Dağıtım için YOLOv8 adresinden TF GraphDef adresine Nasıl Aktarılır

YOLOv8 gibi son teknoloji bilgisayarla görme modellerini farklı ortamlarda kullanırken uyumluluk sorunlarıyla karşılaşabilirsiniz. Google'ın TensorFlow GraphDef , veya TF GraphDef , modelinizin serileştirilmiş, platformdan bağımsız bir temsilini sağlayarak bir çözüm sunar. TF GraphDef model formatını kullanarak, YOLOv8 modelinizi mobil cihazlar veya özel donanımlar gibi TensorFlow ekosisteminin tamamının mevcut olmayabileceği ortamlarda dağıtabilirsiniz.

Bu kılavuzda, bilgisayarınızı nasıl dışa aktaracağınız konusunda size adım adım yol göstereceğiz. Ultralytics YOLOv8 modellerini TF GraphDef model formatına dönüştürün. Modelinizi dönüştürerek, dağıtımı kolaylaştırabilir ve YOLOv8'un bilgisayarla görme yeteneklerini daha geniş bir uygulama ve platform yelpazesinde kullanabilirsiniz.

Neden TF GraphDef adresine İhracat Yapmalısınız?

TF GraphDef Google tarafından geliştirilen TensorFlow ekosisteminin güçlü bir bileşenidir. YOLOv8 gibi modelleri optimize etmek ve dağıtmak için kullanılabilir. TF GraphDef adresine aktarmak, modelleri araştırmadan gerçek dünya uygulamalarına taşımamızı sağlar. Modellerin tam TensorFlow çerçevesi olmayan 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, daha az bellek kullanımı ve daha yüksek çıkarım hızları sağlar.

GraphDef modeller GPU'lar, TPU'lar ve AI çipleri gibi donanım hızlandırıcılarını kullanabilir ve YOLOv8 çıkarım işlem hattı için önemli performans kazanımlarının kilidini açabilir. TF GraphDef formatı, model ve bağımlılıkları ile bağımsız bir paket oluşturarak dağıtımı ve çeşitli sistemlere entegrasyonu basitleştirir.

TF GraphDef Modellerinin Temel Özellikleri

TF GraphDef model dağıtımını ve optimizasyonunu kolaylaştırmak için farklı özellikler sunar.

İşte temel özelliklerine bir göz atın:

• Model Serileştirme: TF GraphDef , TensorFlow modellerini platformdan bağımsız bir biçimde serileştirmek ve saklamak için bir yol sağlar. Bu serileştirilmiş temsil, modellerinizi orijinal Python kod tabanı olmadan yüklemenize ve çalıştırmanıza olanak tanıyarak dağıtımı kolaylaştırır.

• Grafik Optimizasyonu: TF GraphDef hesaplama grafiklerinin optimizasyonunu sağlar. Bu optimizasyonlar, yürütme akışını düzene sokarak, fazlalıkları azaltarak ve işlemleri belirli donanımlara uyacak şekilde uyarlayarak performansı artırabilir.

• Dağıtım Esnekliği: GraphDef formatına aktarılan modeller, kaynakları kısıtlı cihazlar, web tarayıcıları ve özel donanıma sahip sistemler dahil olmak üzere çeşitli ortamlarda kullanılabilir. Bu, TensorFlow modellerinizin daha geniş çaplı dağıtımı için olanaklar sağlar.

• Üretim Odağı: GraphDef üretim dağıtımı için tasarlanmıştır. Verimli yürütmeyi, serileştirme özelliklerini ve gerçek dünyadaki kullanım durumlarıyla uyumlu optimizasyonları destekler.

ile Dağıtım Seçenekleri TF GraphDef

YOLOv8 modellerini TF GraphDef adresine aktarma sürecine geçmeden önce, bu formatın kullanıldığı bazı tipik dağıtım durumlarına bir göz atalım.

İşte TF GraphDef ile çeşitli platformlarda verimli bir şekilde nasıl dağıtım yapabileceğiniz.

• TensorFlow Hizmet: Bu çerçeve, TensorFlow modellerini üretim ortamlarında dağıtmak için tasarlanmıştır. TensorFlow Serving, model yönetimi, sürüm oluşturma ve ölçekte verimli model sunumu için altyapı sunar. GraphDef tabanlı modellerinizi üretim web hizmetlerine veya API'lerine 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 formatlara 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 konuşlandırılmasını sağlar. JavaScript aracılığıyla YOLOv8 'un yeteneklerini kullanarak istemci tarafında çalışan gerçek zamanlı nesne algılama uygulamalarının önünü açar.

• Özel Donanım: TF GraphDef 'un platformdan bağımsız yapısı, hızlandırıcılar ve TPU'lar (Tensor İşlem Birimleri) gibi özel donanımları hedeflemesine olanak tanır. Bu cihazlar, hesaplama açısından yoğun modeller için performans avantajları sağlayabilir.

YOLOv8 Modellerini Dışa Aktarma TF GraphDef

Platformlar arasındaki performansını artırmak için YOLOv8 nesne algılama modelinizi çeşitli sistemlerle uyumlu olan TF GraphDef biçimine dönüştürebilirsiniz.

Kurulum

Gerekli paketi yüklemek için çalıştırın:

# Install the required package for YOLOv8
pip install ultralytics

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz atın. YOLOv8 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Ortak Sorunlar kılavuz umuza başvurun.

Kullanım

Kullanım talimatlarına geçmeden önce, tüm Ultralytics YOLOv8 modellerinin dışa aktarılabildiğini, ancak seçtiğiniz modelin dışa aktarma işlevini desteklediğinden burada emin olabileceğinizi belirtmek önemlidir.

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n.pt')

# Export the model to TF GraphDef format
model.export(format='pb')  # creates 'yolov8n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO('yolov8n.pb')

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

# Export a YOLOv8n PyTorch model to TF GraphDef format
yolo export model=yolov8n.pt format=pb  # creates 'yolov8n.pb'

# Run inference with the exported model
yolo predict model='yolov8n.pb' source='https://ultralytics.com/images/bus.jpg'

Desteklenen dışa aktarma seçenekleri hakkında daha fazla bilgi için dağıtım seçenekleriyle ilgiliUltralytics belge sayfasını ziyaret edin.

Dışa Aktarılan YOLOv8 TF GraphDef Modellerini Dağıtma

YOLOv8 modelinizi TF GraphDef biçiminde dışa aktardıktan sonra, bir sonraki adım dağıtımdır. Bir TF GraphDef modelini çalıştırmak için birincil ve önerilen ilk adım, daha önce kullanım kodu parçacığında gösterildiği gibi YOLO("model.pb") yöntemini kullanmaktır.

Bununla birlikte, TF GraphDef modellerinizin dağıtımı hakkında daha fazla bilgi için aşağıdaki kaynaklara göz atın:

• TensorFlow Servis: Makine öğrenimi modellerinin üretim ortamlarında verimli bir şekilde nasıl dağıtılacağını ve sunulacağını öğreten TensorFlow Serving üzerine bir kılavuz.

• TensorFlow Lite: Bu sayfada, makine öğrenimi modellerinin TensorFlow Lite ile cihaz üzerinde çıkarım için optimize edilmiş bir biçime nasıl dönüştürüleceği açıklanmaktadır.

• TensorFlow.js: Web uygulamalarında kullanılmak üzere TensorFlow veya Keras modellerinin TensorFlow.js formatına nasıl dönüştürüleceğini öğreten bir model dönüştürme kılavuzu.

Özet

Bu kılavuzda, Ultralytics YOLOv8 modellerinin TF GraphDef formatına nasıl aktarılacağını inceledik. Bunu yaparak, optimize edilmiş YOLOv8 modellerinizi farklı ortamlarda esnek bir şekilde dağıtabilirsiniz.

Kullanım hakkında daha fazla bilgi için TF GraphDef resmi belgelerini ziyaret edin.

Ultralytics YOLOv8 adresini diğer platformlar ve çerçevelerle entegre etme hakkında daha fazla bilgi için entegrasyon kılavuzu sayfamıza göz atmayı unutmayın. Projelerinizde YOLOv8 'dan en iyi şekilde yararlanmanıza yardımcı olacak harika kaynaklar ve bilgiler içeriyor.

Yorumlar