Dağıtım için YOLO26'dan TF GraphDef'e Nasıl Aktarılır
YOLO26 gibi son teknoloji computer vision modellerini farklı ortamlarda dağıtırken uyumluluk sorunlarıyla karşılaşabilirsiniz. Google'ın TensorFlow GraphDef'i veya TF GraphDef, modelinizin serileştirilmiş, platformdan bağımsız bir temsilini sağlayarak bir çözüm sunar. TF GraphDef model formatını kullanarak, YOLO26 modelinizi mobil cihazlar veya özel donanım gibi tam TensorFlow ekosisteminin mevcut olmayabileceği ortamlarda dağıtabilirsiniz.
Bu kılavuzda, Ultralytics YOLO26 modellerinizi TF GraphDef model formatına nasıl aktaracağınızı adım adım göstereceğiz. Modelinizi dönüştürerek, dağıtımı kolaylaştırabilir ve YOLO26'nın bilgisayar görüşü yeteneklerini daha geniş bir uygulama ve platform yelpazesinde kullanabilirsiniz.
Neden TF GraphDef'e Aktarmalısınız?
TF GraphDef, Google tarafından geliştirilen TensorFlow ekosisteminin güçlü bir bileşenidir. YOLO26 gibi modelleri optimize etmek ve dağıtmak için kullanılabilir. TF GraphDef'e dışa aktarma, modelleri araştırmadan gerçek dünya uygulamalarına taşımanızı sağlar. Modellerin tam TensorFlow çerçevesi olmadan ortamlarda çalışmasına olanak tanır.
GraphDef formatı, modeli serileştirilmiş bir hesaplama grafiği olarak temsil eder. Bu, sabit katlama, niceleme ve grafik dönüşümleri gibi çeşitli optimizasyon tekniklerini mümkün kılar. Bu optimizasyonlar, verimli yürütme, azaltılmış bellek kullanımı ve daha hızlı çıkarım hızları sağlar.
GraphDef modelleri, GPU'lar, TPU'lar ve yapay zeka çipleri gibi donanım hızlandırıcılarını kullanarak YOLO26 çıkarım hattı için önemli performans artışları sağlayabilir. TF GraphDef formatı, model ve bağımlılıklarını içeren bağımsız bir paket oluşturarak dağıtımı ve farklı sistemlere entegrasyonu basitleştirir.
TF GraphDef Modellerinin Temel Özellikleri
TF GraphDef, model dağıtımını ve optimizasyonunu kolaylaştırmak için belirgin özellikler sunar.
İşte temel özelliklerine bir bakış:
Model Serileştirme: TF GraphDef, TensorFlow modellerini platformdan bağımsız bir formatta serileştirmenin ve depolamanın bir yolunu sağlar. Bu serileştirilmiş gösterim, orijinal python kod tabanı olmadan modellerinizi yüklemenize ve yürütmenize olanak tanıyarak dağıtımı kolaylaştırır.
Grafik Optimizasyonu: TF GraphDef, hesaplama grafiklerinin optimizasyonunu sağlar. Bu optimizasyonlar, yürütme akışını düzenleyerek, gereksiz işlemleri azaltarak ve işlemleri belirli donanımlara uyacak şekilde uyarlayarak performansı artırabilir.
Dağıtım Esnekliği: GraphDef biçimine aktarılan modeller, kaynak kısıtlı cihazlar, web tarayıcıları ve özel donanıma sahip sistemler dahil olmak üzere çeşitli ortamlarda kullanılabilir. Bu, TensorFlow modellerinizin daha geniş bir şekilde dağıtılması için olanaklar sunar.
Üretim Odağı: GraphDef, üretim dağıtımı için tasarlanmıştır. Gerçek dünya kullanım durumlarıyla uyumlu verimli yürütme, serileştirme özellikleri ve optimizasyonları destekler.
TF GraphDef ile Dağıtım Seçenekleri
YOLO26 modellerini TF GraphDef'e dışa aktarma sürecine dalmadan önce, bu formatın kullanıldığı bazı tipik dağıtım senaryolarına göz atalım.
İşte TF GraphDef ile çeşitli platformlarda verimli bir şekilde nasıl dağıtım yapabileceğiniz.
TensorFlow Serving: Bu çerçeve, TensorFlow modellerini üretim ortamlarında dağıtmak için tasarlanmıştır. TensorFlow Serving, model yönetimi, sürümleme ve ölçekte verimli model sunumu için altyapı sunar. GraphDef tabanlı modellerinizi üretim web servislerine veya API'lere entegre etmenin sorunsuz bir yoludur.
Mobil ve Gömülü Cihazlar: TensorFlow Lite gibi araçlarla, TF GraphDef modellerini akıllı telefonlar, tabletler ve çeşitli gömülü cihazlar için optimize edilmiş biçimlere dönüştürebilirsiniz. Modelleriniz daha sonra, yürütmenin yerel olarak yapıldığı, genellikle performans kazanımları ve çevrimdışı yetenekler sağlayan cihaz üzerinde çıkarım için kullanılabilir.
Web Tarayıcıları:TensorFlow.js, TF GraphDef modellerinin doğrudan web tarayıcıları içinde dağıtılmasını sağlar. Bu, JavaScript aracılığıyla YOLO26 yeteneklerini kullanarak istemci tarafında çalışan gerçek zamanlı nesne detect uygulamalarının önünü açar.
Özel Donanım: TF GraphDef'in platformdan bağımsız yapısı, hızlandırıcılar ve TPU'lar (Tensor İşleme Birimleri) gibi özel donanımları hedeflemesine olanak tanır. Bu cihazlar, yoğun hesaplama gerektiren modeller için performans avantajları sağlayabilir.
YOLO26 Modellerini TF GraphDef'e Aktarma
Çeşitli sistemlerle uyumlu olan YOLO26 nesne detect modelinizi TF GraphDef formatına dönüştürerek platformlar arası performansını artırabilirsiniz.
Kurulum
Gerekli paketi yüklemek için şunu çalıştırın:
Kurulum
# Install the required package for YOLO26
pip install ultralytics
Kurulum süreciyle ilgili detaylı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum rehberimize göz atın. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar rehberimize başvurun.
Kullanım
Tüm Ultralytics YOLO26 modelleri, kutudan çıktığı gibi dışa aktarımı destekleyecek şekilde tasarlanmıştır, bu da onları tercih ettiğiniz dağıtım iş akışına entegre etmeyi kolaylaştırır. Uygulamanız için en iyi kurulumu seçmek üzere desteklenen dışa aktarma formatlarının ve yapılandırma seçeneklerinin tam listesini görüntüleyebilirsiniz.
Kullanım
from ultralytics import YOLO
# Load the 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")
# Export a YOLO26n PyTorch model to TF GraphDef format
yolo export model=yolo26n.pt format=pb # creates 'yolo26n.pb'
# Run inference with the exported model
yolo predict model='yolo26n.pb' source='https://ultralytics.com/images/bus.jpg'
Dışa Aktarma Argümanları
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
format | str | 'pb' | Çeşitli dağıtım ortamlarıyla uyumluluğu tanımlayan, dışa aktarılan modelin hedef formatı. |
imgsz | int veya tuple | 640 | Model girişi için istenen görüntü boyutu. Kare görüntüler için bir tamsayı veya bir demet olabilir (height, width) belirli boyutlar için. |
batch | int | 1 | Dışa aktarma modeli toplu çıkarım boyutunu veya dışa aktarılan modelin aynı anda işleyeceği maksimum görüntü sayısını belirtir. predict modu. |
device | str | None | Dışa aktarma için cihazı belirtir: CPU (device=cpu), Apple silikon için MPS (device=mps). |
Dışa aktarma süreci hakkında daha fazla bilgi için Ultralytics'in dışa aktarma hakkındaki dokümantasyon sayfasını ziyaret edin.
Aktarılan YOLO26 TF GraphDef Modellerini Dağıtma
YOLO26 modelinizi TF GraphDef formatına dışa aktardıktan sonraki adım dağıtımdır. Bir TF GraphDef modelini çalıştırmak için birincil ve önerilen ilk adım, daha önce kullanım kodu snippet'inde gösterildiği gibi YOLO("model.pb") yöntemini kullanmaktır.
Ancak, TF GraphDef modellerinizi dağıtma hakkında daha fazla bilgi için aşağıdaki kaynaklara göz atın:
TensorFlow Serving: Makine öğrenimi modellerini üretim ortamlarında verimli bir şekilde dağıtmayı ve sunmayı öğreten bir TensorFlow Serving kılavuzu.
TensorFlow Lite: Bu sayfa, makine öğrenimi modellerinin TensorFlow Lite ile cihaz üzerinde çıkarım için optimize edilmiş bir biçime nasıl dönüştürüleceğini açıklamaktadır.
TensorFlow.js: TensorFlow veya Keras modellerini web uygulamalarında kullanılmak üzere TensorFlow.js biçimine nasıl dönüştüreceğinizi öğreten bir model dönüştürme kılavuzu.
Özet
Bu kılavuzda, Ultralytics YOLO26 modellerini TF GraphDef formatına nasıl dışa aktaracağımızı inceledik. Bunu yaparak, optimize edilmiş YOLO26 modellerinizi farklı ortamlarda esnek bir şekilde dağıtabilirsiniz.
Kullanım hakkında daha fazla bilgi için TF GraphDef resmi belgelerini ziyaret edin.
Ultralytics YOLO26'yı diğer platformlar ve çerçevelerle entegre etme hakkında daha fazla bilgi için entegrasyon kılavuzu sayfamıza bakın.
SSS
Bir YOLO26 modelini TF GraphDef formatına nasıl aktarırım?
Ultralytics YOLO26 modelleri, TensorFlow GraphDef (TF GraphDef) formatına sorunsuz bir şekilde dışa aktarılabilir. Bu format, modelin serileştirilmiş, platformdan bağımsız bir temsilini sunar ve mobil ve web gibi çeşitli ortamlarda dağıtım için idealdir. Bir YOLO26 modelini TF GraphDef'e dışa aktarmak için şu adımları izleyin:
Kullanım
from ultralytics import YOLO
# Load the 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")
# Export a YOLO26n PyTorch model to TF GraphDef format
yolo export model="yolo26n.pt" format="pb" # creates 'yolo26n.pb'
# Run inference with the exported model
yolo predict model="yolo26n.pb" source="https://ultralytics.com/images/bus.jpg"
Farklı dışa aktarma seçenekleri hakkında daha fazla bilgi için, model dışa aktarma hakkında Ultralytics dokümantasyonunu ziyaret edin.
YOLO26 model dağıtımı için TF GraphDef kullanmanın faydaları nelerdir?
YOLO26 modellerini TF GraphDef formatına dışa aktarmak, aşağıdakiler de dahil olmak üzere birçok avantaj sunar:
- Platform Bağımsızlığı: TF GraphDef, platformdan bağımsız bir format sağlayarak modellerin mobil ve web tarayıcıları dahil olmak üzere çeşitli ortamlarda dağıtılmasına olanak tanır.
- Optimizasyonlar: Biçim, yürütme verimliliğini artıran ve bellek kullanımını azaltan sabit katlama, niceleme ve grafik dönüşümleri gibi çeşitli optimizasyonları mümkün kılar.
- Donanım Hızlandırması: TF GraphDef formatındaki modeller, performans kazanımları için GPU'lar, TPU'lar ve AI çipleri gibi donanım hızlandırıcılarından yararlanabilir.
Belgelerimizin TF GraphDef bölümünde faydaları hakkında daha fazla bilgi edinin.
Neden diğer nesne detect modelleri yerine Ultralytics YOLO26 kullanmalıyım?
Ultralytics YOLO26, YOLOv5 ve YOLOv7 gibi diğer modellere kıyasla çok sayıda avantaj sunar. Başlıca faydalar şunlardır:
- Son Teknoloji Performans: YOLO26, gerçek zamanlı nesne detect, segment ve sınıflandırma için olağanüstü hız ve doğruluk sağlar.
- Kullanım Kolaylığı: Model eğitimi, doğrulama, tahmin ve dışa aktarma için kullanıcı dostu bir API'ye sahiptir ve hem yeni başlayanlar hem de uzmanlar için erişilebilir olmasını sağlar.
- Geniş Uyumluluk: Çok yönlü dağıtım seçenekleri için ONNX, TensorRT, CoreML ve TensorFlow dahil olmak üzere birden fazla dışa aktarım formatını destekler.
Daha fazla ayrıntı için YOLO26'ya giriş sayfamızı inceleyin.
TF GraphDef kullanarak özel donanım üzerinde bir YOLO26 modelini nasıl dağıtabilirim?
Bir YOLO26 modeli TF GraphDef formatına dışa aktarıldığında, çeşitli özel donanım platformlarında dağıtabilirsiniz. Tipik dağıtım senaryoları şunları içerir:
- TensorFlow Serving: Üretim ortamlarında ölçeklenebilir model dağıtımı için TensorFlow Serving'i kullanın. Model yönetimini ve verimli sunumu destekler.
- Mobil Cihazlar: TF GraphDef modellerini, cihaz üzerinde çıkarımı etkinleştiren, mobil ve gömülü cihazlar için optimize edilmiş TensorFlow Lite'a dönüştürün.
- Web Tarayıcıları: Web uygulamalarında istemci tarafı çıkarımı için TensorFlow.js kullanarak modelleri dağıtın.
- AI Hızlandırıcılar: Hızlandırılmış çıkarım için TPU'lardan ve özel AI çiplerinden yararlanın.
Ayrıntılı bilgi için dağıtım seçenekleri bölümüne bakın.
YOLO26 modellerini aktarırken karşılaşılan yaygın sorunlar için çözümleri nerede bulabilirim?
YOLO26 modellerini dışa aktarma ile ilgili yaygın sorunları gidermek için Ultralytics kapsamlı kılavuzlar ve kaynaklar sunar. Kurulum veya model dışa aktarma sırasında sorunlarla karşılaşırsanız şunlara başvurun:
- Sık Karşılaşılan Sorunlar Kılavuzu: Sık karşılaşılan sorunlara çözümler sunar.
- Kurulum Kılavuzu: Gerekli paketleri kurmak için adım adım talimatlar.
Bu kaynaklar, YOLO26 model dışa aktarma ve dağıtımıyla ilgili çoğu sorunu çözmenize yardımcı olacaktır.
