Link to this sectionComo exportar para TF GraphDef a partir do YOLO26 para implementação#

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

Neste guia, vamos orientá-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 implementação e usar as capacidades de visão computacional do YOLO26 em uma gama mais ampla de aplicações e plataformas.

Link to this sectionPor que você deveria exportar para TF GraphDef?#

TF GraphDef é um componente poderoso do ecossistema TensorFlow desenvolvido pela Google. Ele pode ser usado para otimizar e implementar modelos como o YOLO26. Exportar para TF GraphDef permite mover modelos da pesquisa para aplicações no mundo real. Ele permite que os modelos funcionem em ambientes sem o framework TensorFlow completo.

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

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

Link to this sectionPrincipais recursos dos modelos TF GraphDef#

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

Aqui está uma visão de suas principais características:

• Serialização de modelo: O TF GraphDef oferece 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 a base de código Python original, facilitando a implementação.

• Otimização de grafo: O TF GraphDef permite a otimização de grafos computacionais. Essas otimizações podem aumentar o desempenho otimizando o fluxo de execução, reduzindo redundâncias e adaptando operações para atender a hardwares específicos.

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

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

Link to this sectionOpções 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 implementação onde este formato é usado.

Veja como você pode implementar com TF GraphDef eficientemente em várias plataformas.

• TensorFlow Serving: Este framework foi projetado para implementar modelos TensorFlow em ambientes de produção. O TensorFlow Serving oferece gerenciamento de modelo, controle de versão e a infraestrutura para servir modelos de forma eficiente em escala. É uma maneira perfeita de integrar seus modelos baseados em GraphDef em serviços web ou APIs de produção.

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

• Navegadores web: O TensorFlow.js permite a implementação de modelos TF GraphDef diretamente dentro de navegadores web. Ele abre caminho para aplicações de detecção de objetos em tempo real executadas no lado do cliente, usando as capacidades do YOLO26 através de JavaScript.

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

Link to this sectionExportando 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 todas as plataformas.

Link to this sectionInstalação#

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, confere o nosso guia de instalação Ultralytics. Ao instalar os pacotes necessários para o YOLO26, se encontrares dificuldades, consulta o nosso guia de problemas comuns para soluções e dicas.

Link to this sectionUso#

Todos os modelos Ultralytics YOLO26 são projetados para suportar exportação pronta para uso, tornando fácil integrá-los ao seu fluxo de trabalho de implantação preferido. Você pode ver a lista completa de formatos de exportação suportados e opções de configuração para escolher a melhor configuração para sua aplicação.

O formato TF GraphDef suporta os modos Export, Predict e Validate. Exporte seu modelo e, em seguida, carregue o modelo exportado para executar a inferência ou validar sua precisão.

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionArgumentos de Exportação#

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

Link to this sectionImplementando modelos YOLO26 TF GraphDef exportados#

Depois de exportar seu modelo YOLO26 para o formato TF GraphDef, o próximo passo é a implementação. 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, dê uma olhada nos seguintes recursos:

• TensorFlow Serving: Um guia sobre o TensorFlow Serving que ensina como implementar e servir modelos de aprendizado de máquina de forma eficiente em ambientes de produção.

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

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

Link to this sectionResumo#

Neste guia, exploramos como exportar modelos Ultralytics YOLO26 para o formato TF GraphDef. Ao fazer isso, você pode implementar com flexibilidade seus modelos YOLO26 otimizados em diferentes ambientes.

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

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

Link to this sectionFAQ#

Link to this sectionComo faço para exportar um modelo YOLO26 para o formato TF GraphDef?#

Os modelos Ultralytics YOLO26 podem ser exportados para o formato TensorFlow GraphDef (TF GraphDef) sem complicações. Este formato fornece uma representação serializada e independente de plataforma do modelo, ideal para implementação em ambientes variados, como dispositivos móveis e web. Para exportar um modelo YOLO26 para TF GraphDef, siga estes passos:

from ultralytics import YOLO

# Load a 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")

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

Link to this sectionQuais são os benefícios de usar TF GraphDef para a implementação de modelos YOLO26?#

Exportar 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 dispositivos móveis e navegadores web.
2. Otimizações: O formato permite várias otimizações, como dobra de constantes, quantização e transformações de grafo, que aumentam 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.

Link to this sectionPor 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 principais incluem:

1. Desempenho de ponta: O YOLO26 oferece velocidade excepcional e precisão para detecção de objetos, segmentação de instâncias, segmentação semântica e classificação em tempo real.
2. Facilidade de uso: Possui uma API amigável para treinamento, validação, predição e exportação de modelos, tornando-o acessível tanto para iniciantes quanto para especialistas.
3. Ampla compatibilidade: Suporta vários formatos de exportação, incluindo ONNX, TensorRT, CoreML e TensorFlow, para opções de implementação versáteis.

Explore mais detalhes em nossa introdução ao YOLO26.

Link to this sectionComo posso implementar um modelo YOLO26 em hardware especializado usando TF GraphDef?#

Uma vez que um modelo YOLO26 é exportado para o formato TF GraphDef, você pode implementá-lo em várias plataformas de hardware especializado. Cenários típicos de implementação incluem:

• TensorFlow Serving: Use o TensorFlow Serving para implementação escalável de modelos em ambientes de produção. Ele suporta gerenciamento de modelo e serviço eficiente.
• Dispositivos móveis: Converta modelos TF GraphDef para TensorFlow Lite, otimizados para dispositivos móveis e embarcados, permitindo inferência no dispositivo.
• Navegadores web: Implemente 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 opções de implementação para obter informações detalhadas.

Link to this sectionOnde posso encontrar soluções para problemas comuns ao exportar modelos YOLO26?#

Para solução de problemas comuns com a exportação de modelos YOLO26, a Ultralytics fornece guias e recursos abrangentes. Se você 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.

Esses recursos devem ajudá-lo a resolver a maioria dos problemas relacionados à exportação e implementação de modelos YOLO26.