Entenda como exportar do YOLO26 para o formato TF SavedModel
Implantar modelos de aprendizado de máquina pode ser um desafio. No entanto, um formato de modelo eficiente e flexível pode facilitar seu trabalho. O TF SavedModel é o formato de serialização padrão do TensorFlow para salvar e carregar modelos de aprendizado de máquina de maneira consistente. Ele empacota um modelo TensorFlow para que possa ser transferido e usado em diferentes dispositivos e sistemas.
Exportar modelos Ultralytics YOLO26 para TF SavedModel pode ajudar você a implantá-los em diferentes plataformas e ambientes. Este guia mostra como converter seus modelos para o formato TF SavedModel, simplificando a inferência em diferentes dispositivos.
Por que exportar para TF SavedModel?#
O formato TensorFlow SavedModel faz parte do ecossistema TensorFlow desenvolvido pelo Google, como mostrado abaixo. Ele foi projetado para salvar e serializar modelos TensorFlow. Ele encapsula todos os detalhes dos modelos, como a arquitetura, os pesos e até as informações de compilação. Isso facilita o compartilhamento, a implantação e a continuação do treinamento em diferentes ambientes.
O TF SavedModel tem uma vantagem importante: a compatibilidade. Ele funciona bem com o TensorFlow Serving, o LiteRT (anteriormente TensorFlow Lite) e o TensorFlow.js. Essa compatibilidade facilita o compartilhamento e a implantação de modelos em várias plataformas, incluindo aplicações web e móveis. O formato TF SavedModel é útil tanto em pesquisa quanto em produção. Ele oferece uma maneira unificada de gerenciar seus modelos em diferentes aplicações.
Principais recursos do TF SavedModel#
Veja os principais recursos que fazem do TF SavedModel uma opção sólida para desenvolvedores de IA:
-
Portabilidade: o TF SavedModel oferece um formato de serialização independente de linguagem, recuperável e hermético. Ele permite que sistemas e ferramentas de nível mais alto produzam, consumam e transformem modelos TensorFlow. É fácil compartilhar e implantar SavedModels em diferentes plataformas e ambientes.
-
Facilidade de implantação: o TF SavedModel reúne o grafo computacional, os parâmetros treinados e os metadados necessários em um único pacote. É fácil carregar e usar os modelos para inferência sem precisar do código original usado para criá-los. Isso torna a implantação de modelos TensorFlow simples e eficiente em diversos ambientes de produção.
-
Gerenciamento de recursos: o TF SavedModel oferece suporte à inclusão de recursos externos, como vocabulários, embeddings ou tabelas de consulta. Esses recursos são armazenados junto com a definição do grafo e as variáveis, garantindo sua disponibilidade quando o modelo é carregado. Esse recurso simplifica o gerenciamento e a distribuição de modelos que dependem de recursos externos.
Opções de implantação com TF SavedModel#
Antes de exportar modelos YOLO26 para o formato TF SavedModel, veja alguns cenários típicos de implantação em que esse formato é usado.
O TF SavedModel oferece várias opções para implantar seus modelos de aprendizado de máquina:
-
TensorFlow Serving: o TensorFlow Serving é um sistema flexível e de alto desempenho para servir modelos, projetado para ambientes de produção. Ele oferece suporte nativo a TF SavedModels, facilitando a implantação e a disponibilização de modelos em plataformas de nuvem, servidores locais ou dispositivos de borda, como a Raspberry Pi.
-
Plataformas de nuvem: grandes provedores de nuvem, como Google Cloud Platform (GCP), Amazon Web Services (AWS) e Microsoft Azure, oferecem serviços para implantar e executar modelos TensorFlow, incluindo TF SavedModels. Esses serviços fornecem uma infraestrutura gerenciada e escalável, permitindo implantar e dimensionar seus modelos com facilidade.
-
Dispositivos móveis e embarcados: o LiteRT (anteriormente TensorFlow Lite), uma solução leve para executar modelos de aprendizado de máquina em dispositivos móveis, embarcados e de IoT, oferece suporte à conversão de TF SavedModels para o formato LiteRT. Isso permite implantar seus modelos em uma ampla variedade de dispositivos, de smartphones e tablets a microcontroladores e dispositivos de borda.
-
TensorFlow Runtime: o TensorFlow Runtime (
tfrt) é um ambiente de execução de alto desempenho para executar grafos do TensorFlow. Ele oferece APIs de nível mais baixo para carregar e executar TF SavedModels em ambientes C++. O TensorFlow Runtime oferece melhor desempenho em comparação com o ambiente de execução padrão do TensorFlow. Ele é adequado para cenários de implantação que exigem inferência de baixa latência e integração estreita com bases de código C++ existentes.
Tarefas suportadas#
A exportação para TF SavedModel oferece suporte a todas as sete tarefas da Ultralytics. A segmentação semântica e a estimativa de profundidade estão disponíveis apenas no YOLO26, a única família que inclui essas cabeças.
| Tarefa | YOLOv8 | YOLO11 | YOLO26 |
|---|---|---|---|
| Detetar | ✅ | ✅ | ✅ |
| Segmentar | ✅ | ✅ | ✅ |
| Semântica | ❌ | ❌ | ✅ |
| Profundidade | ❌ | ❌ | ✅ |
| Classificar | ✅ | ✅ | ✅ |
| Pose | ✅ | ✅ | ✅ |
| OBB | ✅ | ✅ | ✅ |
Exportação de modelos YOLO26 para TF SavedModel#
Ao exportar modelos YOLO26 para o formato TF SavedModel, você aumenta a adaptabilidade e facilita a implantação em várias plataformas.
Instalação#
Para instalar o pacote necessário, executa:
# Install the required package for YOLO26
pip install ultralyticsPara 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.
A exportação TF SavedModel 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 SavedModel oferece suporte aos modos Export, Predict e Validate. 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 SavedModel
model.export(format="saved_model") # creates 'yolo26n_saved_model'from ultralytics import YOLO
# Carregue o modelo TF SavedModel exportado
model = YOLO("./yolo26n_saved_model")
# Executar inferência
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# Carregue o modelo TF SavedModel exportado
model = YOLO("./yolo26n_saved_model")
# Validar a precisão no conjunto de dados COCO8
metrics = model.val(data="coco8.yaml")Argumentos de exportação#
| Argumento | Tipo | Padrão | Descrição |
|---|---|---|---|
format | str | 'saved_model' | Formato de destino do modelo exportado, que define a compatibilidade com vários ambientes de implantação. |
imgsz | int ou tuple | 640 | Tamanho de imagem desejado para a entrada do modelo. Pode ser um inteiro para imagens quadradas ou uma tupla (height, width) para dimensões específicas. |
quantize | int ou str | None | Precisão da quantização: 8 mantém o SavedModel em FP32 e adiciona arquivos INT8 .tflite junto a ele (calibrados com data/fraction), ou 32/não definido (FP32). FP16 não é compatível com a exportação SavedModel. Substitui o sinalizador obsoleto int8. |
opset | int | None | Especifica a versão do opset do ONNX para o grafo ONNX intermediário. Se não for definido, usa o opset 18 (uma versão inferior no PyTorch < 2.4), limitado à versão instalada onnx. O RT-DETR usa 19. |
nms | bool, opcional | None | Seleciona a saída bruta (None, padrão), NMS incorporado (True) ou a cabeça sem NMS (False). |
batch | int | 1 | Especifica 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. |
data | str | None | Caminho para o YAML do conjunto de dados, essencial para a quantização; para classificação, aceita um diretório de conjunto de dados ou o nome de um conjunto de dados integrado. Se for omitido com quantize=8, a Ultralytics seleciona o conjunto de dados de calibração predefinido para a tarefa do modelo. |
fraction | float, int ou list | 1.0 | Subconjunto de calibração como proporção, número de imagens ou proporções/contagens [train, val, test]. Listas de dois itens deixam test completo, enquanto 0 o ignora. |
device | str | None | Especifica 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 SavedModel exportados#
Agora que você exportou seu modelo YOLO26 para o formato TF SavedModel, o próximo passo é implantá-lo. O primeiro passo principal e recomendado para executar um modelo TF SavedModel é usar o método YOLO("yolo26n_saved_model/"), como mostrado anteriormente no trecho de código de uso.
Para obter instruções detalhadas sobre a implantação de modelos TF SavedModel, consulte os seguintes recursos:
-
TensorFlow Serving: documentação para desenvolvedores sobre a implantação de modelos TF SavedModel com o TensorFlow Serving.
-
Execute um TensorFlow SavedModel no Node.js: uma publicação do blog do TensorFlow sobre como executar um TensorFlow SavedModel diretamente no Node.js, sem conversão.
-
Implantação na nuvem: uma publicação do blog do TensorFlow sobre a implantação de um modelo TensorFlow SavedModel na Cloud AI Platform.
Resumo#
Neste guia, exploramos como exportar modelos Ultralytics YOLO26 para o formato TF SavedModel. Ao exportar para TF SavedModel, você ganha flexibilidade para otimizar, implantar e dimensionar seus modelos YOLO26 em uma ampla variedade de plataformas.
Para mais detalhes sobre o uso, consulte a documentação oficial do TF SavedModel.
Perguntas frequentes#
Exportar um modelo Ultralytics YOLO para o formato TensorFlow SavedModel é simples. Você pode usar Python ou CLI para fazer isso:
Exportando YOLO26 para TF SavedModelfrom ultralytics import YOLO # Carrega um modelo YOLO26 model = YOLO("yolo26n.pt") # Exporte o modelo para o formato TF SavedModel model.export(format="saved_model") # creates 'yolo26n_saved_model' # Carrega o TF SavedModel exportado para inferência tf_savedmodel_model = YOLO("./yolo26n_saved_model") results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")Consulte a documentação de exportação da Ultralytics para mais detalhes.
O formato TensorFlow SavedModel oferece várias vantagens para a implantação de modelos:
- Portabilidade: oferece um formato independente de linguagem, facilitando o compartilhamento e a implantação de modelos em diferentes ambientes.
- Compatibilidade: Funciona com ferramentas como TensorFlow Serving, LiteRT e TensorFlow.js, essenciais para implantar modelos em várias plataformas, incluindo aplicações web e móveis.
- Encapsulamento completo: codifica a arquitetura do modelo, os pesos e as informações de compilação, permitindo compartilhar e continuar o treinamento com facilidade.
Para conhecer mais benefícios e opções de implantação, confira as opções de implantação de modelos Ultralytics YOLO.
O TF SavedModel pode ser implantado em vários ambientes, incluindo:
- TensorFlow Serving: ideal para ambientes de produção que exigem disponibilização de modelos escalável e de alto desempenho.
- Plataformas de nuvem: oferece suporte aos principais serviços de nuvem, como Google Cloud Platform (GCP), Amazon Web Services (AWS) e Microsoft Azure, para a implantação escalável de modelos.
- Dispositivos móveis e embarcados: a conversão de TF SavedModels usando LiteRT (anteriormente TensorFlow Lite) permite implantá-los em dispositivos móveis, dispositivos IoT e microcontroladores.
- TensorFlow Runtime: para ambientes C++ que precisam de inferência de baixa latência e melhor desempenho.
Para conhecer as opções detalhadas de implantação, consulte os guias oficiais sobre como implantar modelos TensorFlow.
Para exportar modelos YOLO26, você precisa instalar o pacote
ultralytics. Execute o seguinte comando no terminal:pip install ultralyticsPara obter instruções de instalação mais detalhadas e conhecer as práticas recomendadas, consulte nosso guia de instalação da Ultralytics. Se encontrar algum problema, consulte nosso guia de problemas comuns.
O formato TF SavedModel é vantajoso para desenvolvedores de IA devido aos seguintes recursos:
- Portabilidade: Permite compartilhar e implantar em vários ambientes.
- Facilidade de implantação: encapsula o grafo computacional, os parâmetros treinados e os metadados em um único pacote, simplificando o carregamento e a inferência.
- Gerenciamento de ativos: oferece suporte a ativos externos, como vocabulários, garantindo que estejam disponíveis quando o modelo for carregado.
Para mais detalhes, consulte a documentação oficial do TensorFlow.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.