Como exportar para TF GraphDef a partir de YOLO11 para implantação

Quando está a implementar modelos de visão computacional de ponta, como YOLO11, em diferentes ambientes, pode deparar-se com problemas de compatibilidade. Google's TensorFlow GraphDef ou TF GraphDef , oferece uma solução ao fornecer uma representação serializada e independente de plataforma do seu modelo. Utilizando o formato de modelo TF GraphDef , pode implementar o seu modelo YOLO11 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 Ultralytics YOLO11 modelos para o formato de modelo TF GraphDef . Ao converter o modelo, pode simplificar a implementação e utilizar as capacidades de visão por computador do YOLO11 numa gama mais vasta de aplicações e plataformas.

Porque é que deve exportar para TF GraphDef ?

TF GraphDef é um componente poderoso do ecossistema TensorFlow que foi desenvolvido por Google. Pode ser utilizado para otimizar e implementar modelos como YOLO11. A exportação para TF GraphDef permite-nos passar os modelos da investigação para aplicações do mundo real. Permite que os modelos sejam executados em ambientes sem a estrutura completa do TensorFlow .

O formato GraphDef representa o modelo como um gráfico de computação serializado. Isto permite várias técnicas de otimização, como a dobragem de constantes, a quantização e as transformações de gráficos. Estas optimizações garantem uma execução eficiente, uma utilização reduzida da memória e velocidades de inferência mais rápidas.

GraphDef podem utilizar aceleradores de hardware, tais como GPUs, TPUs e chips de IA, desbloqueando ganhos de desempenho significativos para o pipeline de inferência YOLO11 . O formato TF GraphDef cria um pacote autónomo com o modelo e as suas dependências, simplificando a implementação e a integração em diversos sistemas.

Principais caraterísticas dos modelos TF GraphDef

TF GraphDef oferece caraterísticas distintas para simplificar a implementação e otimização de modelos.

Eis um resumo das suas principais caraterísticas:

• Serialização de modelos: TF GraphDef fornece uma maneira de serializar e armazenar modelos TensorFlow em um formato independente de plataforma. Esta representação serializada permite-lhe carregar e executar os seus modelos sem a base de código Python original, facilitando a implementação.

• Otimização de gráficos: TF GraphDef permite a otimização de gráficos computacionais. Estas optimizações podem aumentar o desempenho, simplificando o fluxo de execução, reduzindo redundâncias e adaptando as operações a hardware específico.

• Flexibilidade de implantação: Os modelos exportados para o formato GraphDef podem ser utilizados em vários ambientes, incluindo dispositivos com recursos limitados, navegadores Web e sistemas com hardware especializado. Isto abre possibilidades para uma implementação mais alargada dos seus modelos TensorFlow .

• Foco na produção: GraphDef foi projetado para implantação de produção. Suporta uma execução eficiente, funcionalidades de serialização e optimizações que se alinham com casos de utilização do mundo real.

Opções de implantação com TF GraphDef

Antes de nos debruçarmos sobre o processo de exportação dos modelos YOLO11 para TF GraphDef , vejamos algumas situações típicas de implementação em que este formato é utilizado.

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

• TensorFlow Servir: Esta estrutura foi concebida para implementar modelos TensorFlow em ambientes de produção. TensorFlow O Serving oferece gerenciamento de modelos, controle de versão e a infraestrutura para o fornecimento eficiente de modelos em escala. É uma maneira perfeita de integrar seus modelos baseados em GraphDef em serviços Web ou APIs de produção.

• Dispositivos móveis e incorporados: Com ferramentas como TensorFlow Lite, é possível converter modelos TF GraphDef em formatos optimizados para smartphones, tablets e vários dispositivos incorporados. Os seus modelos podem então ser utilizados para inferência no dispositivo, onde a execução é feita localmente, proporcionando frequentemente ganhos de desempenho e capacidades offline.

• Browsers Web: TensorFlow.js permite a implementação de modelos TF GraphDef diretamente nos browsers Web. Abre caminho para aplicações de deteção de objectos em tempo real executadas no lado do cliente, utilizando as capacidades do YOLO11 através do JavaScript.

• Hardware especializado: TF A natureza agnóstica da plataforma doGraphDef permite-lhe direcionar-se para hardware personalizado, como aceleradores e TPUs (Tensor Processing Units). Estes dispositivos podem proporcionar vantagens de desempenho para modelos computacionalmente intensivos.

Exportação de modelos YOLO11 para TF GraphDef

Pode converter o seu modelo de deteção de objectos YOLO11 para o formato TF GraphDef , que é compatível com vários sistemas, para melhorar o seu desempenho em várias plataformas.

Instalação

Para instalar o pacote necessário, execute:

# Install the required package for YOLO11
pip install ultralytics

Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulte o nosso guia de instalaçãoUltralytics . Ao instalar os pacotes necessários para YOLO11, se encontrar alguma dificuldade, consulte o nosso guia de Problemas comuns para obter soluções e dicas.

Utilização

Antes de se debruçar sobre as instruções de utilização, é importante notar que, embora todos os modelos deUltralytics YOLO11 estejam disponíveis para exportação, pode certificar-se de que o modelo selecionado suporta a funcionalidade de exportação aqui.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

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

# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model=yolo11n.pt format=pb  # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model='yolo11n.pb' source='https://ultralytics.com/images/bus.jpg'

Para obter mais detalhes sobre as opções de exportação suportadas, visite a página de documentaçãoUltralytics sobre opções de implantação.

Implantação de modelos exportados YOLO11 TF GraphDef

Depois de exportar o modelo YOLO11 para o formato TF GraphDef , a próxima etapa é a implantação. A primeira etapa principal e recomendada 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 obter mais informações sobre a implementação dos seus modelos TF GraphDef , consulte os seguintes recursos:

• TensorFlow Serviço: Um guia sobre TensorFlow Serving que ensina como implementar e servir modelos de aprendizagem automática de forma eficiente em ambientes de produção.

• TensorFlow Lite: Esta página descreve como converter modelos de aprendizagem automática num formato optimizado para inferência no dispositivo com TensorFlow Lite.

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

Resumo

Neste guia, exploramos como exportar modelos Ultralytics YOLO11 para o formato TF GraphDef . Ao fazer isso, você pode implantar com flexibilidade seus modelos otimizados YOLO11 em diferentes ambientes.

Para mais informações sobre a utilização, visite a documentação oficialTF GraphDef .

Para obter mais informações sobre a integração do Ultralytics YOLO11 com outras plataformas e estruturas, não se esqueça de conferir nossa página de guia de integração. Ela tem ótimos recursos e insights para ajudá-lo a aproveitar ao máximo o YOLO11 em seus projetos.

FAQ

Como é que exporto um modelo YOLO11 para o formato TF GraphDef ?

Ultralytics YOLO11 Os modelos podem ser exportados para o formato TensorFlow GraphDef (TF GraphDef ) sem problemas. Esse formato fornece uma representação serializada e independente de plataforma do modelo, ideal para implantação em ambientes variados, como móvel e Web. Para exportar um modelo YOLO11 para TF GraphDef , siga estas etapas:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

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

# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model="yolo11n.pt" format="pb"  # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model="yolo11n.pb" source="https://ultralytics.com/images/bus.jpg"

Para mais informações sobre as diferentes opções de exportação, consulte a documentaçãoUltralytics sobre exportação de modelos.

Quais são as vantagens de utilizar TF GraphDef para a implementação do modelo YOLO11 ?

A exportação de modelos YOLO11 para o formato TF GraphDef oferece várias vantagens, incluindo:

1. Independência da plataforma: TF GraphDef fornece um formato independente da plataforma, permitindo que os modelos sejam implantados em vários ambientes, incluindo navegadores móveis e da Web.
2. Optimizações: O formato permite várias optimizações, como a dobragem de constantes, a quantização e as transformações de gráficos, que melhoram a eficiência da execução e reduzem a utilização de memória.
3. Aceleração de hardware: Os modelos no formato TF GraphDef podem aproveitar aceleradores de hardware como GPUs, TPUs e chips de IA para obter ganhos de desempenho.

Leia mais sobre as vantagens na secçãoTF GraphDef da nossa documentação.

Por que razão devo utilizar Ultralytics YOLO11 em vez de outros modelos de deteção de objectos?

Ultralytics YOLO11 oferece inúmeras vantagens em comparação com outros modelos como YOLOv5 e YOLOv7. Alguns dos principais benefícios incluem:

1. Desempenho topo de gama: YOLO11 proporciona uma velocidade e precisão excepcionais para a deteção, segmentação e classificação de objectos em tempo real.
2. Facilidade de utilização: Apresenta uma API de fácil utilização para formação, validação, previsão e exportação de modelos, tornando-a acessível tanto para principiantes como para especialistas.
3. Ampla compatibilidade: Suporta vários formatos de exportação, incluindo ONNX, TensorRT, CoreML, e TensorFlow, para opções de implementação versáteis.

Explore mais pormenores na nossa introdução a YOLO11.

Como posso implementar um modelo YOLO11 num hardware especializado utilizando TF GraphDef ?

Quando um modelo YOLO11 é exportado para o formato TF GraphDef , pode ser implementado em várias plataformas de hardware especializadas. Os cenários típicos de implantação incluem:

• TensorFlow Servindo: Utilize TensorFlow Serving para a implementação de modelos escaláveis em ambientes de produção. Ele suporta o gerenciamento de modelos e a veiculação eficiente.
• Dispositivos móveis: Converta os modelos TF GraphDef para TensorFlow Lite, optimizados para dispositivos móveis e incorporados, permitindo a inferência no dispositivo.
• Navegadores Web: Implante modelos usando TensorFlow.js para inferência do lado do cliente em aplicativos da Web.
• Aceleradores de IA: Tire partido das TPUs e dos chips de IA personalizados para uma inferência acelerada.

Consulte a secção de opções de implementação para obter informações detalhadas.

Onde posso encontrar soluções para problemas comuns durante a exportação de modelos YOLO11 ?

Para solucionar problemas comuns com a exportação de modelos YOLO11 , Ultralytics fornece guias e recursos abrangentes. Se encontrar problemas durante a instalação ou exportação de modelos, consulte:

• Guia de problemas comuns: Oferece soluções para problemas frequentes.
• 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 implementação do modelo YOLO11 .

📅C riado há 8 meses ✏️ Atualizado há 2 meses

Comentários