Link to this sectionUm guia sobre a exportação de modelos YOLO26 para TFLite para implantação#

A implantação de modelos de computação visual em dispositivos de borda ou dispositivos embarcados requer um formato que possa garantir um desempenho contínuo.

O formato de exportação TensorFlow Lite ou TFLite permite que você otimize seus modelos Ultralytics YOLO26 para tarefas como detecção de objetos e classificação de imagens em aplicações baseadas em dispositivos de borda. Neste guia, percorreremos as etapas para converter seus modelos para o formato TFLite, facilitando o bom desempenho dos seus modelos em vários dispositivos de borda.

Link to this sectionPor que você deveria exportar para TFLite?#

Introduzido pelo Google em maio de 2017 como parte do seu framework TensorFlow, o TensorFlow Lite, ou TFLite para abreviar, é um framework de deep learning de código aberto projetado para inferência no dispositivo, também conhecido como edge computing. Ele oferece aos desenvolvedores as ferramentas necessárias para executar seus modelos treinados em dispositivos móveis, embarcados e IoT, bem como em computadores tradicionais.

O TensorFlow Lite é compatível com uma ampla gama de plataformas, incluindo Linux embarcado, Android, iOS e microcontroladores (MCUs). Exportar seu modelo para TFLite torna suas aplicações mais rápidas, mais confiáveis e capazes de funcionar offline.

Link to this sectionPrincipais recursos dos modelos TFLite#

Os modelos TFLite oferecem uma ampla gama de recursos principais que permitem o aprendizado de máquina no dispositivo, ajudando os desenvolvedores a executar seus modelos em dispositivos móveis, embarcados e de borda:

• Otimização no dispositivo: O TFLite otimiza para ML no dispositivo, reduzindo a latência ao processar dados localmente, aumentando a privacidade ao não transmitir dados pessoais e minimizando o tamanho do modelo para economizar espaço.

• Suporte a múltiplas plataformas: O TFLite oferece ampla compatibilidade de plataforma, suportando Android, iOS, Linux embarcado e microcontroladores.

• Suporte a diversos idiomas: O TFLite é compatível com várias linguagens de programação, incluindo Java, Swift, Objective-C, C++ e Python.

• Alto desempenho: Alcança desempenho superior por meio de aceleração de hardware e otimização de modelo.

Link to this sectionOpções de implantação no TFLite#

Antes de analisarmos o código para exportar modelos YOLO26 para o formato TFLite, vamos entender como os modelos TFLite são normalmente usados.

O TFLite oferece várias opções de implantação no dispositivo para modelos de machine learning, incluindo:

• Implantação com Android e iOS: Tanto aplicações Android quanto iOS com TFLite podem analisar feeds de câmera e sensores baseados na borda para detectar e identificar objetos. O TFLite também oferece bibliotecas nativas para iOS escritas em Swift e Objective-C. O diagrama de arquitetura abaixo mostra o processo de implantação de um modelo treinado em plataformas Android e iOS usando TensorFlow Lite.

• Implementação com Linux embarcado: Se a execução de inferências em um Raspberry Pi usando o Guia da Ultralytics não atender aos requisitos de velocidade para o seu caso de uso, você pode usar um modelo TFLite exportado para acelerar os tempos de inferência. Além disso, é possível melhorar ainda mais o desempenho utilizando um dispositivo Coral Edge TPU.

• Implantação com microcontroladores: Os modelos TFLite também podem ser implantados em microcontroladores e outros dispositivos com apenas alguns kilobytes de memória. O runtime central cabe em apenas 16 KB em um Arm Cortex M3 e pode executar muitos modelos básicos. Ele não requer suporte a sistema operacional, bibliotecas C ou C++ padrão ou alocação dinâmica de memória.

Link to this sectionExportar para TFLite: Convertendo seu modelo YOLO26#

Você pode melhorar a eficiência da execução do modelo no dispositivo e otimizar o desempenho convertendo seus modelos para o formato TFLite.

Link to this sectionInstalação#

Para instalar os pacotes necessários, 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 TFLite suporta os 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 TFLite format
model.export(format="tflite")  # creates 'yolo26n_float32.tflite'

from ultralytics import YOLO

# Load the exported TFLite model
model = YOLO("yolo26n_float32.tflite")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported TFLite model
model = YOLO("yolo26n_float32.tflite")

# 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 da Ultralytics sobre exportação.

Link to this sectionImplantando modelos YOLO26 TFLite exportados#

Após exportar com sucesso seus modelos Ultralytics YOLO26 para o formato TFLite, você já pode implantá-los. O primeiro passo principal e recomendado para executar um modelo TFLite é usar o método YOLO("model.tflite"), conforme descrito no snippet de código de uso anterior. No entanto, para instruções detalhadas sobre como implantar seus modelos TFLite em vários outros ambientes, dê uma olhada nos seguintes recursos:

• Android: Um guia de início rápido para integrar o TensorFlow Lite em aplicações Android, fornecendo etapas fáceis de seguir para configurar e executar modelos de machine learning.

• iOS: Confira este guia detalhado para desenvolvedores sobre como integrar e implantar modelos TensorFlow Lite em aplicações iOS, oferecendo instruções passo a passo e recursos.

• Exemplos de ponta a ponta: Esta página fornece uma visão geral de vários exemplos do TensorFlow Lite, exibindo aplicações práticas e tutoriais projetados para ajudar os desenvolvedores a implementar o TensorFlow Lite em seus projetos de machine learning em dispositivos móveis e de borda.

Link to this sectionResumo#

Neste guia, focamos em como exportar para o formato TFLite. Ao converter seus modelos Ultralytics YOLO26 para o formato de modelo TFLite, você pode melhorar a eficiência e a velocidade dos modelos YOLO26, tornando-os mais eficazes e adequados para ambientes de edge computing.

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

Além disso, se você estiver curioso sobre outras integrações do Ultralytics YOLO26, confira nossa página de guia de integração. Você encontrará muitas informações úteis e insights por lá.

Link to this sectionFAQ#

Link to this sectionComo faço para exportar um modelo YOLO26 para o formato TFLite?#

Para exportar um modelo YOLO26 para o formato TFLite, você pode usar a biblioteca Ultralytics. Primeiro, instale o pacote necessário usando:

pip install ultralytics

Em seguida, use o seguinte snippet de código para exportar seu modelo:

from ultralytics import YOLO

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

# Export the model to TFLite format
model.export(format="tflite")  # creates 'yolo26n_float32.tflite'

Para usuários de CLI, você pode conseguir isso com:

yolo export model=yolo26n.pt format=tflite # creates 'yolo26n_float32.tflite'

Para mais detalhes, visite o guia de exportação da Ultralytics.

Link to this sectionQuais são os benefícios de usar o TensorFlow Lite para a implantação de modelos YOLO26?#

O TensorFlow Lite (TFLite) é um framework de deep learning de código aberto projetado para inferência no dispositivo, tornando-o ideal para implantar modelos YOLO26 em dispositivos móveis, embarcados e IoT. Os principais benefícios incluem:

• Otimização no dispositivo: Minimize a latência e aumente a privacidade processando dados localmente.
• Compatibilidade de plataforma: Suporta Android, iOS, Linux embarcado e MCU.
• Desempenho: Utiliza aceleração de hardware para otimizar a velocidade e a eficiência do modelo.

Para saber mais, confira o guia do TFLite.

Link to this sectionÉ possível executar modelos YOLO26 TFLite no Raspberry Pi?#

Sim, você pode executar modelos YOLO26 TFLite no Raspberry Pi para melhorar as velocidades de inferência. Primeiro, exporte seu modelo para o formato TFLite conforme explicado acima. Em seguida, use uma ferramenta como o TensorFlow Lite Interpreter para executar o modelo no seu Raspberry Pi.

Para outras otimizações, você pode considerar usar o Coral Edge TPU. Para etapas detalhadas, consulte nosso guia de implantação do Raspberry Pi e o guia de integração do Edge TPU.

Link to this sectionPosso usar modelos TFLite em microcontroladores para previsões do YOLO26?#

Sim, o TFLite suporta a implantação em microcontroladores com recursos limitados. O runtime central do TFLite requer apenas 16 KB de memória em um Arm Cortex M3 e pode executar modelos YOLO26 básicos. Isso o torna adequado para implantação em dispositivos com poder computacional e memória mínimos.

Para começar, visite o guia do TFLite Micro para microcontroladores.

Link to this sectionQuais plataformas são compatíveis com modelos YOLO26 exportados para TFLite?#

O TensorFlow Lite oferece ampla compatibilidade de plataforma, permitindo que você implante modelos YOLO26 em uma ampla gama de dispositivos, incluindo:

• Android e iOS: Suporte nativo por meio das bibliotecas TFLite para Android e iOS.
• Linux embarcado: Ideal para computadores de placa única, como o Raspberry Pi.
• Microcontroladores: Adequado para MCUs com recursos limitados.

Para obter mais informações sobre opções de implantação, consulte nosso guia de implantação detalhado.

Link to this sectionComo soluciono problemas comuns durante a exportação do modelo YOLO26 para TFLite?#

Se você encontrar erros ao exportar modelos YOLO26 para TFLite, as soluções comuns incluem:

• Verifique a compatibilidade do pacote: Certifique-se de estar usando versões compatíveis do Ultralytics e TensorFlow. Consulte nosso guia de instalação.
• Suporte ao modelo: Verifique se o modelo YOLO26 específico suporta a exportação para TFLite conferindo a página de documentação de exportação da Ultralytics.
• Problemas de quantização: Ao usar a quantização INT8, certifique-se de que o caminho do seu conjunto de dados esteja especificado corretamente no parâmetro data.

Para dicas adicionais de solução de problemas, visite nosso guia de Problemas Comuns.