Entenda como exportar para o formato TF SavedModel a partir do YOLO26#

Implantar modelos de machine learning pode ser desafiador. No entanto, usar um formato de modelo eficiente e flexível pode facilitar o teu trabalho. O TF SavedModel é um framework de aprendizado de máquina de código aberto usado pelo TensorFlow para carregar modelos de aprendizado de máquina de forma consistente. Ele é como uma mala para modelos do TensorFlow, tornando-os fáceis de transportar e usar em diferentes dispositivos e sistemas.

Aprender como exportar para o formato TF SavedModel a partir de modelos do Ultralytics YOLO26 pode ajudar-te a implantar modelos facilmente em diferentes plataformas e ambientes. Neste guia, vamos ver como converter os teus modelos para o formato TF SavedModel, simplificando o processo de execução de inferências com os teus modelos em diferentes dispositivos.

Por que você deveria exportar para o TF SavedModel?#

O formato TensorFlow SavedModel faz parte do ecossistema TensorFlow desenvolvido pelo Google, conforme mostrado abaixo. Ele foi projetado para salvar e serializar modelos do TensorFlow de forma integrada. Ele encapsula todos os detalhes dos modelos, como arquitetura, pesos e até mesmo informações de compilação. Isso torna simples compartilhar, implantar e continuar o treinamento em diferentes ambientes.

O TF SavedModel tem uma vantagem fundamental: a sua compatibilidade. Ele funciona bem com o TensorFlow Serving, LiteRT (anteriormente TensorFlow Lite) e o TensorFlow.js. Essa compatibilidade torna mais fácil compartilhar e implantar modelos em várias plataformas, incluindo aplicativos web e móveis. O formato TF SavedModel é útil tanto para pesquisa quanto para produção. Ele fornece uma maneira unificada de gerenciar os teus modelos, garantindo que estejam prontos para qualquer aplicativo.

Principais recursos dos TF SavedModels#

Aqui estão os principais recursos que tornam o TF SavedModel uma ótima opção para desenvolvedores de IA:

• Portabilidade: O TF SavedModel fornece um formato de serialização hermético, recuperável e independente de linguagem. Eles permitem que sistemas e ferramentas de nível superior produzam, consumam e transformem modelos do TensorFlow. Os SavedModels podem ser facilmente compartilhados e implantados em diferentes plataformas e ambientes.

• Facilidade de implantação: O TF SavedModel agrupa o grafo computacional, os parâmetros treinados e os metadados necessários em um único pacote. Eles podem ser facilmente carregados e usados para inferência sem exigir o código original que construiu o modelo. Isso torna a implantação de modelos do TensorFlow direta e eficiente em vários ambientes de produção.

• Gerenciamento de Ativos: O TF SavedModel suporta a inclusão de ativos externos, como vocabulários, embeddings ou tabelas de consulta. Esses ativos são armazenados junto com a definição do grafo e as variáveis, garantindo que estejam disponíveis quando o modelo for carregado. Esse recurso simplifica o gerenciamento e a distribuição de modelos que dependem de recursos externos.

Opções de implantação com TF SavedModel#

Antes de mergulharmos no processo de exportar modelos YOLO26 para o formato TF SavedModel, vamos explorar alguns cenários de implantação típicos onde esse formato é usado.

O TF SavedModel oferece uma variedade de opções para implantar seus modelos de machine learning:

• TensorFlow Serving: O TensorFlow Serving é um sistema de atendimento flexível e de alto desempenho projetado para ambientes de produção. Ele suporta nativamente TF SavedModels, facilitando a implantação e o atendimento dos teus modelos em plataformas de nuvem, servidores locais ou dispositivos de borda.

• Plataformas de Nuvem: Grandes provedores de nuvem como o Google Cloud Platform (GCP), Amazon Web Services (AWS) e Microsoft Azure oferecem serviços para implantar e executar modelos do TensorFlow, incluindo TF SavedModels. Esses serviços fornecem infraestrutura escalável e gerenciada, permitindo que implantues e escales os teus modelos facilmente.

• 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, suporta a conversão de TF SavedModels para o formato LiteRT. Isso permite que implantues os teus modelos em uma ampla gama de dispositivos, desde smartphones e tablets até microcontroladores e dispositivos de borda.

• TensorFlow Runtime: O TensorFlow Runtime (tfrt) é um tempo de execução de alto desempenho para executar grafos do TensorFlow. Ele fornece APIs de baixo nível para carregar e executar TF SavedModels em ambientes C++. O TensorFlow Runtime oferece melhor desempenho em comparação com o tempo 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 suporta todas as sete tarefas do Ultralytics. A segmentação semântica e a estimativa de profundidade estão disponíveis apenas com o YOLO26, a única família que inclui essas cabeças.

Exportando modelos YOLO26 para TF SavedModel#

Ao exportar modelos YOLO26 para o formato TF SavedModel, você aumenta sua adaptabilidade e facilidade de implantação em várias plataformas.

Instalação#

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulta o nosso guia de instalação do Ultralytics. Ao instalar os pacotes necessários para o YOLO26, se encontrares alguma dificuldade, consulta o nosso guia de problemas comuns para obter soluções e dicas.

Uso#

Todos os modelos Ultralytics YOLO26 são projetados para suportar exportação nativamente, facilitando a integração deles no teu fluxo de trabalho de implantação preferido. Podes ver a lista completa de formatos de exportação suportados e opções de configuração para escolher a melhor configuração para a tua aplicação.

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

from ultralytics import YOLO

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

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

Argumentos de Exportação#

Para mais detalhes sobre o processo de exportação, visita a página de documentação do Ultralytics sobre exportação.

Implantando modelos YOLO26 TF SavedModel exportados#

Agora que exportaste o teu 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/"), conforme mostrado anteriormente no trecho de código de uso.

No entanto, para obter instruções detalhadas sobre como implantar seus modelos TF SavedModel, dê uma olhada nos seguintes recursos:

• TensorFlow Serving: Aqui está a documentação do desenvolvedor sobre como implantar os teus modelos TF SavedModel usando o TensorFlow Serving.

• Executar um TensorFlow SavedModel no Node.js: Uma postagem no blog do TensorFlow sobre como executar um TensorFlow SavedModel no Node.js diretamente, sem conversão.

• Implantando na Nuvem: Uma postagem no blog do TensorFlow sobre como implantar 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 obtém a flexibilidade para otimizar, implantar e dimensionar seus modelos YOLO26 em uma ampla gama de plataformas.

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

Para mais informações sobre como integrar o Ultralytics YOLO26 com outras plataformas e frameworks, não te esqueças de conferir a nossa página do guia de integração. Ela está repleta de ótimos recursos para ajudar-te a aproveitar ao máximo o YOLO26 nos teus projetos.

FAQ#