Entenda como exportar do YOLO26 para o formato TF SavedModel#

A implantação de modelos de aprendizado de máquina pode ser desafiadora. No entanto, usar um formato de modelo eficiente e flexível pode facilitar seu trabalho. O TF SavedModel é o formato padrão de serialização do TensorFlow para salvar e carregar modelos de aprendizado de máquina de maneira consistente. É como uma mala para modelos TensorFlow, facilitando o transporte e o uso em diferentes dispositivos e sistemas.

Aprender a exportar modelos Ultralytics YOLO26 para TF SavedModel 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 execução de inferências com seus modelos 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 facilmente. Ele encapsula todos os detalhes dos modelos, como arquitetura, pesos e até informações de compilação. Isso facilita o compartilhamento, a implantação e a continuidade 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 para pesquisa quanto para produção. Ele oferece uma maneira unificada de gerenciar seus modelos e garantir que estejam prontos para qualquer aplicação.

Principais recursos do TF SavedModel#

Estes são os principais recursos que fazem do TF SavedModel uma ótima opção 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 entrarmos no processo de exportação de modelos YOLO26 para o formato TF SavedModel, vamos explorar alguns cenários típicos de implantação nos quais 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 disponibilização de modelos, projetado para ambientes de produção. Ele oferece suporte nativo a TF SavedModels, facilitando a implantação e a disponibilização dos seus modelos em plataformas de nuvem, servidores locais ou dispositivos de borda.

• 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.

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 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.

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#

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.

No entanto, para obter instruções detalhadas sobre como implantar seus modelos TF SavedModel, consulte os recursos a seguir:

• TensorFlow Serving: aqui está a documentação para desenvolvedores sobre como implantar seus modelos TF SavedModel usando 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.

Para saber mais sobre como integrar Ultralytics YOLO26 a outras plataformas e frameworks, não deixe de conferir nossa página do guia de integração. Ela reúne ótimos recursos para ajudar você a aproveitar ao máximo YOLO26 nos seus projetos.

Perguntas frequentes#