Экспорт модели YOLO11 в TorchScript для быстрого развертывания

Развертывание моделей компьютерного зрения в различных средах, включая встроенные системы, веб-браузеры или платформы с ограниченной поддержкой python, требует гибкого и переносимого решения. TorchScript фокусируется на переносимости и возможности запуска моделей в средах, где вся структура python недоступна. Это делает его идеальным для сценариев, когда вам необходимо развернуть возможности компьютерного зрения на различных устройствах или платформах.

Экспорт в Torchscript для сериализации ваших моделей Ultralytics YOLO11 для кроссплатформенной совместимости и оптимизированного развертывания. В этом руководстве мы покажем вам, как экспортировать ваши модели YOLO11 в формат TorchScript, что упростит их использование в более широком спектре приложений.

Зачем экспортировать в TorchScript?

TorchScript, разработанный создателями PyTorch, — это мощный инструмент для оптимизации и развертывания моделей PyTorch на различных платформах. Экспорт моделей YOLO11 в TorchScript имеет решающее значение для перехода от исследований к реальным приложениям. TorchScript, часть фреймворка PyTorch, помогает сделать этот переход более плавным, позволяя использовать модели PyTorch в средах, которые не поддерживают python.

Процесс включает в себя два метода: трассировку и написание скриптов. Трассировка записывает операции во время выполнения модели, а написание скриптов позволяет определять модели с использованием подмножества Python. Эти методы гарантируют, что такие модели, как YOLO11, по-прежнему могут творить чудеса даже за пределами своей обычной среды Python.

Модели TorchScript также можно оптимизировать с помощью таких методов, как объединение операторов и улучшения в использовании памяти, что обеспечивает эффективное выполнение. Еще одним преимуществом экспорта в TorchScript является его потенциал для ускорения выполнения модели на различных аппаратных платформах. Он создает автономное, готовое к производству представление вашей модели PyTorch, которое можно интегрировать в среды C++, встроенные системы или развернуть в веб- или мобильных приложениях.

Ключевые особенности моделей TorchScript

TorchScript, ключевая часть экосистемы PyTorch, предоставляет мощные функции для оптимизации и развертывания моделей глубокого обучения.

Вот ключевые особенности, которые делают TorchScript ценным инструментом для разработчиков:

• Статическое выполнение графа: TorchScript использует статическое графовое представление вычислений модели, которое отличается от динамического выполнения графа в PyTorch. При статическом выполнении графа вычислительный граф определяется и компилируется один раз перед фактическим выполнением, что приводит к повышению производительности во время инференса.

• Сериализация модели: TorchScript позволяет сериализовать модели PyTorch в платформонезависимый формат. Сериализованные модели можно загружать без необходимости использования исходного кода python, что позволяет развертывать их в различных средах выполнения.

• JIT-компиляция: TorchScript использует Just-In-Time (JIT) компиляцию для преобразования моделей PyTorch в оптимизированное промежуточное представление. JIT компилирует вычислительный граф модели, обеспечивая эффективное выполнение на целевых устройствах.

• Межъязыковая интеграция: С помощью TorchScript вы можете экспортировать модели PyTorch на другие языки, такие как C++, Java и JavaScript. Это упрощает интеграцию моделей PyTorch в существующие программные системы, написанные на разных языках.

• Постепенное преобразование: TorchScript предоставляет подход постепенного преобразования, позволяя вам инкрементно преобразовывать части вашей модели PyTorch в TorchScript. Эта гибкость особенно полезна при работе со сложными моделями или когда вы хотите оптимизировать определенные части кода.

Варианты развертывания в TorchScript

Прежде чем мы рассмотрим код для экспорта моделей YOLO11 в формат TorchScript, давайте разберемся, где обычно используются модели TorchScript.

TorchScript предлагает различные варианты развертывания для моделей машинного обучения, такие как:

• C++ API: Наиболее распространенным вариантом использования TorchScript является его C++ API, который позволяет загружать и выполнять оптимизированные модели TorchScript непосредственно в C++ приложениях. Это идеально подходит для производственных сред, где Python может быть непригодным или недоступным. C++ API предлагает низкие накладные расходы и эффективное выполнение моделей TorchScript, максимально увеличивая потенциал производительности.

• Развертывание на мобильных устройствах: TorchScript предлагает инструменты для преобразования моделей в форматы, готовые к развертыванию на мобильных устройствах. PyTorch Mobile предоставляет среду выполнения для выполнения этих моделей в приложениях iOS и Android. Это обеспечивает возможности автономного вывода с низкой задержкой, улучшая пользовательский опыт и конфиденциальность данных.

• Развертывание в облаке: Модели TorchScript можно развертывать на облачных серверах с помощью таких решений, как TorchServe. Он предоставляет такие функции, как управление версиями моделей, пакетирование и мониторинг метрик для масштабируемого развертывания в производственных средах. Развертывание в облаке с помощью TorchScript может сделать ваши модели доступными через API или другие веб-сервисы.

Экспорт в TorchScript: Преобразование вашей модели YOLO11

Экспорт моделей YOLO11 в TorchScript упрощает их использование в различных местах и помогает им работать быстрее и эффективнее. Это отлично подходит для тех, кто хочет более эффективно использовать модели глубокого обучения в реальных приложениях.

Установка

Чтобы установить необходимый пакет, выполните:

# Install the required package for YOLO11
pip install ultralytics

Подробные инструкции и рекомендации, касающиеся процесса установки, см. в нашем руководстве по установке Ultralytics. Если во время установки необходимых пакетов для YOLO11 у вас возникнут какие-либо трудности, обратитесь к нашему руководству по распространенным проблемам для получения решений и советов.

Использование

Все модели Ultralytics YOLO11 разработаны для поддержки экспорта из коробки, что упрощает их интеграцию в предпочитаемый вами рабочий процесс развертывания. Вы можете просмотреть полный список поддерживаемых форматов экспорта и параметров конфигурации, чтобы выбрать оптимальную настройку для вашего приложения.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo11n.torchscript'

# Load the exported TorchScript model
torchscript_model = YOLO("yolo11n.torchscript")

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

# Export a YOLO11n PyTorch model to TorchScript format
yolo export model=yolo11n.pt format=torchscript # creates 'yolo11n.torchscript'

# Run inference with the exported model
yolo predict model=yolo11n.torchscript source='https://ultralytics.com/images/bus.jpg'

Аргументы экспорта

Для получения более подробной информации о процессе экспорта посетите страницу документации Ultralytics по экспорту.

Развертывание экспортированных моделей YOLO11 TorchScript

После успешного экспорта ваших моделей Ultralytics YOLO11 в формат TorchScript, вы можете их развернуть. Основным и рекомендуемым первым шагом для запуска модели TorchScript является использование метода YOLO("model.torchscript"), как указано в предыдущем фрагменте кода. Однако для получения подробных инструкций по развертыванию ваших моделей TorchScript в различных других средах, ознакомьтесь со следующими ресурсами:

• Изучите развертывание на мобильных устройствах: Документация PyTorch Mobile содержит подробные инструкции по развертыванию моделей на мобильных устройствах, что обеспечивает эффективность и оперативность ваших приложений.

• Освойте развертывание на стороне сервера: Узнайте, как развертывать модели на стороне сервера с помощью TorchServe, предлагая пошаговое руководство для масштабируемого и эффективного обслуживания моделей.

• Реализуйте развертывание на C++: Ознакомьтесь с руководством по загрузке модели TorchScript на C++, что облегчает интеграцию ваших моделей TorchScript в приложения C++ для повышения производительности и универсальности.

Обзор

В этом руководстве мы рассмотрели процесс экспорта моделей Ultralytics YOLO11 в формат TorchScript. Следуя приведенным инструкциям, вы можете оптимизировать модели YOLO11 для повышения производительности и получить гибкость для их развертывания на различных платформах и в различных средах.

Для получения более подробной информации об использовании посетите официальную документацию TorchScript.

Кроме того, если вы хотите узнать больше о других интеграциях Ultralytics YOLO11, посетите нашу страницу руководства по интеграции. Там вы найдете множество полезных ресурсов и идей.

Часто задаваемые вопросы

Что такое экспорт модели Ultralytics YOLO11 в TorchScript?

Экспорт модели Ultralytics YOLO11 в TorchScript обеспечивает гибкое кроссплатформенное развертывание. TorchScript, являющийся частью экосистемы PyTorch, облегчает сериализацию моделей, которые затем можно выполнять в средах, не поддерживающих python. Это делает его идеальным для развертывания моделей на встроенных системах, в средах C++, мобильных приложениях и даже веб-браузерах. Экспорт в TorchScript обеспечивает эффективную производительность и более широкую применимость ваших моделей YOLO11 на различных платформах.

Как я могу экспортировать свою модель YOLO11 в TorchScript с помощью Ultralytics?

Чтобы экспортировать модель YOLO11 в TorchScript, вы можете использовать следующий пример кода:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo11n.torchscript'

# Load the exported TorchScript model
torchscript_model = YOLO("yolo11n.torchscript")

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

# Export a YOLO11n PyTorch model to TorchScript format
yolo export model=yolo11n.pt format=torchscript # creates 'yolo11n.torchscript'

# Run inference with the exported model
yolo predict model=yolo11n.torchscript source='https://ultralytics.com/images/bus.jpg'

Для получения более подробной информации о процессе экспорта обратитесь к документации Ultralytics по экспорту.

Почему мне следует использовать TorchScript для развертывания моделей YOLO11?

Использование TorchScript для развертывания моделей YOLO11 предлагает несколько преимуществ:

• Портативность: Экспортированные модели могут работать в средах, не требующих python, таких как приложения C++, встроенные системы или мобильные устройства.
• Оптимизация: TorchScript поддерживает статическое выполнение графа и JIT-компиляцию (Just-In-Time), что может оптимизировать производительность модели.
• Межъязыковая интеграция: Модели TorchScript могут быть интегрированы в другие языки программирования, что повышает гибкость и расширяемость.
• Сериализация: Модели могут быть сериализованы, что позволяет загружать и выполнять вывод независимо от платформы.

Для получения дополнительной информации о развертывании посетите документацию PyTorch Mobile, документацию TorchServe и руководство по развертыванию на C++.

Каковы этапы установки для экспорта моделей YOLO11 в TorchScript?

Чтобы установить необходимый пакет для экспорта моделей YOLO11, используйте следующую команду:

# Install the required package for YOLO11
pip install ultralytics

Подробные инструкции см. в руководстве по установке Ultralytics. Если во время установки возникнут какие-либо проблемы, обратитесь к руководству по распространенным проблемам.

Как развернуть экспортированные модели TorchScript YOLO11?

После экспорта моделей YOLO11 в формат TorchScript вы можете развернуть их на различных платформах:

• C++ API: Идеально подходит для производственных сред с низкими накладными расходами и высокой эффективностью.
• Развертывание на мобильных устройствах: Используйте PyTorch Mobile для приложений iOS и Android.
• Развертывание в облаке: Используйте такие сервисы, как TorchServe для масштабируемого развертывания на стороне сервера.

Ознакомьтесь с подробными рекомендациями по развертыванию моделей в этих средах, чтобы в полной мере воспользоваться возможностями TorchScript.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии