Экспорт модели YOLO26 в формат TF.js (устарело)#

Развернуть модели машинного обучения непосредственно в браузере или Node.js бывает непросто. Нужно убедиться, что формат модели оптимизирован для высокой производительности, чтобы ее можно было использовать для интерактивных приложений на устройстве пользователя. Формат моделей TensorFlow.js, или TF.js, разработан для низкого энергопотребления при высокой производительности.

Зачем экспортировать модель в TF.js?#

Экспорт моделей машинного обучения в TensorFlow.js, разработанный командой TensorFlow в рамках более широкой экосистемы TensorFlow, дает множество преимуществ при развертывании приложений машинного обучения. Это повышает конфиденциальность и безопасность пользователей, поскольку конфиденциальные данные остаются на устройстве. На изображении ниже показана архитектура TensorFlow.js и то, как модели машинного обучения преобразуются и развертываются в веб-браузерах и Node.js.

Локальный запуск моделей также снижает задержку и делает взаимодействие с приложением более отзывчивым. TensorFlow.js также поддерживает работу без подключения к интернету, поэтому пользователи могут работать с твоим приложением офлайн. TF.js предназначен для эффективного выполнения сложных моделей на устройствах с ограниченными ресурсами и спроектирован с учетом масштабируемости и поддержки ускорения на GPU.

Основные возможности TF.js#

Вот основные возможности, благодаря которым TF.js полезен разработчикам:

• Кроссплатформенная поддержка: TensorFlow.js можно использовать в браузере и среде Node.js, что обеспечивает гибкость развертывания на разных платформах. Это упрощает разработку и развертывание приложений.

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

• Автономная работа: TensorFlow.js позволяет запускать модели в браузере без подключения к интернету, благодаря чему можно разрабатывать приложения, работающие офлайн.

Варианты развертывания с TensorFlow.js#

TF.js предлагает различные варианты развертывания моделей машинного обучения:

• Веб-приложения с машинным обучением: можно создавать веб-приложения, в которых модели машинного обучения запускаются непосредственно в браузере. Это устраняет необходимость в вычислениях на стороне сервера и снижает нагрузку на него.

• Приложения Node.js: TensorFlow.js также поддерживает развертывание в средах Node.js, позволяя разрабатывать серверные приложения машинного обучения. Это особенно полезно для приложений, которым нужны вычислительные ресурсы сервера или доступ к серверным данным.

• Расширения Chrome: один из интересных сценариев развертывания — создание расширений Chrome с TensorFlow.js. Например, можно разработать расширение, которое позволяет пользователям щелкнуть правой кнопкой мыши по изображению на любой веб-странице и классифицировать его с помощью предварительно обученной модели машинного обучения. TensorFlow.js можно встроить в повседневный веб-серфинг, чтобы сразу получать полезные результаты или улучшения на основе машинного обучения.

Замени экспорт TF.js на LiteRT#

Для нового экспорта преобразуй модель в LiteRT.

Установка#

Чтобы установить необходимый пакет, выполни команду:

# Install the required package for YOLO26
pip install ultralytics

Подробные инструкции и рекомендации по установке смотри в руководстве по установке Ultralytics. Если при установке пакетов, необходимых для YOLO26, возникнут сложности, решения и советы найдешь в руководстве по распространенным проблемам.

Использование#

Все модели Ultralytics YOLO26 изначально поддерживают экспорт, поэтому их легко интегрировать в предпочтительный процесс развёртывания. Чтобы выбрать оптимальную конфигурацию для своего приложения, посмотри полный список поддерживаемых форматов экспорта и параметров конфигурации.

Аргумент tfjs теперь экспортирует модель .tflite в формате LiteRT, которая поддерживает режимы экспорта, предсказания и валидации локально и работает в браузере через LiteRT.js.

from ultralytics import YOLO

# Загрузи модель YOLO26
model = YOLO("yolo26n.pt")

# Экспортируй модель в формат LiteRT (заменяет TF.js)
model.export(format="litert", imgsz=640)  # используй imgsz=224 для классификации

Аргументы экспорта#

Смотри аргументы экспорта LiteRT. Подробнее о процессе экспорта читай на странице документации Ultralytics об экспорте.

Развертывание экспортированных моделей YOLO26 TensorFlow.js#

Теперь, когда ты экспортировал модель YOLO26, следующий шаг — развернуть ее. В результате экспорта создается модель .tflite формата LiteRT, которая работает на устройстве и в браузере через LiteRT.js.

Для справки ниже приведены ресурсы по устаревшей среде выполнения TensorFlow.js:

• Расширение Chrome: документация для разработчиков по развертыванию моделей TF.js в расширении Chrome.

• Запуск TensorFlow.js в Node.js: руководство TensorFlow по непосредственному запуску TensorFlow.js в Node.js.

• Развертывание проекта TensorFlow.js для Node.js на облачной платформе: руководство TensorFlow по развертыванию проекта TensorFlow.js для Node.js на облачной платформе.

Итоги#

Это руководство описывает устаревший сценарий развертывания TF.js. Для новых экспортов используй LiteRT.

Подробнее об использовании см. в официальной документации TensorFlow.js.

Часто задаваемые вопросы#