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. Precisas de garantir que o formato do teu modelo está otimizado para um desempenho mais rápido, para que o modelo 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 inferência de object detection de alta velocidade e execução local. 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.

Link to this sectionPorque deverias exportar para TF.js?#

Exportar os teus modelos de machine learning para TensorFlow.js, desenvolvido pela equipa do TensorFlow como parte do ecossistema mais amplo do TensorFlow, oferece inúmeras vantagens para a implantação de aplicações de machine learning. Ajuda a melhorar a privacidade e segurança do utilizador ao manter dados sensíveis 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 como no Node.js.

Executar modelos localmente também reduz a latência e proporciona uma experiência de utilizador mais responsiva. O TensorFlow.js também inclui capacidades offline, permitindo aos utilizadores usarem 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.

Link to this sectionPrincipais Funcionalidades do TF.js#

Aqui estão as principais funcionalidades que fazem do TF.js uma ferramenta poderosa para programadores:

• Suporte Multiplataforma: O TensorFlow.js pode ser utilizado tanto em navegadores como em ambientes Node.js, proporcionando flexibilidade na implantação em diferentes plataformas. Permite que os programadores criem e implantem aplicações mais facilmente.

• Suporte para Múltiplos Backends: O TensorFlow.js suporta vários backends para computação, incluindo CPU, WebGL para aceleração por GPU, WebAssembly (WASM) para uma velocidade de execução próxima da nativa, e WebGPU para capacidades avançadas de machine learning baseadas no 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 que funcionam offline.

Link to this sectionOpções 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 variedade 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 requerem 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 a classificar usando um modelo de ML pré-treinado. O TensorFlow.js pode ser integrado em experiências diárias de navegação web para fornecer insights imediatos ou ampliações baseadas em machine learning.

Link to this sectionExportar Modelos YOLO26 para TensorFlow.js#

Podes 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 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.js é apenas para exportação no Ultralytics — Predict e Validate não estão disponíveis localmente. Implanta o modelo exportado no navegador ou numa 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 do Ultralytics sobre exportação.

Link to this sectionImplantar Modelos YOLO26 TensorFlow.js Exportados#

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

Para instruções detalhadas sobre a implantação dos teus modelos TF.js, dá uma vista de olhos nos seguintes recursos:

• Extensão do Chrome: Aqui tens a documentação para programadores 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 como implantar um modelo TensorFlow.js numa plataforma Cloud.

Link to this sectionResumo#

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 a utilização, visita a documentação oficial do TensorFlow.js.

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 posso exportar 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 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 opções de exportação suportadas, visita a página de documentação do Ultralytics sobre opções de implantação.

Link to this sectionPorque deveria exportar os meus modelos YOLO26 para TensorFlow.js?#

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

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

Link to this sectionComo é que o TensorFlow.js beneficia aplicações de machine learning baseadas no navegador?#

O TensorFlow.js foi especificamente concebido para a execução eficiente de modelos de ML em navegadores e ambientes Node.js. Eis como beneficia aplicações baseadas no 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 sensíveis no dispositivo do utilizador, minimizando os riscos de segurança.
• Permite o Uso Offline: Os modelos podem operar sem uma ligação à internet, garantindo 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.

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

As principais funcionalidades do TensorFlow.js incluem:

• Suporte Multiplataforma: O TF.js pode ser usado tanto em navegadores web como no Node.js, proporcionando uma vasta flexibilidade de implantação.
• Múltiplos Backends: Suporta CPU, WebGL para aceleração por GPU, WebAssembly (WASM) e WebGPU para operações avançadas.
• Capacidades Offline: Os modelos podem ser executados diretamente no navegador sem ligação à internet, tornando-o ideal para desenvolver aplicações web responsivas.

Para cenários de implantação e informações mais aprofundadas, consulta a nossa secção sobre Opções de Implantação com TensorFlow.js.

Link to this sectionPosso 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. Isto possibilita aplicações de machine learning no lado do servidor que 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 começares com a implantação em Node.js, consulta o guia Executar TensorFlow.js no Node.js do TensorFlow.