Link to this sectionEntenda como exportar para o formato TF SavedModel a partir do YOLO26#

Implantar modelos de machine learning pode ser um desafio. No entanto, usar um formato de modelo eficiente e flexível pode facilitar o seu trabalho. O TF SavedModel é uma estrutura de machine learning de código aberto usada pelo TensorFlow para carregar modelos de machine learning de forma consistente. É como uma mala para modelos do TensorFlow, tornando-os fáceis de transportar e usar em diferentes dispositivos e sistemas.

Aprender a exportar para TF SavedModel a partir de modelos Ultralytics YOLO26 pode ajudar você a implantar modelos facilmente em diferentes plataformas e ambientes. Neste guia, mostraremos como converter seus modelos para o formato TF SavedModel, simplificando o processo de executar inferências com seus modelos em diversos dispositivos.

Link to this sectionPor 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: sua compatibilidade. Ele funciona bem com TensorFlow Serving, TensorFlow Lite e TensorFlow.js. Essa compatibilidade facilita o compartilhamento e a implantação de modelos em várias plataformas, incluindo aplicativos da web e móveis. O formato TF SavedModel é útil tanto para pesquisa quanto para produção. Ele fornece uma maneira unificada de gerenciar seus modelos, garantindo que estejam prontos para qualquer aplicação.

Link to this sectionPrincipais 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 oferece suporte à inclusão de ativos externos, como vocabulários, embeddings ou tabelas de consulta. Esses ativos são armazenados juntamente 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.

Link to this sectionOpções 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 disponibilização flexível e de alto desempenho projetado para ambientes de produção. Ele suporta nativamente TF SavedModels, facilitando a implementação e o uso dos teus modelos em plataformas de nuvem, servidores locais ou edge devices.

• Plataformas de nuvem: Os principais provedores de nuvem, como 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 você implante e dimensione seus modelos facilmente.

• Dispositivos Móveis e Embarcados: O TensorFlow Lite, uma solução leve para executar modelos de machine learning em dispositivos móveis, embarcados e IoT, suporta a conversão de TF SavedModels para o formato TensorFlow Lite. Isso permite que implementes 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 runtime de alto desempenho para executar grafos do TensorFlow. Ele fornece APIs de nível inferior para carregar e executar TF SavedModels em ambientes C++. O TensorFlow Runtime oferece melhor desempenho em comparação com o runtime padrão do TensorFlow. É adequado para cenários de implantação que exigem inferência de baixa latência e integração estreita com bases de código C++ existentes.

Link to this sectionExportando 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.

Link to this sectionInstalação#

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para obter instruções detalhadas e práticas recomendadas relacionadas ao processo de instalação, consulte nosso Guia de Instalação do Ultralytics. Ao instalar os pacotes necessários para o YOLO26, se você encontrar alguma dificuldade, consulte nosso Guia de Problemas Comuns para obter 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 SavedModel oferece suporte aos 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 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")

Link to this sectionArgumentos de Exportação#

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

Link to this sectionImplantando 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.

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 seus modelos TF SavedModel usando o TensorFlow Serving.

• Run a TensorFlow SavedModel in Node.js: Uma postagem no blog do TensorFlow sobre como executar um TensorFlow SavedModel diretamente no Node.js sem conversão.

• Deploying on Cloud: Uma postagem no blog do TensorFlow sobre a implantação de um modelo TensorFlow SavedModel na Cloud AI Platform.

Link to this sectionResumo#

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

Para obter mais informações sobre a integração do Ultralytics YOLO26 com outras plataformas e frameworks, não se esqueça de conferir nossa página de guia de integração. Ela está repleta de ótimos recursos para ajudar você a aproveitar ao máximo o YOLO26 em seus projetos.

Link to this sectionFAQ#

Link to this sectionComo faço para exportar um modelo Ultralytics YOLO para o formato TensorFlow SavedModel?#

Exportar um modelo Ultralytics YOLO para o formato TensorFlow SavedModel é simples. Você pode usar Python ou CLI para realizar isso:

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'

# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolo26n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")

Consulte a documentação de exportação do Ultralytics para obter mais detalhes.

Link to this sectionPor que devo usar o formato TensorFlow SavedModel?#

O formato TensorFlow SavedModel oferece várias vantagens para a implantação de modelos:

• Portabilidade: Fornece um formato independente de linguagem, facilitando o compartilhamento e a implantação de modelos em diferentes ambientes.
• Compatibilidade: Integra-se perfeitamente com ferramentas como TensorFlow Serving, TensorFlow Lite e TensorFlow.js, que são essenciais para implantar modelos em várias plataformas, incluindo aplicativos da web e móveis.
• Encapsulamento completo: Codifica a arquitetura do modelo, os pesos e as informações de compilação, permitindo o compartilhamento direto e a continuação do treinamento.

Para obter mais benefícios e opções de implantação, confira as opções de implantação de modelo Ultralytics YOLO.

Link to this sectionQuais são os cenários de implantação típicos para o TF SavedModel?#

O TF SavedModel pode ser implantado em vários ambientes, incluindo:

• TensorFlow Serving: Ideal para ambientes de produção que exigem serviço de modelo escalável e de alto desempenho.
• Plataformas de nuvem: Suporta os principais serviços de nuvem como Google Cloud Platform (GCP), Amazon Web Services (AWS) e Microsoft Azure para implantação escalável de modelos.
• Dispositivos Móveis e Embarcados: Usar o TensorFlow Lite para converter TF SavedModels permite a implementação em dispositivos móveis, dispositivos IoT e microcontroladores.
• TensorFlow Runtime: Para ambientes C++ que precisam de inferência de baixa latência com melhor desempenho.

Para opções de implantação detalhadas, visite os guias oficiais sobre como implantar modelos do TensorFlow.

Link to this sectionComo posso instalar os pacotes necessários para exportar modelos YOLO26?#

Para exportar modelos YOLO26, você precisa instalar o pacote ultralytics. Execute o seguinte comando no seu terminal:

pip install ultralytics

Para obter instruções de instalação mais detalhadas e melhores práticas, consulte nosso guia de instalação do Ultralytics. Se você encontrar algum problema, consulte nosso guia de problemas comuns.

Link to this sectionQuais são os principais recursos do formato TensorFlow SavedModel?#

O formato TF SavedModel é benéfico para desenvolvedores de IA devido aos seguintes recursos:

• Portabilidade: Permite o compartilhamento e a implantação em vários ambientes sem esforço.
• Facilidade de implantação: Encapsula o grafo computacional, os parâmetros treinados e os metadados em um único pacote, o que simplifica o carregamento e a inferência.
• Gerenciamento de ativos: Suporta ativos externos, como vocabulários, garantindo que estejam disponíveis quando o modelo for carregado.

Para obter mais detalhes, explore a documentação oficial do TensorFlow.