TF SavedModel Formatından Nasıl Dışa Aktarılacağını Anlayın YOLO11
Makine öğrenimi modellerini dağıtmak zor olabilir. Ancak verimli ve esnek bir model formatı kullanmak işinizi kolaylaştırabilir. TF SavedModel , TensorFlow tarafından makine öğrenimi modellerini tutarlı bir şekilde yüklemek için kullanılan açık kaynaklı bir makine öğrenimi çerçevesidir. TensorFlow modelleri için bir bavul gibidir ve farklı cihazlarda ve sistemlerde taşınmalarını ve kullanılmalarını kolaylaştırır.
TF SavedModel adresinden nasıl dışa aktarılacağını öğrenme Ultralytics YOLO11 modelleri farklı platformlara ve ortamlara kolayca dağıtmanıza yardımcı olabilir. Bu kılavuzda, modellerinizi TF SavedModel formatına nasıl dönüştüreceğinizi anlatarak, modellerinizle farklı cihazlarda çıkarım yapma sürecini basitleştireceğiz.
Neden TF SavedModel adresine İhracat Yapmalısınız?
TensorFlow SavedModel formatı, aşağıda gösterildiği gibi Google tarafından geliştirilen TensorFlow ekosisteminin bir parçasıdır. TensorFlow modellerini sorunsuz bir şekilde kaydetmek ve serileştirmek için tasarlanmıştır. Mimari, ağırlıklar ve hatta derleme bilgileri gibi modellerin tüm ayrıntılarını kapsüller. Bu, farklı ortamlarda paylaşmayı, dağıtmayı ve eğitime devam etmeyi kolaylaştırır.
TF SavedModel önemli bir avantaja sahiptir: uyumluluğu. TensorFlow Serving, TensorFlow Lite ve TensorFlow.js ile iyi çalışır. Bu uyumluluk, modellerin web ve mobil uygulamalar da dahil olmak üzere çeşitli platformlarda paylaşılmasını ve dağıtılmasını kolaylaştırır. TF SavedModel formatı hem araştırma hem de üretim için kullanışlıdır. Modellerinizi yönetmek için birleşik bir yol sunarak her türlü uygulama için hazır olmalarını sağlar.
TF SavedModels'in Temel Özellikleri
İşte TF SavedModel adresini yapay zeka geliştiricileri için harika bir seçenek haline getiren temel özellikler:
-
Taşınabilirlik: TF SavedModel dilden bağımsız, kurtarılabilir, hermetik bir serileştirme formatı sağlar. Üst düzey sistemlerin ve araçların TensorFlow modellerini üretmesini, tüketmesini ve dönüştürmesini sağlar. SavedModels farklı platformlar ve ortamlar arasında kolayca paylaşılabilir ve dağıtılabilir.
-
Dağıtım Kolaylığı: TF SavedModel hesaplama grafiğini, eğitilmiş parametreleri ve gerekli meta verileri tek bir pakette toplar. Modeli oluşturan orijinal koda ihtiyaç duymadan kolayca yüklenebilir ve çıkarım için kullanılabilirler. Bu, TensorFlow modellerinin çeşitli üretim ortamlarında dağıtımını basit ve verimli hale getirir.
-
Varlık Yönetimi: TF SavedModel sözlükler, yerleştirmeler veya arama tabloları gibi harici varlıkların dahil edilmesini destekler. Bu varlıklar, grafik tanımı ve değişkenlerle birlikte depolanarak model yüklendiğinde kullanılabilir olmaları sağlanır. Bu özellik, harici kaynaklara dayanan modellerin yönetimini ve dağıtımını basitleştirir.
ile Dağıtım Seçenekleri TF SavedModel
YOLO11 modellerini TF SavedModel formatına aktarma sürecine geçmeden önce, bu formatın kullanıldığı bazı tipik dağıtım senaryolarını inceleyelim.
TF SavedModel makine öğrenimi modellerinizi dağıtmak için bir dizi seçenek sunar:
-
TensorFlow Servis: TensorFlow Serving, üretim ortamları için tasarlanmış esnek, yüksek performanslı bir servis sistemidir. Yerel olarak TF SavedModels'i destekleyerek modellerinizi bulut platformlarına, şirket içi sunuculara veya uç cihazlara dağıtmayı ve sunmayı kolaylaştırır.
-
Bulut Platformları: Google Cloud Platform (GCP), Amazon Web Services (AWS) ve Microsoft Azure gibi büyük bulut sağlayıcıları, TF SavedModels dahil olmak üzere TensorFlow modellerini dağıtmak ve çalıştırmak için hizmetler sunar. Bu hizmetler ölçeklenebilir ve yönetilen altyapı sağlayarak modellerinizi kolayca dağıtmanıza ve ölçeklendirmenize olanak tanır.
-
Mobil ve Gömülü Cihazlar: TensorFlow Makine öğrenimi modellerini mobil, gömülü ve IoT cihazlarında çalıştırmak için hafif bir çözüm olan Lite, TF SavedModels'in TensorFlow Lite formatına dönüştürülmesini destekler. Bu, modellerinizi akıllı telefonlar ve tabletlerden mikro denetleyicilere ve uç cihazlara kadar çok çeşitli cihazlara dağıtmanıza olanak tanır.
-
TensorFlow Çalışma süresi: TensorFlow Çalışma Zamanı (
tfrt) çalıştırmak için yüksek performanslı bir çalışma zamanıdır. TensorFlow grafikler. C++ ortamlarında TF SavedModels'i yüklemek ve çalıştırmak için alt düzey API'ler sağlar. TensorFlow Çalışma zamanı, standart TensorFlow çalışma zamanına kıyasla daha iyi performans sunar. Düşük gecikmeli çıkarım ve mevcut C++ kod tabanları ile sıkı entegrasyon gerektiren dağıtım senaryoları için uygundur.
YOLO11 Modellerini Dışa Aktarma TF SavedModel
YOLO11 modellerini TF SavedModel formatına aktararak, çeşitli platformlarda uyarlanabilirliklerini ve dağıtım kolaylıklarını artırırsınız.
Kurulum
Gerekli paketi yüklemek için çalıştırın:
Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz atın. YOLO11 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Ortak Sorunlar kılavuz umuza başvurun.
Kullanım
Kullanım talimatlarına geçmeden önce, tüm Ultralytics YOLO11 modellerinin dışa aktarılabildiğini, ancak seçtiğiniz modelin dışa aktarma işlevini desteklediğinden burada emin olabileceğinizi belirtmek önemlidir.
Kullanım
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to TF SavedModel format
model.export(format="saved_model") # creates '/yolo11n_saved_model'
# Load the exported TF SavedModel model
tf_savedmodel_model = YOLO("./yolo11n_saved_model")
# Run inference
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")
Desteklenen dışa aktarma seçenekleri hakkında daha fazla bilgi için dağıtım seçenekleriyle ilgiliUltralytics belge sayfasını ziyaret edin.
Dışa Aktarılan YOLO11 TF SavedModel Modellerini Dağıtma
Artık YOLO11 modelinizi TF SavedModel biçiminde dışa aktardığınıza göre, bir sonraki adım onu dağıtmaktır. Bir TF GraphDef modelini çalıştırmak için birincil ve önerilen ilk adım, daha önce kullanım kodu parçacığında gösterildiği gibi YOLO("./yolo11n_saved_model") yöntemini kullanmaktır.
Bununla birlikte, TF SavedModel modellerinizin dağıtımına ilişkin ayrıntılı talimatlar için aşağıdaki kaynaklara göz atın:
-
TensorFlow Servis: TF SavedModel modellerinizi TensorFlow Serving kullanarak nasıl dağıtacağınıza ilişkin geliştirici belgelerini burada bulabilirsiniz.
-
Node.js'de bir TensorFlow SavedModel çalıştırın: Node.js'de dönüştürme yapmadan doğrudan bir TensorFlow SavedModel çalıştırma üzerine bir TensorFlow blog yazısı.
-
Bulut Üzerinde Dağıtım: Cloud AI Platformunda bir TensorFlow SavedModel modelinin dağıtımına ilişkin bir TensorFlow blog yazısı.
Özet
Bu kılavuzda, Ultralytics YOLO11 modellerinin TF SavedModel formatına nasıl aktarılacağını inceledik. TF SavedModel biçiminde dışa aktararak, YOLO11 modellerinizi çok çeşitli platformlarda optimize etme, dağıtma ve ölçeklendirme esnekliği kazanırsınız.
Kullanım hakkında daha fazla bilgi için TF SavedModel resmi belgelerini ziyaret edin.
Ultralytics YOLO11 adresini diğer platformlar ve çerçevelerle entegre etme hakkında daha fazla bilgi için entegrasyon kılavuzu sayfamıza göz atmayı unutmayın. Projelerinizde YOLO11 'dan en iyi şekilde yararlanmanıza yardımcı olacak harika kaynaklarla doludur.
SSS
Bir Ultralytics YOLO modelini TensorFlow SavedModel formatına nasıl aktarabilirim?
Bir Ultralytics YOLO modelini TensorFlow SavedModel formatına aktarmak kolaydır. Bunu başarmak için Python veya CLI adreslerini kullanabilirsiniz:
YOLO11 adresine aktarma TF SavedModel
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to TF SavedModel format
model.export(format="saved_model") # creates '/yolo11n_saved_model'
# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolo11n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")
Daha fazla ayrıntı için Ultralytics Dışa Aktarma belgelerine bakın.
Neden TensorFlow SavedModel formatını kullanmalıyım?
TensorFlow SavedModel formatı model dağıtımı için çeşitli avantajlar sunar:
- Taşınabilirlik: Dilden bağımsız bir format sağlayarak modellerin farklı ortamlarda paylaşılmasını ve dağıtılmasını kolaylaştırır.
- Uyumluluk: Web ve mobil uygulamalar da dahil olmak üzere çeşitli platformlarda modelleri dağıtmak için gerekli olan TensorFlow Serving, TensorFlow Lite ve TensorFlow.js gibi araçlarla sorunsuz bir şekilde entegre olur.
- Eksiksiz kapsülleme: Model mimarisini, ağırlıkları ve derleme bilgilerini kodlayarak kolay paylaşım ve eğitimin devam etmesini sağlar.
Daha fazla avantaj ve dağıtım seçeneği için Ultralytics YOLO model dağıtım seçeneklerine göz atın.
TF SavedModel için tipik dağıtım senaryoları nelerdir?
TF SavedModel dahil olmak üzere çeşitli ortamlarda konuşlandırılabilir:
- TensorFlow Servis: Ölçeklenebilir ve yüksek performanslı model sunumu gerektiren üretim ortamları için idealdir.
- Bulut Platformları: Ölçeklenebilir model dağıtımı için Google Cloud Platform (GCP), Amazon Web Services (AWS) ve Microsoft Azure gibi büyük bulut hizmetlerini destekler.
- Mobil ve Gömülü Cihazlar: TF SavedModels'i dönüştürmek için TensorFlow Lite'ı kullanmak, mobil cihazlara, IoT cihazlarına ve mikro denetleyicilere dağıtım yapılmasına olanak tanır.
- TensorFlow Çalışma Zamanı: Daha iyi performans ile düşük gecikmeli çıkarıma ihtiyaç duyan C++ ortamları için.
Ayrıntılı dağıtım seçenekleri için TensorFlow modellerinin dağıtımına ilişkin resmi kılavuzları ziyaret edin.
YOLO11 modellerini dışa aktarmak için gerekli paketleri nasıl yükleyebilirim?
YOLO11 modellerini dışa aktarmak için ultralytics paketini açın. Terminalinizde aşağıdaki komutu çalıştırın:
Daha ayrıntılı kurulum talimatları ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza bakın. Herhangi bir sorunla karşılaşırsanız, Yaygın Sorunlar kılavuzumuza başvurun.
TensorFlow SavedModel formatının temel özellikleri nelerdir?
TF SavedModel formatı aşağıdaki özellikleri nedeniyle yapay zeka geliştiricileri için faydalıdır:
- Taşınabilirlik: Çeşitli ortamlarda zahmetsizce paylaşıma ve dağıtıma izin verir.
- Dağıtım Kolaylığı: Hesaplama grafiğini, eğitilmiş parametreleri ve meta verileri tek bir pakette kapsülleyerek yükleme ve çıkarımı basitleştirir.
- Varlık Yönetimi: Sözcük dağarcığı gibi harici varlıkları destekler ve model yüklendiğinde kullanılabilir olmalarını sağlar.
Daha fazla ayrıntı için resmi TensorFlow belgelerini inceleyin.
