Link to this sectionУзнай, как экспортировать модели YOLO26 в формат TFLite Edge TPU#

Развертывание моделей компьютерного зрения на устройствах с ограниченной вычислительной мощностью, таких как мобильные или встроенные системы, может быть непростой задачей. Использование формата моделей, оптимизированного для повышения производительности, упрощает этот процесс. Формат TensorFlow Lite Edge TPU или TFLite Edge TPU разработан для обеспечения минимального энергопотребления при высокой скорости работы нейронных сетей.

Функция экспорта в формат TFLite Edge TPU позволяет оптимизировать модели Ultralytics YOLO26 для высокоскоростного и энергоэффективного вывода. В этом руководстве мы покажем, как преобразовать модели в формат TFLite Edge TPU, чтобы они эффективнее работали на различных мобильных и встроенных устройствах.

Link to this sectionПочему стоит экспортировать в TFLite Edge TPU?#

Экспорт моделей в TensorFlow Edge TPU делает задачи машинного обучения быстрыми и эффективными. Эта технология подходит для приложений с ограниченным энергопотреблением, вычислительными ресурсами и подключением. Edge TPU — это аппаратный ускоритель от Google. Он ускоряет работу моделей TensorFlow Lite на граничных устройствах. На изображении ниже показан пример этого процесса.

Edge TPU работает с квантованными моделями. Квантование делает модели меньше и быстрее без существенной потери точности. Это идеально подходит для ограниченных ресурсов граничных вычислений, позволяя приложениям быстро реагировать за счет снижения задержек и быстрой локальной обработки данных без зависимости от облака. Локальная обработка также обеспечивает конфиденциальность и безопасность пользовательских данных, так как они не отправляются на удаленный сервер.

Link to this sectionКлючевые особенности TFLite Edge TPU#

Вот основные особенности, которые делают TFLite Edge TPU отличным выбором формата модели для разработчиков:

• Оптимизированная производительность на граничных устройствах: TFLite Edge TPU обеспечивает высокую скорость работы нейронных сетей за счет квантования, оптимизации модели, аппаратного ускорения и оптимизации компилятора. Минималистичная архитектура способствует уменьшению размера и повышению экономической эффективности.

• Высокая вычислительная пропускная способность: TFLite Edge TPU сочетает в себе специализированное аппаратное ускорение и эффективное выполнение среды исполнения для достижения высокой вычислительной пропускной способности. Он отлично подходит для развертывания моделей машинного обучения с жесткими требованиями к производительности на граничных устройствах.

• Эффективные матричные вычисления: TensorFlow Edge TPU оптимизирован для матричных операций, которые критически важны для вычислений нейронных сетей. Эта эффективность является ключевой для моделей машинного обучения, особенно тех, которые требуют многочисленных и сложных матричных умножений и преобразований.

Link to this sectionВарианты развертывания с TFLite Edge TPU#

Прежде чем мы перейдем к экспорту моделей YOLO26 в формат TFLite Edge TPU, давай разберемся, где обычно используются модели TFLite Edge TPU.

TFLite Edge TPU предлагает различные варианты развертывания моделей машинного обучения, включая:

• Локальное развертывание (On-Device): Модели TensorFlow Edge TPU могут быть развернуты непосредственно на мобильных и встроенных устройствах. Локальное развертывание позволяет моделям выполняться прямо на оборудовании, исключая необходимость подключения к облаку, будь то внедрение модели в состав приложения или ее загрузка по требованию.

• Граничные вычисления с облачными TensorFlow TPU: В ситуациях, когда граничные устройства имеют ограниченные вычислительные возможности, TensorFlow Edge TPU могут переносить задачи логического вывода на облачные серверы, оснащенные TPU.

• Гибридное развертывание: Гибридный подход сочетает в себе локальное и облачное развертывание и предлагает универсальное и масштабируемое решение для запуска моделей машинного обучения. Преимущества включают локальную обработку для быстрого отклика и облачные вычисления для более сложных расчетов.

Link to this sectionЭкспорт моделей YOLO26 в TFLite Edge TPU#

Ты можешь расширить совместимость моделей и гибкость развертывания, преобразовав модели YOLO26 в TensorFlow Edge TPU.

Link to this sectionУстановка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

Подробные инструкции и рекомендации по процессу установки см. в нашем руководстве по установке Ultralytics. Если при установке необходимых пакетов для YOLO26 возникнут трудности, обратись к нашему руководству по распространенным проблемам за решениями и советами.

Link to this sectionИспользование#

Все модели Ultralytics YOLO26 разработаны для поддержки экспорта «из коробки», что упрощает их интеграцию в твой предпочитаемый рабочий процесс развертывания. Ты можешь посмотреть полный список поддерживаемых форматов экспорта и параметров конфигурации, чтобы выбрать лучшую настройку для своего приложения.

Формат TFLite Edge TPU поддерживает режимы Export, Predict и Validate. Логический вывод и валидация выполняются на оборудовании Coral Edge TPU. Экспортируй модель, а затем загрузи ее для запуска логического вывода или проверки точности.

from ultralytics import YOLO

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

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionАргументы экспорта#

Более подробную информацию о процессе экспорта можно найти на странице документации Ultralytics по экспорту.

Link to this sectionРазвертывание экспортированных моделей YOLO26 TFLite Edge TPU#

После успешного экспорта моделей Ultralytics YOLO26 в формат TFLite Edge TPU ты можешь приступать к их развертыванию. Основным и рекомендуемым первым шагом для запуска модели TFLite Edge TPU является использование метода YOLO("model_edgetpu.tflite"), как описано в предыдущем фрагменте кода.

Однако для получения подробных инструкций по развертыванию моделей TFLite Edge TPU ознакомься со следующими ресурсами:

• Coral Edge TPU на Raspberry Pi с Ultralytics YOLO26: Узнай, как интегрировать Coral Edge TPU с Raspberry Pi для расширения возможностей машинного обучения.

• Примеры кода: Получи доступ к практическим примерам развертывания TensorFlow Edge TPU, чтобы быстро начать свои проекты.

• Запуск логического вывода на Edge TPU с помощью Python: Изучи, как использовать Python API TensorFlow Lite для приложений Edge TPU, включая руководства по настройке и использованию.

Link to this sectionИтог#

В этом руководстве мы научились экспортировать модели Ultralytics YOLO26 в формат TFLite Edge TPU. Следуя указанным выше шагам, ты сможешь повысить скорость и мощность своих приложений компьютерного зрения.

Для получения дополнительной информации об использовании посети официальный сайт Edge TPU.

Также для получения дополнительной информации о других интеграциях Ultralytics YOLO26 посети нашу страницу руководства по интеграции. Там ты найдешь ценные ресурсы и идеи.

Link to this sectionFAQ#

Link to this sectionКак экспортировать модель YOLO26 в формат TFLite Edge TPU?#

Чтобы экспортировать модель YOLO26 в формат TFLite Edge TPU, выполни следующие шаги:

from ultralytics import YOLO

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

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

Полную информацию об экспорте моделей в другие форматы см. в нашем руководстве по экспорту.

Link to this sectionКаковы преимущества экспорта моделей YOLO26 в TFLite Edge TPU?#

Экспорт моделей YOLO26 в TFLite Edge TPU дает несколько преимуществ:

• Оптимизированная производительность: достижение высокой скорости работы нейронной сети при минимальном энергопотреблении.
• Снижение задержки: быстрая локальная обработка данных без зависимости от облака.
• Повышенная конфиденциальность: локальная обработка сохраняет пользовательские данные в безопасности.

Это делает его идеальным для приложений в сфере граничных вычислений, где устройства имеют ограниченные вычислительные ресурсы. Узнай больше о том, почему стоит выполнять экспорт.

Link to this sectionМогу ли я развертывать модели TFLite Edge TPU на мобильных и встроенных устройствах?#

Да, модели TensorFlow Lite Edge TPU можно развертывать непосредственно на мобильных и встроенных устройствах. Такой подход позволяет моделям выполняться прямо на аппаратном обеспечении, обеспечивая более быстрый и эффективный логический вывод. Примеры интеграции см. в нашем руководстве по развертыванию Coral Edge TPU на Raspberry Pi.

Link to this sectionКаковы распространенные варианты использования моделей TFLite Edge TPU?#

Распространенные варианты использования моделей TFLite Edge TPU включают:

• Умные камеры: улучшение анализа изображений и видео в режиме реального времени.
• Устройства IoT: обеспечение автоматизации умного дома и промышленности.
• Здравоохранение: ускорение медицинской визуализации и диагностики.
• Розничная торговля: улучшение управления запасами и анализа поведения клиентов.

Эти приложения получают выгоду от высокой производительности и низкого энергопотребления моделей TFLite Edge TPU. Узнай больше о сценариях использования.

Link to this sectionКак устранить неполадки при экспорте или развертывании моделей TFLite Edge TPU?#

Если ты столкнулся с проблемами при экспорте или развертывании моделей TFLite Edge TPU, обратись к нашему руководству по распространенным проблемам за советами по устранению неполадок. Это руководство охватывает типичные проблемы и способы их решения. Для получения дополнительной поддержки посети наш Справочный центр.