Link to this sectionКак экспортировать YOLO26 в TF GraphDef для развертывания#

При развертывании передовых моделей компьютерного зрения, таких как YOLO26, в различных средах ты можешь столкнуться с проблемами совместимости. GraphDef от TensorFlow, или TF GraphDef, предлагает решение, предоставляя сериализованное, независимое от платформы представление твоей модели. Используя формат модели TF GraphDef, ты можешь развертывать свою модель YOLO26 в средах, где полная экосистема TensorFlow может быть недоступна, например на мобильных устройствах или специализированном оборудовании.

В этом руководстве мы пошагово расскажем тебе, как экспортировать модели Ultralytics YOLO26 в формат модели TF GraphDef. Конвертируя свою модель, ты сможешь упростить развертывание и использовать возможности компьютерного зрения YOLO26 в более широком спектре приложений и платформ.

Link to this sectionЗачем экспортировать в TF GraphDef?#

TF GraphDef — это мощный компонент экосистемы TensorFlow, разработанный Google. Его можно использовать для оптимизации и развертывания таких моделей, как YOLO26. Экспорт в TF GraphDef позволяет тебе переносить модели из исследований в реальные приложения. Это позволяет моделям работать в средах без полноценного фреймворка TensorFlow.

Формат GraphDef представляет модель как сериализованный вычислительный граф. Это открывает возможности для различных методов оптимизации, таких как свертка констант (constant folding), квантование и преобразования графа. Эти оптимизации обеспечивают эффективное выполнение, снижение использования памяти и более высокую скорость вывода.

Модели GraphDef могут использовать аппаратные ускорители, такие как GPU, TPU и AI-чипы, что значительно повышает производительность конвейера вывода YOLO26. Формат TF GraphDef создает автономный пакет с моделью и ее зависимостями, упрощая развертывание и интеграцию в разнообразные системы.

Link to this sectionОсновные особенности моделей TF GraphDef#

TF GraphDef предлагает уникальные возможности для упрощения развертывания моделей и их оптимизации.

Вот основные характеристики этого формата:

• Сериализация модели: TF GraphDef предоставляет способ сериализации и хранения моделей TensorFlow в независимом от платформы формате. Это сериализованное представление позволяет тебе загружать и запускать свои модели без исходной кодовой базы Python, что упрощает развертывание.

• Оптимизация графа: TF GraphDef позволяет оптимизировать вычислительные графы. Эти оптимизации могут повысить производительность за счет упрощения потока выполнения, уменьшения избыточности и настройки операций под конкретное оборудование.

• Гибкость развертывания: Модели, экспортированные в формат GraphDef, можно использовать в различных средах, включая устройства с ограниченными ресурсами, веб-браузеры и системы со специализированным оборудованием. Это открывает возможности для более широкого развертывания твоих моделей TensorFlow.

• Ориентация на продакшн: GraphDef разработан для развертывания в промышленной среде. Он поддерживает эффективное выполнение, функции сериализации и оптимизации, соответствующие реальным сценариям использования.

Link to this sectionВарианты развертывания с TF GraphDef#

Прежде чем мы перейдем к процессу экспорта моделей YOLO26 в TF GraphDef, давай рассмотрим типичные ситуации развертывания, где используется этот формат.

Вот как ты можешь эффективно развернуть модель с помощью TF GraphDef на различных платформах.

• TensorFlow Serving: Этот фреймворк предназначен для развертывания моделей TensorFlow в промышленной среде. TensorFlow Serving предлагает управление моделями, версионирование и инфраструктуру для эффективного обслуживания моделей в масштабе. Это бесшовный способ интеграции твоих моделей на базе GraphDef в рабочие веб-сервисы или API.

• Мобильные и встроенные устройства: С помощью таких инструментов, как TensorFlow Lite, ты можешь конвертировать модели TF GraphDef в форматы, оптимизированные для смартфонов, планшетов и различных встроенных устройств. Затем твои модели можно использовать для вывода на устройстве, где выполнение происходит локально, что зачастую обеспечивает прирост производительности и возможности автономной работы.

• Веб-браузеры: TensorFlow.js позволяет развертывать модели TF GraphDef непосредственно в веб-браузерах. Это прокладывает путь для приложений объектного обнаружения в реальном времени, работающих на стороне клиента с использованием возможностей YOLO26 через JavaScript.

• Специализированное оборудование: Платформонезависимая природа TF GraphDef позволяет нацеливаться на нестандартное оборудование, такое как ускорители и TPU (тензорные процессоры). Эти устройства могут обеспечить преимущества в производительности для вычислительно интенсивных моделей.

Link to this sectionЭкспорт моделей YOLO26 в TF GraphDef#

Ты можешь конвертировать свою модель объектного обнаружения YOLO26 в формат TF GraphDef, который совместим с различными системами, чтобы улучшить ее производительность на разных платформах.

Link to this sectionУстановка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

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

Link to this sectionИспользование#

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

Формат TF GraphDef поддерживает режимы Export, Predict и Validate. Экспортируй свою модель, а затем загрузи ее для запуска вывода или проверки точности.

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

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

from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

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

Link to this sectionАргументы экспорта#

Для получения дополнительной информации о процессе экспорта посети страницу документации Ultralytics по экспорту.

Link to this sectionРазвертывание экспортированных моделей YOLO26 TF GraphDef#

Как только ты экспортировал свою модель YOLO26 в формат TF GraphDef, следующим шагом будет развертывание. Основной и рекомендуемый первый шаг для запуска модели TF GraphDef — это использование метода YOLO("model.pb"), как показано ранее в фрагменте кода.

Однако для получения дополнительной информации о развертывании моделей TF GraphDef обрати внимание на следующие ресурсы:

• TensorFlow Serving: Руководство по TensorFlow Serving, которое учит, как эффективно развертывать и обслуживать модели машинного обучения в промышленной среде.

• TensorFlow Lite: На этой странице описывается, как конвертировать модели машинного обучения в формат, оптимизированный для вывода на устройстве с помощью TensorFlow Lite.

• TensorFlow.js: Руководство по конвертации моделей, которое обучает преобразованию моделей TensorFlow или Keras в формат TensorFlow.js для использования в веб-приложениях.

Link to this sectionРезюме#

В этом руководстве мы изучили, как экспортировать модели Ultralytics YOLO26 в формат TF GraphDef. Благодаря этому ты можешь гибко развертывать свои оптимизированные модели YOLO26 в различных средах.

Для получения дополнительных сведений об использовании посети официальную документацию TF GraphDef.

Для получения дополнительной информации об интеграции Ultralytics YOLO26 с другими платформами и фреймворками см. нашу страницу руководства по интеграции.

Link to this sectionFAQ#

Link to this sectionКак мне экспортировать модель YOLO26 в формат TF GraphDef?#

Модели Ultralytics YOLO26 можно легко экспортировать в формат TensorFlow GraphDef (TF GraphDef). Этот формат обеспечивает сериализованное, независимое от платформы представление модели, идеально подходящее для развертывания в различных средах, таких как мобильные устройства и веб. Чтобы экспортировать модель YOLO26 в TF GraphDef, выполни следующие действия:

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

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

Для получения дополнительной информации о различных вариантах экспорта посети документацию Ultralytics по экспорту моделей.

Link to this sectionКаковы преимущества использования TF GraphDef для развертывания модели YOLO26?#

Экспорт моделей YOLO26 в формат TF GraphDef предлагает множество преимуществ, включая:

1. Независимость от платформы: TF GraphDef предоставляет независимый от платформы формат, позволяющий развертывать модели в различных средах, включая мобильные устройства и веб-браузеры.
2. Оптимизации: Формат позволяет выполнять ряд оптимизаций, таких как свертка констант, квантование и преобразования графа, которые повышают эффективность выполнения и снижают использование памяти.
3. Аппаратное ускорение: Модели в формате TF GraphDef могут использовать аппаратные ускорители, такие как GPU, TPU и AI-чипы, для повышения производительности.

Подробнее о преимуществах читай в разделе TF GraphDef нашей документации.

Link to this sectionПочему мне стоит использовать Ultralytics YOLO26 вместо других моделей объектного обнаружения?#

Ultralytics YOLO26 предлагает многочисленные преимущества по сравнению с другими моделями, такими как YOLOv5 и YOLOv7. Вот некоторые ключевые преимущества:

1. Передовая производительность: YOLO26 обеспечивает исключительную скорость и точность для объектного обнаружения, инстанс-сегментации, семантической сегментации и классификации в реальном времени.
2. Простота использования: Обладает удобным API для обучения, валидации, предсказания и экспорта моделей, что делает его доступным как для новичков, так и для экспертов.
3. Широкая совместимость: Поддерживает множество форматов экспорта, включая ONNX, TensorRT, CoreML и TensorFlow, что обеспечивает универсальные варианты развертывания.

Изучи дополнительные детали в нашем введении в YOLO26.

Link to this sectionКак я могу развернуть модель YOLO26 на специализированном оборудовании с помощью TF GraphDef?#

После того как модель YOLO26 экспортирована в формат TF GraphDef, ты можешь развернуть ее на различных платформах со специализированным оборудованием. Типичные сценарии развертывания включают:

• TensorFlow Serving: Используй TensorFlow Serving для масштабируемого развертывания моделей в промышленной среде. Он поддерживает управление моделями и эффективное обслуживание.
• Мобильные устройства: Конвертируй модели TF GraphDef в TensorFlow Lite, оптимизированные для мобильных и встроенных устройств, что позволяет выполнять вывод на самом устройстве.
• Веб-браузеры: Развертывай модели с помощью TensorFlow.js для вывода на стороне клиента в веб-приложениях.
• AI-ускорители: Используй TPU и кастомные AI-чипы для ускоренного вывода.

Ознакомься с разделом вариантов развертывания для получения подробной информации.

Link to this sectionГде я могу найти решения для общих проблем при экспорте моделей YOLO26?#

Для устранения распространенных проблем при экспорте моделей YOLO26 Ultralytics предоставляет исчерпывающие руководства и ресурсы. Если ты столкнулся с проблемами во время установки или экспорта модели, обратись к:

• Руководству по общим проблемам: Предлагает решения часто возникающих проблем.
• Руководству по установке: Пошаговые инструкции по настройке необходимых пакетов.

Эти ресурсы должны помочь тебе решить большинство проблем, связанных с экспортом и развертыванием моделей YOLO26.