Экспорт в формат модели TF.js из формата модели YOLO26#

Развертывание моделей машинного обучения непосредственно в браузере или в Node.js может быть непростой задачей. Тебе нужно убедиться, что формат модели оптимизирован для более высокой производительности, чтобы её можно было использовать для запуска интерактивных приложений локально на устройстве пользователя. Формат модели TensorFlow.js (или TF.js) разработан таким образом, чтобы потреблять минимальное количество энергии и обеспечивать высокую производительность.

Функция «экспорт в формат модели TF.js» позволяет оптимизировать твои модели Ultralytics YOLO26 для высокоскоростного локального вывода обнаружения объектов. В этом руководстве мы поможем тебе конвертировать модели в формат TF.js, чтобы их было проще использовать в различных локальных браузерах и приложениях Node.js.

Зачем тебе экспортировать в TF.js?#

Экспорт твоих моделей машинного обучения в TensorFlow.js, разработанный командой TensorFlow как часть более широкой экосистемы TensorFlow, дает множество преимуществ для развертывания приложений машинного обучения. Это помогает повысить конфиденциальность и безопасность пользователей, сохраняя конфиденциальные данные на устройстве. Изображение ниже демонстрирует архитектуру TensorFlow.js и то, как модели машинного обучения конвертируются и развертываются как в веб-браузерах, так и в Node.js.

Локальный запуск моделей также снижает задержку и обеспечивает более высокую отзывчивость пользовательского интерфейса. TensorFlow.js также обладает возможностями работы в автономном режиме, позволяя пользователям использовать твое приложение даже без подключения к интернету. TF.js разработан для эффективного выполнения сложных моделей наустройствах с ограниченными ресурсами, так как он создан с расчетом на масштабируемость и поддерживает аппаратное ускорение GPU.

Ключевые особенности TF.js#

Вот основные функции, которые делают TF.js мощным инструментом для разработчиков:

• Кроссплатформенная поддержка: TensorFlow.js можно использовать как в браузере, так и в средах Node.js, что обеспечивает гибкость развертывания на различных платформах. Это позволяет разработчикам легче создавать и развертывать приложения.

• Поддержка нескольких бэкендов: TensorFlow.js поддерживает различные бэкенды для вычислений, включая CPU, WebGL для ускорения GPU, WebAssembly (WASM) для скорости выполнения, близкой к нативной, и WebGPU для расширенных возможностей машинного обучения в браузере.

• Автономные возможности: С помощью TensorFlow.js модели могут работать в браузере без необходимости подключения к интернету, что делает возможным создание приложений, функциональных в автономном режиме.

Варианты развертывания с TensorFlow.js#

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

TF.js предоставляет ряд возможностей для развертывания твоих моделей машинного обучения:

• ML-приложения в браузере: Ты можешь создавать веб-приложения, которые запускают модели машинного обучения прямо в браузере. Потребность в серверных вычислениях исключается, а нагрузка на сервер снижается.

• Приложения Node.js: TensorFlow.js также поддерживает развертывание в средах Node.js, позволяя разрабатывать серверные приложения машинного обучения. Это особенно полезно для приложений, требующих вычислительной мощности сервера или доступа к серверным данным.

• Расширения для Chrome: Интересный сценарий развертывания — создание расширений для Chrome с помощью TensorFlow.js. Например, ты можешь разработать расширение, которое позволяет пользователям кликать правой кнопкой мыши по изображению на любой веб-странице, чтобы классифицировать его с помощью предобученной модели ML. TensorFlow.js можно интегрировать в повседневный опыт работы с браузером, чтобы предоставлять мгновенные аналитические данные или дополнения на основе машинного обучения.

Экспорт моделей YOLO26 в TensorFlow.js#

Ты можешь расширить совместимость моделей и гибкость развертывания, конвертировав модели YOLO26 в TF.js.

Установка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

Подробные инструкции и лучшие практики, связанные с процессом установки, можно найти в нашем руководстве по установке Ultralytics. Если в процессе установки необходимых пакетов для YOLO26 у тебя возникнут какие-либо трудности, обратись к нашему руководству по частым проблемам за решениями и советами.

Использование#

Все модели Ultralytics YOLO26 поддерживают экспорт из коробки, что позволяет легко интегрировать их в твой привычный рабочий процесс развертывания. Ты можешь посмотреть полный список поддерживаемых форматов экспорта и параметров конфигурации, чтобы выбрать оптимальную настройку для своего приложения.

Аргумент tfjs теперь экспортирует модель LiteRT .tflite, которая поддерживает режимы Export, Predict и Validate локально и запускается в браузере через LiteRT.js. Актуальный путь развертывания в браузере и на устройствах см. в руководстве по экспорту LiteRT.

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="litert", imgsz=640)  # use imgsz=224 for classification

Аргументы экспорта#

Дополнительную информацию о процессе экспорта см. на странице документации Ultralytics по экспорту.

Развертывание экспортированных моделей YOLO26 TensorFlow.js#

Теперь, когда ты экспортировал модель YOLO26, следующим шагом будет её развертывание. В результате экспорта создается модель LiteRT .tflite, которая работает на устройстве и в браузере через LiteRT.js — актуальный путь см. в руководстве по экспорту LiteRT.

Для справки, устаревшие ресурсы среды выполнения TensorFlow.js приведены ниже:

• Расширение для Chrome: документация для разработчиков о том, как развернуть модели TF.js в расширении для Chrome.

• Запуск TensorFlow.js в Node.js: запись в блоге TensorFlow о запускенейтральных сетей TensorFlow.js напрямую в Node.js.

• Развертывание TensorFlow.js — проект Node на облачной платформе: запись в блоге TensorFlow о развертывании модели TensorFlow.js на облачной платформе.

Резюме#

В этом руководстве мы узнали, как экспортировать модели Ultralytics YOLO26 в формат TensorFlow.js. Экспортируя в TF.js, ты получаешь гибкость для оптимизации, развертывания и масштабирования своих моделей YOLO26 на широком спектре платформ.

Для получения дополнительной информации об использовании посети официальную документацию TensorFlow.js.

Чтобы узнать больше об интеграции Ultralytics YOLO26 с другими платформами и фреймворками, обязательно загляни на нашу страницу руководства по интеграции. Она полна полезных ресурсов, которые помогут тебе максимально эффективно использовать YOLO26 в своих проектах.

FAQ#