorFlow.js para uso em aplicações web.

Resumo

Neste guia, exploramos como exportar modelos Ultralytics YOLO26 para o formato TF GraphDef. Ao fazer isso, você pode implantar seus modelos YOLO26 otimizados de forma flexível em diferentes ambientes.

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

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

FAQ

Como exporto um modelo YOLO26 para o formato TF GraphDef?

Os modelos Ultralytics YOLO26 podem ser exportados para o formato TensorFlow GraphDef (TF GraphDef) de forma integrada. Este formato oferece uma representação serializada e independente de plataforma do modelo, ideal para implantação em ambientes variados, como mobile e web. Para exportar um modelo YOLO26 para TF GraphDef, siga estes passos:

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

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

# Export a YOLO26n PyTorch model to TF GraphDef format
yolo export model="yolo26n.pt" format="pb" # creates 'yolo26n.pb'

# Run inference with the exported model
yolo predict model="yolo26n.pb" source="https://ultralytics.com/images/bus.jpg"

Para obter mais informações sobre diferentes opções de exportação, visite a documentação Ultralytics sobre exportação de modelos.

Quais são os benefícios de usar TF GraphDef para a implantação de modelos YOLO26?

A exportação de modelos YOLO26 para o formato TF GraphDef oferece múltiplas vantagens, incluindo:

1. Independência de Plataforma: O TF GraphDef fornece um formato independente de plataforma, permitindo que os modelos sejam implementados em vários ambientes, incluindo navegadores móveis e da web.
2. Otimizações: O formato permite várias otimizações, como constant folding, quantização e transformações de grafo, que melhoram a eficiência da execução e reduzem o uso de memória.
3. Aceleração de Hardware: Modelos no formato TF GraphDef podem aproveitar aceleradores de hardware como GPUs, TPUs e chips de IA para ganhos de desempenho.

Leia mais sobre os benefícios na seção TF GraphDef da nossa documentação.

Por que devo usar o Ultralytics YOLO26 em vez de outros modelos de detecção de objetos?

O Ultralytics YOLO26 oferece inúmeras vantagens em comparação com outros modelos como YOLOv5 e YOLOv7. Alguns benefícios chave incluem:

1. Desempenho de Ponta: O YOLO26 oferece velocidade e precisão excecionais para detecção de objetos, segmentação e classificação em tempo real.
2. Facilidade de Uso: Apresenta uma API amigável para treinamento, validação, previsão e exportação de modelos, tornando-o acessível tanto para iniciantes quanto para especialistas.
3. Ampla Compatibilidade: Suporta múltiplos formatos de exportação, incluindo ONNX, TensorRT, CoreML e TensorFlow, para opções de implementação versáteis.

Explore mais detalhes na nossa introdução ao YOLO26.

Como posso implantar um modelo YOLO26 em hardware especializado usando TF GraphDef?

Uma vez que um modelo YOLO26 é exportado para o formato TF GraphDef, pode ser implantado em várias plataformas de hardware especializadas. Cenários de implantação típicos incluem:

• TensorFlow Serving: Use o TensorFlow Serving para implantação de modelo escalável em ambientes de produção. Ele oferece suporte ao gerenciamento de modelos e ao fornecimento eficiente.
• Dispositivos Móveis: Converta modelos TF GraphDef para TensorFlow Lite, otimizados para dispositivos móveis e embarcados, permitindo a inferência no dispositivo.
• Navegadores Web: Implante modelos usando TensorFlow.js para inferência no lado do cliente em aplicações web.
• Aceleradores de IA: Aproveite TPUs e chips de IA personalizados para inferência acelerada.

Verifique a seção de opções de implantação para obter informações detalhadas.

Onde posso encontrar soluções para problemas comuns ao exportar modelos YOLO26?

Para solucionar problemas comuns na exportação de modelos YOLO26, a Ultralytics oferece guias e recursos abrangentes. Se encontrar problemas durante a instalação ou exportação do modelo, consulte:

• Guia de Problemas Comuns: Oferece soluções para problemas enfrentados frequentemente.
• Guia de Instalação: Instruções passo a passo para configurar os pacotes necessários.

Estes recursos devem ajudá-lo a resolver a maioria dos problemas relacionados com a exportação e implantação de modelos YOLO26.

📅 Criado há 1 ano ✏️ Atualizado há 4 dias

Comentários