Link to this sectionExportação de modelos YOLO26 para TorchScript para implantação rápida#

Implantar modelos de visão computacional em ambientes C++ sem Python requer uma representação serializada portátil. O TorchScript fornece essa compatibilidade para aplicações LibTorch legadas.

Exporte para TorchScript para serializar seus modelos Ultralytics YOLO26 para compatibilidade entre plataformas e implantação simplificada. Neste guia, mostraremos como exportar seus modelos YOLO26 para o formato TorchScript, tornando mais fácil para você usá-los em uma gama mais ampla de aplicações.

Link to this sectionPor que exportar para TorchScript?#

Desenvolvido pelos criadores do PyTorch, o TorchScript é uma ferramenta poderosa para otimizar e implantar modelos PyTorch em diversas plataformas. Exportar modelos YOLO26 para TorchScript é crucial para passar da pesquisa para aplicações do mundo real. O TorchScript, parte do framework PyTorch, ajuda a tornar essa transição mais suave, permitindo que modelos PyTorch sejam usados em ambientes que não suportam Python.

O processo envolve duas técnicas: tracing (rastreamento) e scripting (scripting). O tracing registra operações durante a execução do modelo, enquanto o scripting permite a definição de modelos usando um subconjunto de Python. Essas técnicas garantem que modelos como o YOLO26 ainda possam realizar sua mágica mesmo fora do seu ambiente Python habitual.

Modelos TorchScript também podem ser otimizados por meio de técnicas como fusão de operadores e refinamentos no uso de memória, garantindo uma execução eficiente. Outra vantagem de exportar para TorchScript é seu potencial de acelerar a execução do modelo em várias plataformas de hardware. Ele cria uma representação independente e pronta para produção do seu modelo PyTorch que pode ser integrada em ambientes C++.

Link to this sectionPrincipais recursos dos modelos TorchScript#

O TorchScript, uma parte fundamental do ecossistema PyTorch, fornece recursos poderosos para otimizar e implantar modelos de deep learning.

Aqui estão os principais recursos que tornam o TorchScript uma ferramenta valiosa para desenvolvedores:

• Execução de grafo estático: O TorchScript usa uma representação de grafo estático da computação do modelo, o que é diferente da execução de grafo dinâmico do PyTorch. Na execução de grafo estático, o grafo computacional é definido e compilado uma vez antes da execução real, resultando em desempenho aprimorado durante a inferência.

• Serialização de modelos: O TorchScript permite serializar modelos PyTorch em um formato independente de plataforma. Modelos serializados podem ser carregados sem exigir o código Python original, permitindo a implantação em diferentes ambientes de tempo de execução.

• Compilação JIT: O TorchScript usa compilação Just-In-Time (JIT) para converter modelos PyTorch em uma representação intermediária otimizada. O JIT compila o grafo computacional do modelo, permitindo uma execução eficiente em dispositivos de destino.

• Conversão gradual: O TorchScript oferece uma abordagem de conversão gradual, permitindo que você converta incrementalmente partes do seu modelo PyTorch para TorchScript. Essa flexibilidade é particularmente útil ao lidar com modelos complexos ou quando você deseja otimizar partes específicas do código.

Link to this sectionOpções de implantação no TorchScript#

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

O TorchScript oferece várias opções de implantação para modelos de machine learning, como:

• API C++: O caso de uso mais comum para o TorchScript é sua API LibTorch C++, que permite carregar e executar modelos TorchScript otimizados diretamente em aplicações C++. Isso é ideal para ambientes de produção onde o Python pode não ser adequado ou estar disponível. A API C++ oferece execução eficiente e de baixa sobrecarga de modelos TorchScript, maximizando o potencial de desempenho.

• Implantação Móvel: Para inferência offline de baixa latência e privacidade de dados em dispositivos móveis, use o ExecuTorch, substituto do PyTorch para o TorchScript Mobile.

• Implantação em nuvem: Modelos TorchScript podem ser implantados em servidores baseados em nuvem usando soluções como o TorchServe. Ele fornece recursos como controle de versão de modelos, processamento em lote (batching) e monitoramento de métricas para implantação escalável em ambientes de produção. A implantação em nuvem com TorchScript pode tornar seus modelos acessíveis via APIs ou outros serviços web.

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

Exportar modelos YOLO26 para TorchScript torna mais fácil usá-los em diferentes lugares e ajuda a executá-los de forma mais rápida e eficiente. Isso é excelente para qualquer pessoa que queira usar modelos de deep learning de forma mais eficaz em aplicações do mundo real.

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 TorchScript 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 TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

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

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

# 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 do Ultralytics sobre exportação.

Link to this sectionImplantação de modelos YOLO26 TorchScript exportados#

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

• Explorar Implantação Móvel: Use o pipeline separado torch.export() → .pte do ExecuTorch para a implantação móvel atual do PyTorch.

• Dominar a implantação do lado do servidor: Aprenda como implantar modelos do lado do servidor com o TorchServe, oferecendo um tutorial passo a passo para servir modelos de forma escalável e eficiente.

• Implementar implantação em C++: Explore o Tutorial sobre como carregar um modelo TorchScript em C++, facilitando a integração de seus modelos TorchScript em aplicações C++ para maior desempenho e versatilidade.

Link to this sectionResumo#

Neste guia, exploramos o processo de exportação de modelos Ultralytics YOLO26 para o formato TorchScript. Ao seguir as instruções fornecidas, você pode otimizar modelos YOLO26 para desempenho e ganhar a flexibilidade de implantá-los em várias plataformas e ambientes.

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

Além disso, se você quiser saber mais sobre outras integrações do Ultralytics YOLO26, visite nossa página de guia de integração. Você encontrará muitos recursos e insights úteis por lá.

Link to this sectionFAQ#

Link to this sectionO que é a exportação de modelo Ultralytics YOLO26 para TorchScript?#

Exportar um modelo Ultralytics YOLO26 para TorchScript permite uma implantação flexível e multiplataforma. O TorchScript, parte do ecossistema PyTorch, facilita a serialização de modelos, que podem então ser executados em ambientes que carecem de suporte a Python. Isso o torna útil para implantar modelos em ambientes C++.

Link to this sectionComo posso exportar meu modelo YOLO26 para TorchScript usando o Ultralytics?#

Para exportar um modelo YOLO26 para TorchScript, você pode usar o seguinte código de exemplo:

from ultralytics import YOLO

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

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

# Load the exported TorchScript model
torchscript_model = YOLO("yolo26n.torchscript")

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

Para mais detalhes sobre o processo de exportação, consulte a documentação do Ultralytics sobre exportação.

Link to this sectionPor que devo usar o TorchScript para implantar modelos YOLO26?#

Usar o TorchScript para implantar modelos YOLO26 oferece várias vantagens:

• Portabilidade: Modelos exportados podem rodar em aplicações C++ sem Python.
• Otimização: O TorchScript suporta execução de grafo estático e compilação Just-In-Time (JIT), o que pode otimizar o desempenho do modelo.
• Integração entre linguagens: Modelos TorchScript podem ser integrados em outras linguagens de programação, aumentando a flexibilidade e a expansibilidade.
• Serialização: Modelos podem ser serializados, permitindo o carregamento e a inferência independentes de plataforma.

Para mais informações sobre implantação, visite a Documentação do TorchServe e o Guia de Implantação C++. Para implantação móvel on-device, o PyTorch agora recomenda o ExecuTorch, que usa seu próprio pipeline separado torch.export() → .pte em vez do TorchScript.

Link to this sectionQuais são as etapas de instalação para exportar modelos YOLO26 para TorchScript?#

Para instalar o pacote necessário para exportar modelos YOLO26, use o seguinte comando:

# Install the required package for YOLO26
pip install ultralytics

Para instruções detalhadas, visite o guia de instalação do Ultralytics. Se algum problema surgir durante a instalação, consulte o guia de problemas comuns.

Link to this sectionComo implanto meus modelos YOLO26 TorchScript exportados?#

Após exportar modelos YOLO26 para o formato TorchScript, você pode implantá-los em uma variedade de plataformas:

• API C++: Use LibTorch para ambientes de produção de baixa sobrecarga e altamente eficientes.
• Implantação Móvel: Use o ExecuTorch, substituto suportado do PyTorch com um pipeline de exportação .pte separado.
• Implantação em nuvem: Utilize serviços como o TorchServe para implantação escalável do lado do servidor.

Explore diretrizes abrangentes para implantar modelos nesses ambientes para aproveitar ao máximo as capacidades do TorchScript.