Exportar para o formato de modelo TF.js a partir de um formato de modelo YOLO26
Implantar modelos de machine learning diretamente no navegador ou no Node.js pode ser um desafio. Precisarás garantir que o formato do teu modelo esteja otimizado para um desempenho mais rápido, para que ele possa ser usado para executar aplicações interativas localmente no dispositivo do utilizador. O formato de modelo TensorFlow.js, ou TF.js, foi concebido para consumir o mínimo de energia enquanto oferece um desempenho rápido.
A funcionalidade 'exportar para o formato de modelo TF.js' permite-te otimizar os teus modelos Ultralytics YOLO26 para uma inferência de object detection de alta velocidade executada localmente. Neste guia, vamos orientar-te na conversão dos teus modelos para o formato TF.js, tornando mais fácil para os teus modelos terem um bom desempenho em vários navegadores locais e aplicações Node.js.
Por que deves exportar para TF.js?
Exportar os teus modelos de machine learning para TensorFlow.js, desenvolvido pela equipa do TensorFlow como parte do ecossistema TensorFlow mais amplo, oferece inúmeras vantagens para a implantação de aplicações de machine learning. Ajuda a melhorar a privacidade e a segurança do utilizador, mantendo os dados confidenciais no dispositivo. A imagem abaixo mostra a arquitetura do TensorFlow.js e como os modelos de machine learning são convertidos e implantados em navegadores web e no Node.js.
Executar modelos localmente também reduz a latência e proporciona uma experiência de utilizador mais responsiva. O TensorFlow.js também possui capacidades offline, permitindo que os utilizadores usem a tua aplicação mesmo sem uma ligação à internet. O TF.js foi concebido para a execução eficiente de modelos complexos em dispositivos com recursos limitados, uma vez que é estruturado para escalabilidade, com suporte para aceleração por GPU.
Principais características do TF.js
Aqui estão as principais características que fazem do TF.js uma ferramenta poderosa para desenvolvedores:
-
Suporte Multiplataforma: O TensorFlow.js pode ser utilizado tanto em ambientes de navegador quanto no Node.js, proporcionando flexibilidade na implantação em diferentes plataformas. Ele permite que os desenvolvedores criem e implantem aplicações com mais facilidade.
-
Suporte para Múltiplos Backends: O TensorFlow.js suporta vários backends para computação, incluindo CPU, WebGL para aceleração de GPU, WebAssembly (WASM) para uma velocidade de execução próxima do nativo e WebGPU para capacidades avançadas de machine learning baseadas em navegador.
-
Capacidades Offline: Com o TensorFlow.js, os modelos podem ser executados no navegador sem a necessidade de uma ligação à internet, tornando possível desenvolver aplicações funcionais offline.
Opções de Implantação com TensorFlow.js
Antes de mergulharmos no processo de exportação de modelos YOLO26 para o formato TF.js, vamos explorar alguns cenários típicos de implantação onde este formato é utilizado.
O TF.js oferece uma gama de opções para implantar os teus modelos de machine learning:
-
Aplicações de ML no Navegador: Podes criar aplicações web que executam modelos de machine learning diretamente no navegador. A necessidade de computação no lado do servidor é eliminada e a carga no servidor é reduzida.
-
Aplicações Node.js: O TensorFlow.js também suporta a implantação em ambientes Node.js, permitindo o desenvolvimento de aplicações de machine learning no lado do servidor. É particularmente útil para aplicações que exigem o poder de processamento de um servidor ou acesso a dados do lado do servidor.
-
Extensões do Chrome: Um cenário de implantação interessante é a criação de extensões do Chrome com TensorFlow.js. Por exemplo, podes desenvolver uma extensão que permite aos utilizadores clicar com o botão direito numa imagem dentro de qualquer página web para classificá-la usando um modelo de ML pré-treinado. O TensorFlow.js pode ser integrado em experiências de navegação web diárias para fornecer insights imediatos ou ampliações baseadas em machine learning.
Exportar modelos YOLO26 para TensorFlow.js
Podes expandir a compatibilidade do modelo e a flexibilidade de implantação convertendo modelos YOLO26 para TF.js.
Instalação
Para instalar o pacote necessário, execute:
# Install the required package for YOLO26
pip install ultralyticsPara instruções detalhadas e práticas recomendadas relacionadas ao processo de instalação, consulte nosso guia de instalação da 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.
Utilização
Todos os modelos Ultralytics YOLO26 foram concebidos para suportar a exportação imediata, facilitando a sua integração no teu fluxo de trabalho de implementação preferido. Podes ver a lista completa de formatos de exportação suportados e opções de configuração para escolheres a melhor configuração para a tua aplicação.
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'
# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")
# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")Argumentos de Exportação
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
format | str | 'tfjs' | Formato de destino para o modelo exportado, definindo a compatibilidade com vários ambientes de implantação. |
imgsz | int ou tuple | 640 | Desired image size for the model input. Can be an integer for square images or a tuple (height, width) for specific dimensions. |
half | bool | False | Ativa a quantização FP16 (precisão simples), reduzindo o tamanho do modelo e potencialmente acelerando a inferência em hardware suportado. |
int8 | bool | False | Ativa a quantização INT8, comprimindo ainda mais o modelo e acelerando a inferência com perda mínima de precisão, principalmente para dispositivos de borda. |
nms | bool | False | Adiciona Supressão Não Máxima (NMS), essencial para o pós-processamento de detecção preciso e eficiente. |
batch | int | 1 | Especifica o tamanho da inferência em lote do modelo de exportação ou o número máximo de imagens que o modelo exportado processará simultaneamente no modo predict. |
data | str | 'coco8.yaml' | Caminho para o arquivo de configuração do dataset (padrão: coco8.yaml), essencial para a quantização. |
fraction | float | 1.0 | Especifica a fração do dataset a ser usada para calibração de quantização INT8. Permite calibrar em um subconjunto do dataset completo, útil para experimentos ou quando os recursos são limitados. Se não for especificado com INT8 ativado, o dataset completo será usado. |
device | str | None | Especifica o dispositivo para exportação: CPU (device=cpu), MPS para Apple silicon (device=mps). |
Para mais detalhes sobre o processo de exportação, visite a página de documentação da Ultralytics sobre exportação.
Implantar modelos YOLO26 TensorFlow.js exportados
Agora que exportaste o teu modelo YOLO26 para o formato TF.js, o próximo passo é implantá-lo. O primeiro passo principal e recomendado para executar um modelo TF.js é usar o método YOLO("./yolo26n_web_model"), conforme demonstrado anteriormente no snippet de código de uso.
No entanto, para instruções detalhadas sobre a implantação dos teus modelos TF.js, dá uma vista de olhos nos seguintes recursos:
-
Extensão do Chrome: Aqui está a documentação do desenvolvedor sobre como implantar os teus modelos TF.js numa extensão do Chrome.
-
Executar TensorFlow.js no Node.js: Uma publicação no blog do TensorFlow sobre como executar o TensorFlow.js diretamente no Node.js.
-
Implantar TensorFlow.js - Projeto Node na Plataforma Cloud: Uma publicação no blog do TensorFlow sobre a implantação de um modelo TensorFlow.js numa Plataforma Cloud.
Resumo
Neste guia, aprendemos como exportar modelos Ultralytics YOLO26 para o formato TensorFlow.js. Ao exportar para TF.js, ganhas a flexibilidade para otimizar, implantar e escalar os teus modelos YOLO26 numa vasta gama de plataformas.
Para mais detalhes sobre o uso, visita a documentação oficial do TensorFlow.js.
Para mais informações sobre a integração do Ultralytics YOLO26 com outras plataformas e frameworks, não se esqueça de conferir nossa página do guia de integração. Ela está repleta de ótimos recursos para ajudar você a aproveitar ao máximo o YOLO26 em seus projetos.
FAQ
Como exporto modelos Ultralytics YOLO26 para o formato TensorFlow.js?
Exportar modelos Ultralytics YOLO26 para o formato TensorFlow.js (TF.js) é simples. Podes seguir estes passos:
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'
# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")
# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")Para mais detalhes sobre as opções de exportação suportadas, visita a página de documentação da Ultralytics sobre opções de implantação.
Por que devo exportar os meus modelos YOLO26 para TensorFlow.js?
Exportar modelos YOLO26 para TensorFlow.js oferece várias vantagens, incluindo:
- Execução Local: Os modelos podem ser executados diretamente no navegador ou no Node.js, reduzindo a latência e melhorando a experiência do utilizador.
- Suporte Multiplataforma: O TF.js suporta múltiplos ambientes, permitindo flexibilidade na implantação.
- Capacidades Offline: Permite que as aplicações funcionem sem uma ligação à internet, garantindo fiabilidade e privacidade.
- Aceleração por GPU: Aproveita o WebGL para aceleração de GPU, otimizando o desempenho em dispositivos com recursos limitados.
Para uma visão geral completa, vê as nossas Integrações com TensorFlow.js.
Como é que o TensorFlow.js beneficia aplicações de machine learning baseadas em navegador?
O TensorFlow.js foi especificamente concebido para a execução eficiente de modelos de ML em navegadores e ambientes Node.js. Eis como beneficia as aplicações baseadas em navegador:
- Reduz a Latência: Executa modelos de machine learning localmente, fornecendo resultados imediatos sem depender de computações no lado do servidor.
- Melhora a Privacidade: Mantém dados confidenciais no dispositivo do utilizador, minimizando os riscos de segurança.
- Permite o Uso Offline: Os modelos podem operar sem uma ligação à internet, garantindo uma funcionalidade consistente.
- Suporta Múltiplos Backends: Oferece flexibilidade com backends como CPU, WebGL, WebAssembly (WASM) e WebGPU para diversas necessidades computacionais.
Interessado em saber mais sobre o TF.js? Consulta o guia oficial do TensorFlow.js.
Quais são as principais características do TensorFlow.js para implantar modelos YOLO26?
As principais características do TensorFlow.js incluem:
- Suporte Multiplataforma: O TF.js pode ser usado tanto em navegadores web quanto no Node.js, proporcionando uma ampla flexibilidade de implantação.
- Múltiplos Backends: Suporta CPU, WebGL para aceleração de GPU, WebAssembly (WASM) e WebGPU para operações avançadas.
- Capacidades Offline: Os modelos podem ser executados diretamente no navegador sem conectividade à internet, tornando-o ideal para desenvolver aplicações web responsivas.
Para cenários de implantação e informações mais aprofundadas, vê a nossa secção sobre Opções de Implantação com TensorFlow.js.
Posso implantar um modelo YOLO26 em aplicações Node.js no lado do servidor usando TensorFlow.js?
Sim, o TensorFlow.js permite a implantação de modelos YOLO26 em ambientes Node.js. Isso possibilita aplicações de machine learning no lado do servidor que beneficiam do poder de processamento de um servidor e acesso a dados do lado do servidor. Casos de uso típicos incluem processamento de dados em tempo real e pipelines de machine learning em servidores backend.
Para começar com a implantação em Node.js, consulta o guia Executar TensorFlow.js no Node.js do TensorFlow.