Começar

Como exportar do YOLO26 para TF GraphDef para implantação

Ao implantar modelos de visão computacional, 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 onde o ecossistema completo do TensorFlow talvez não esteja disponível, como dispositivos móveis ou hardware especializado.

Este guia mostra, passo a passo, como exportar seus modelos Ultralytics YOLO26 para o formato de modelo TF GraphDef. A conversão do modelo simplifica a implantação e permite usar os recursos de visão computacional do YOLO26 em uma gama maior de aplicações e plataformas.

TensorFlow GraphDef model serialization format

Por que exportar para TF GraphDef?#

O TF GraphDef é um componente central 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 do mundo real. Isso permite que os modelos sejam executados em ambientes sem a estrutura completa do TensorFlow.

O formato GraphDef representa o modelo como um grafo computacional serializado. Isso permite várias técnicas de otimização, como a dobra de constantes, a quantização e as transformações de grafos. Essas otimizações podem melhorar a eficiência da execução, reduzir o uso de memória e acelerar a inferência.

Os modelos GraphDef podem usar aceleradores de hardware, como GPUs, TPUs e chips de IA, para acelerar o pipeline de inferência do YOLO26. O formato TF GraphDef cria um pacote independente que inclui 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 exportar modelos YOLO26 para TF GraphDef, veja alguns cenários típicos de implantação em que esse formato é usado.

  • TensorFlow Serving: essa estrutura foi projetada para implantar modelos TensorFlow em ambientes de produção. O TensorFlow Serving oferece gerenciamento de modelos, controle de versões e a infraestrutura necessária para servir modelos com eficiência em escala. Ele fornece uma maneira simples de integrar seus modelos baseados em GraphDef a serviços web ou APIs de produção.

  • Dispositivos móveis e incorporados: com ferramentas como o LiteRT, você pode converter modelos TF GraphDef para formatos otimizados para smartphones, tablets e vários dispositivos incorporados. Assim, seus modelos podem ser usados para inferência no dispositivo, com execução local que muitas vezes oferece maior desempenho e recursos offline. O Ultralytics também pode exportar o YOLO26 diretamente para LiteRT.

  • Navegadores web: o TensorFlow.js permite implantar modelos TF GraphDef diretamente nos navegadores web. Ele oferece suporte a aplicações de detecção de objetos em tempo real executadas no lado do cliente, usando o YOLO26 por meio do 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 TF GraphDef é compatível com todas as sete tarefas do Ultralytics. A segmentação semântica e a estimativa de profundidade estão disponíveis apenas com YOLO26, a única família que inclui essas cabeças.

TarefaYOLOv8YOLO11YOLO26
Detetar✅✅✅
Segmentar✅✅✅
Semântica❌❌✅
Profundidade❌❌✅
Classificar✅✅✅
Pose✅✅✅
OBB✅✅✅

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:

Instalação
# 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.

Suporte à plataforma

A exportação TF GraphDef não é compatível com macOS usando Python 3.13 ou posterior.

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 é compatível com os modos Exportar, Prever e Validar. Exporte o modelo e, em seguida, carregue o modelo exportado para executar inferências ou validar a precisão.

Exportar
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'
Prever
from ultralytics import YOLO

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

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

ArgumentoTipoPadrãoDescrição
formatstr'pb'Formato de destino do modelo exportado, que define a compatibilidade com vários ambientes de implantação.
imgszint ou tuple640Tamanho de imagem desejado para a entrada do modelo. Pode ser um inteiro para imagens quadradas ou uma tupla (height, width) para dimensões específicas.
quantizeint ou strNoneExportação fixa em FP32. O GraphDef não oferece suporte à conversão de precisão FP16, INT8 ou W8A16 durante a exportação.
opsetintNoneOpset do ONNX para o grafo intermediário. Se não for definido, usa 18 (uma versão inferior no PyTorch < 2.4, limitada à versão instalada onnx); o RT-DETR usa 19.
batchint1Especifica o tamanho do lote de inferência do modelo exportado ou o número máximo de imagens que o modelo exportado processará em simultâneo no modo predict.
devicestrNoneEspecifica o dispositivo para a exportação: CPU (device=cpu), MPS para Apple silicon (device=mps).

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, a próxima etapa é a implantação. A primeira etapa recomendada para executar um modelo TF GraphDef é usar o método YOLO("model.pb"), como mostrado anteriormente no trecho de código de uso.

Para saber mais sobre a implantação de modelos TF GraphDef, consulte os seguintes recursos:

  • 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.

Perguntas frequentes#

  • Os modelos Ultralytics YOLO26 podem ser exportados para o formato TensorFlow GraphDef (TF GraphDef). Esse formato fornece uma representação serializada e independente de plataforma do modelo, ideal para implantação em diferentes ambientes, como dispositivos móveis e web. Para exportar um modelo YOLO26 para TF GraphDef, siga estas etapas:

    Uso
    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'
    
    # Carregue o modelo TF GraphDef exportado
    tf_graphdef_model = YOLO("yolo26n.pb")
    
    # Executar inferência
    results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")

    Para saber mais sobre as diferentes opções de exportação, consulte a documentação da Ultralytics sobre exportação de modelos.

  • Exportar modelos YOLO26 para o formato TF GraphDef oferece várias vantagens, incluindo:

    1. Independência de plataforma: o TF GraphDef oferece um formato independente de plataforma, permitindo implantar modelos em vários ambientes, incluindo dispositivos móveis e navegadores da web.
    2. Otimizações: o formato permite várias otimizações, como propagação 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 obter ganhos de desempenho.

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

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

    1. Desempenho de ponta: o YOLO26 oferece alta velocidade e precisão para detecção de objetos, segmentação de instâncias, segmentação semântica e classificação em tempo real.
    2. Fácil de usar: oferece uma API intuitiva para treinamento, validação, predição e exportação de modelos, tornando-o acessível tanto para iniciantes quanto para especialistas.
    3. Ampla compatibilidade: oferece suporte a vários formatos de exportação, incluindo ONNX, TensorRT, CoreML e TensorFlow, para opções versáteis de implantação.

    Confira mais detalhes na nossa introdução ao YOLO26.

  • Depois de exportar um modelo YOLO26 para o formato TF GraphDef, você pode implantá-lo em várias plataformas de hardware especializado. Os cenários típicos de implantação incluem:

    • TensorFlow Serving: use o TensorFlow Serving para implantar modelos de forma escalável em ambientes de produção. Ele oferece suporte ao gerenciamento de modelos e à disponibilização eficiente.
    • Dispositivos móveis: converta modelos TF GraphDef para TensorFlow Lite, otimizado para dispositivos móveis e embarcados, permitindo a inferência no dispositivo.
    • Navegadores da web: implante modelos usando TensorFlow.js para inferência no lado do cliente em aplicações web.
    • Aceleradores de IA: use TPUs e chips de IA personalizados para acelerar a inferência.

    Consulte a seção opções de implantação para obter informações detalhadas.

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

    Esses recursos devem ajudar você a resolver a maioria dos problemas relacionados à exportação e à implantação de modelos YOLO26.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.