YOLO11 Экспорт моделей на 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 портативного решения. TorchScript ориентирован на переносимость и возможность запуска моделей в средах, где весь фреймворк Python недоступен. Это делает его идеальным для сценариев, в которых необходимо развернуть возможности компьютерного зрения на различных устройствах или платформах.

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

Почему вы должны экспортировать на TorchScript?

Разработанный создателями PyTorch, TorchScript является мощным инструментом для оптимизации и развертывания моделей PyTorch на различных платформах. Экспорт моделей YOLO11 в TorchScript очень важен для перехода от исследований к реальным приложениям. TorchScript PyTorch , часть фреймворка , помогает сделать этот переход более плавным, позволяя использовать модели PyTorch в средах, которые не поддерживают Python.

Этот процесс включает в себя две техники: трассировку и создание сценариев. Трассировка записывает операции во время выполнения модели, а скриптинг позволяет определять модели, используя подмножество Python. Эти техники гарантируют, что модели типа YOLO11 смогут работать даже вне привычной среды Python .

TorchScript Модели также могут быть оптимизированы с помощью таких методов, как объединение операторов и уточнение использования памяти, что обеспечивает эффективное выполнение. Еще одним преимуществом экспорта в TorchScript является возможность ускорить выполнение модели на различных аппаратных платформах. Он создает автономное, готовое к производству представление модели PyTorch , которое можно интегрировать в среды C++, встроенные системы или развернуть в веб- или мобильных приложениях.

Ключевые особенности моделей TorchScript

TorchScriptКлючевая часть экосистемы PyTorch предоставляет мощные возможности для оптимизации и развертывания моделей глубокого обучения.

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

• Статическое выполнение графа: TorchScript использует статическое представление графа вычислений модели, что отличается от PyTorch'динамического выполнения графа. При статическом выполнении графа вычислительный граф определяется и компилируется один раз перед фактическим выполнением, что приводит к улучшению производительности при выводе.

• Сериализация моделей: TorchScript позволяет сериализовать PyTorch модели в платформонезависимый формат. Сериализованные модели могут быть загружены без необходимости использования исходного кода Python , что позволяет развертывать их в различных средах выполнения.

• JIT-компиляция: TorchScript использует компиляцию Just-In-Time (JIT) 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 PyTorch -модели в другие языки, такие как C++, Java и JavaScript. Это облегчает интеграцию моделей PyTorch в существующие программные системы, написанные на разных языках.

• Постепенное преобразование: TorchScript обеспечивает постепенное преобразование, позволяя вам постепенно преобразовывать части вашей модели PyTorch в TorchScript. Такая гибкость особенно полезна при работе со сложными моделями или при необходимости оптимизировать отдельные 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 моделей машинного обучения, такие как:

• C++ API: Наиболее распространенным вариантом использования TorchScript является его C++ API, который позволяет загружать и выполнять оптимизированные TorchScript модели непосредственно в приложениях C++. Это идеально подходит для производственных сред, где Python может оказаться непригодным или недоступным. API C++ обеспечивает низкую нагрузку и эффективное выполнение моделей TorchScript , максимизируя потенциал производительности.

• Мобильное развертывание: TorchScript предлагает инструменты для преобразования моделей в форматы, легко развертываемые на мобильных устройствах. PyTorch Mobile предоставляет среду исполнения для выполнения этих моделей в приложениях iOS и Android . Это позволяет проводить выводы с низкой задержкой и в автономном режиме, что повышает удобство использования и конфиденциальность данных.

• Развертывание в облаке: модели TorchScript могут быть развернуты на облачных серверах с помощью таких решений, как TorchServe. Он предоставляет такие возможности, как версионирование моделей, пакетная обработка и мониторинг метрик для масштабируемого развертывания в производственных средах. Облачное развертывание с помощью TorchScript может сделать ваши модели доступными через API или другие веб-сервисы.

Экспорт в TorchScript: Преобразование модели YOLO11

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

Установка

Чтобы установить необходимый пакет, выполните команду:

# Install the required package for YOLO11
pip install ultralytics

Для получения подробных инструкций и лучших практик, связанных с процессом установки, ознакомьтесь с нашим руководством по установкеUltralytics . При установке необходимых пакетов для YOLO11, если вы столкнетесь с какими-либо трудностями, обратитесь к нашему руководству по общим проблемам, чтобы найти решения и советы.

Использование

Прежде чем перейти к инструкциям по использованию, важно отметить, что, хотя все моделиUltralytics YOLO11 доступны для экспорта, вы можете убедиться, что выбранная вами модель поддерживает функцию экспорта , здесь.

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'

Более подробную информацию о процессе экспорта можно найти на странице документацииUltralytics , посвященной экспорту.

Развертывание экспортированных моделей YOLO11 TorchScript

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

• Изучите мобильное развертывание: Сайт PyTorch Документация по мобильным устройствам содержит исчерпывающие рекомендации по развертыванию моделей на мобильных устройствах, обеспечивая эффективность и отзывчивость ваших приложений.

• Мастер развертывания на стороне сервера: Узнайте, как развертывать модели на стороне сервера с помощью TorchServe, предлагающего пошаговое руководство по масштабируемому и эффективному обслуживанию моделей.

• Реализация развертывания на C++: Погрузитесь в учебник по загрузке модели TorchScript в C++, облегчающий интеграцию ваших моделей TorchScript в приложения C++ для повышения производительности и универсальности.

Резюме

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

Более подробную информацию об использовании можно найти в официальной документацииTorchScript.

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

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое Ultralytics YOLO11 экспорт модели на TorchScript?

Экспорт модели Ultralytics YOLO11 в TorchScript обеспечивает гибкое кроссплатформенное развертывание. TorchScript, входящий в экосистему PyTorch , облегчает сериализацию моделей, которые затем могут быть выполнены в средах, не имеющих поддержки Python . Это делает его идеальным для развертывания моделей во встраиваемых системах, средах C++, мобильных приложениях и даже веб-браузерах. Экспорт в TorchScript обеспечивает эффективную работу и более широкую применимость ваших YOLO11 моделей на различных платформах.

Как экспортировать модель YOLO11 в TorchScript с помощью Ultralytics?

Чтобы экспортировать модель YOLO11 в TorchScript, можно воспользоваться следующим примером 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'

Более подробную информацию о процессе экспорта см. в документации по экспорту на сайтеUltralytics .

Почему я должен использовать TorchScript для развертывания моделей YOLO11 ?

Использование TorchScript для развертывания моделей YOLO11 имеет ряд преимуществ:

• Переносимость: Экспортированные модели могут работать в средах, не требующих Python, таких как приложения C++, встраиваемые системы или мобильные устройства.
• Оптимизация: TorchScript поддерживает статическое выполнение графов и компиляцию Just-In-Time (JIT), что позволяет 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 их и делать выводы независимо от платформы.

Более подробную информацию о развертывании можно найти на сайтах PyTorch Mobile Documentation, TorchServe Documentation и C++ Deployment Guide.

Каковы шаги по установке для экспорта моделей YOLO11 в TorchScript?

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

# Install the required package for YOLO11
pip install ultralytics

Подробные инструкции см. в руководстве по установкеUltralytics . Если во время установки возникнут какие-либо проблемы, обратитесь к руководству по общим 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 малозатратных и высокоэффективных производственных сред.
• Мобильное развертывание: Используйте PyTorch Mobile для приложений iOS и Android .
• Развертывание в облаке: Используйте такие сервисы, как TorchServe, для масштабируемого развертывания на стороне сервера.

Изучите комплексные рекомендации по развертыванию моделей в этих условиях, чтобы в полной мере использовать возможности TorchScript.

📅 Создано 9 месяцев назад ✏️ Обновлено 2 месяца назад

Комментарии