Link to this sectionExportar 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 complicado. Você precisará garantir que o formato do seu modelo esteja otimizado para um desempenho mais rápido, para que o modelo possa ser usado para executar aplicações interativas localmente no dispositivo do usuário. O formato de modelo TensorFlow.js, ou TF.js, foi projetado para consumir o mínimo de energia e oferecer um desempenho rápido.

O recurso 'exportar para o formato de modelo TF.js' permite que você otimize seus modelos Ultralytics YOLO26 para inferência de object detection de alta velocidade e execução local. Neste guia, mostraremos como converter seus modelos para o formato TF.js, facilitando o bom desempenho deles em vários navegadores locais e aplicações Node.js.

Link to this sectionPor que você deve exportar para o TF.js?#

Exportar seus modelos de machine learning para o TensorFlow.js, desenvolvido pela equipe do TensorFlow como parte do ecossistema mais amplo do TensorFlow, oferece inúmeras vantagens para a implantação de aplicações de machine learning. Isso ajuda a aumentar a privacidade e a segurança do usuário, mantendo dados confidenciais no dispositivo. A imagem abaixo mostra a arquitetura do TensorFlow.js e como os modelos de machine learning são convertidos e implantados tanto em navegadores web quanto no Node.js.

Executar modelos localmente também reduz a latência e proporciona uma experiência de usuário mais responsiva. O TensorFlow.js também vem com capacidades offline, permitindo que os usuários utilizem sua aplicação mesmo sem uma conexão com a internet. O TF.js foi projetado para a execução eficiente de modelos complexos em dispositivos com recursos limitados, pois é estruturado para escalabilidade, com suporte a aceleração por GPU.

Link to this sectionPrincipais recursos do TF.js#

Aqui estão os principais recursos que tornam o TF.js uma ferramenta poderosa para desenvolvedores:

• Suporte multiplataforma: O TensorFlow.js pode ser usado tanto em navegadores quanto em ambientes 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 velocidade de execução próxima ao 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 conexão com a internet, tornando possível desenvolver aplicações que funcionam offline.

Link to this sectionOpções de implantação com TensorFlow.js#

Antes de entrarmos no processo de exportação de modelos YOLO26 para o formato TF.js, vamos explorar alguns cenários comuns de implantação onde esse formato é usado.

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

• Aplicações de ML no navegador: Você pode criar aplicações web que executam modelos de machine learning diretamente no navegador. A necessidade de computação do 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 do 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 o TensorFlow.js. Por exemplo, você pode desenvolver uma extensão que permita aos usuários clicar com o botão direito em uma imagem em qualquer página da web para classificá-la usando um modelo de ML pré-treinado. O TensorFlow.js pode ser integrado às experiências cotidianas de navegação na web para fornecer insights imediatos ou aumentos baseados em machine learning.

Link to this sectionExportando modelos YOLO26 para TensorFlow.js#

Você pode expandir a compatibilidade do modelo e a flexibilidade de implantação convertendo modelos YOLO26 para TF.js.

Link to this sectionInstalação#

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para instruções detalhadas e práticas recomendadas relacionadas ao processo de instalação, confira nosso Guia de Instalação Ultralytics. Ao instalar os pacotes necessários para o YOLO26, caso encontre alguma dificuldade, consulte nosso Guia de Problemas Comuns para soluções e dicas.

Link to this sectionUso#

Todos os modelos Ultralytics YOLO26 são projetados para suportar a exportação imediatamente, facilitando sua integração ao seu fluxo de trabalho de implementação 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.js é somente para exportação no Ultralytics — Predict e Validate não estão disponíveis localmente. Implante o modelo exportado no navegador ou em uma aplicação Node.js com o runtime do TensorFlow.js.

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

Link to this sectionArgumentos de Exportação#

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

Link to this sectionImplantando modelos YOLO26 TensorFlow.js exportados#

Agora que você exportou seu modelo YOLO26 para o formato TF.js, o próximo passo é implantá-lo. O Ultralytics não fornece um backend de inferência local para TF.js, portanto, o _web_model exportado destina-se a ser executado diretamente com o runtime do TensorFlow.js em um navegador ou aplicação Node.js.

Para instruções detalhadas sobre como implantar seus modelos TF.js, dê uma olhada nos seguintes recursos:

• Extensão Chrome: Aqui está a documentação para desenvolvedores sobre como implantar seus modelos TF.js em uma extensão do Chrome.

• Executar TensorFlow.js no Node.js: Uma postagem no blog do TensorFlow sobre como executar o TensorFlow.js diretamente no Node.js.

• Implantando TensorFlow.js - Projeto Node em Plataforma de Nuvem: Uma postagem no blog do TensorFlow sobre como implantar um modelo TensorFlow.js em uma plataforma de nuvem.

Link to this sectionResumo#

Neste guia, aprendemos como exportar modelos Ultralytics YOLO26 para o formato TensorFlow.js. Ao exportar para o TF.js, você ganha a flexibilidade de otimizar, implantar e escalar seus modelos YOLO26 em uma ampla gama de plataformas.

Para mais detalhes sobre o uso, visite a documentação oficial do TensorFlow.js.

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

Link to this sectionPerguntas Frequentes#

Link to this sectionComo exporto modelos Ultralytics YOLO26 para o formato TensorFlow.js?#

Exportar modelos Ultralytics YOLO26 para o formato TensorFlow.js (TF.js) é simples. Você pode seguir estes passos:

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

# Deploy the exported '_web_model' with the TensorFlow.js runtime in a browser or Node.js app.
# Ultralytics does not provide a local TF.js inference backend.

Para mais detalhes sobre as opções de exportação suportadas, visite a página de documentação do Ultralytics sobre opções de implantação.

Link to this sectionPor que devo exportar meus modelos YOLO26 para o TensorFlow.js?#

Exportar modelos YOLO26 para o TensorFlow.js oferece várias vantagens, incluindo:

1. Execução local: Os modelos podem ser executados diretamente no navegador ou no Node.js, reduzindo a latência e melhorando a experiência do usuário.
2. Suporte multiplataforma: O TF.js suporta múltiplos ambientes, permitindo flexibilidade na implantação.
3. Capacidades offline: Permite que as aplicações funcionem sem uma conexão com a internet, garantindo confiabilidade e privacidade.
4. Aceleração por GPU: Aproveita o WebGL para aceleração de GPU, otimizando o desempenho em dispositivos com recursos limitados.

Link to this sectionComo o TensorFlow.js beneficia aplicações de machine learning baseadas em navegador?#

O TensorFlow.js é projetado especificamente para a execução eficiente de modelos de ML em navegadores e ambientes Node.js. Veja como ele beneficia aplicações baseadas em navegador:

• Reduz a latência: Executa modelos de machine learning localmente, fornecendo resultados imediatos sem depender de computações do lado do servidor.
• Melhora a privacidade: Mantém dados confidenciais no dispositivo do usuário, minimizando os riscos de segurança.
• Possibilita o uso offline: Os modelos podem operar sem uma conexão com a internet, garantindo funcionalidade consistente.
• Suporta múltiplos backends: Oferece flexibilidade com backends como CPU, WebGL, WebAssembly (WASM) e WebGPU para diferentes necessidades computacionais.

Interessado em aprender mais sobre o TF.js? Confira o guia oficial do TensorFlow.js.

Link to this sectionQuais são os principais recursos do TensorFlow.js para implantar modelos YOLO26?#

Os principais recursos do TensorFlow.js incluem:

• Suporte multiplataforma: O TF.js pode ser usado tanto em navegadores quanto no Node.js, proporcionando 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 com a internet, tornando-o ideal para o desenvolvimento de aplicações web responsivas.

Para cenários de implantação e informações mais detalhadas, consulte nossa seção sobre Opções de Implantação com TensorFlow.js.

Link to this sectionPosso implantar um modelo YOLO26 em aplicações Node.js do lado do servidor usando o TensorFlow.js?#

Sim, o TensorFlow.js permite a implantação de modelos YOLO26 em ambientes Node.js. Isso possibilita aplicações de machine learning do lado do servidor que se beneficiam do poder de processamento de um servidor e do 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 no Node.js, consulte o guia Executar TensorFlow.js no Node.js do TensorFlow.