YOLO26 Model Formatından TF.js Model Formatına Dışa Aktarma
Makine öğrenimi modellerini doğrudan tarayıcıda veya Node.js üzerinde dağıtmak zor olabilir. Modelinizin, kullanıcının cihazında yerel olarak etkileşimli uygulamaları çalıştırmak için daha hızlı performans için optimize edildiğinden emin olmanız gerekir. TensorFlow.js veya TF.js model formatı, hızlı performans sunarken minimum güç kullanmak üzere tasarlanmıştır.
'TF.js model formatına dışa aktarma' özelliği, Ultralytics YOLO26 modellerinizi yüksek hızlı ve yerel olarak çalışan nesne algılama çıkarımı için optimize etmenizi sağlar. Bu kılavuzda, modellerinizi TF.js formatına dönüştürme sürecinde size yol gösterecek, böylece modellerinizin çeşitli yerel tarayıcılarda ve Node.js uygulamalarında iyi performans göstermesini kolaylaştıracağız.
Neden TF.js'ye Aktarmalısınız?
Makine öğrenimi modellerinizi, daha geniş TensorFlow ekosisteminin bir parçası olarak TensorFlow ekibi tarafından geliştirilen TensorFlow.js'ye aktarmak, makine öğrenimi uygulamalarını dağıtmak için çok sayıda avantaj sunar. Hassas verileri cihazda tutarak kullanıcı gizliliğini ve güvenliğini artırmaya yardımcı olur. Aşağıdaki resim, TensorFlow.js mimarisini ve makine öğrenimi modellerinin hem web tarayıcılarında hem de Node.js'de nasıl dönüştürülüp dağıtıldığını göstermektedir.
Modelleri yerel olarak çalıştırmak ayrıca gecikmeyi azaltır ve daha duyarlı bir kullanıcı deneyimi sağlar. TensorFlow.js ayrıca çevrimdışı özelliklerle birlikte gelir ve kullanıcıların uygulamanızı internet bağlantısı olmadan bile kullanmalarına olanak tanır. TF.js, GPU hızlandırma desteğiyle ölçeklenebilirlik için tasarlandığından, sınırlı kaynaklara sahip cihazlarda karmaşık modellerin verimli bir şekilde yürütülmesi için tasarlanmıştır.
TF.js'nin Temel Özellikleri
İşte TF.js'yi geliştiriciler için güçlü bir araç yapan temel özellikler:
Çapraz Platform Desteği: TensorFlow.js, hem tarayıcı hem de Node.js ortamlarında kullanılabilir ve farklı platformlarda dağıtım esnekliği sağlar. Geliştiricilerin uygulamaları daha kolay oluşturmasına ve dağıtmasına olanak tanır.
Çoklu Arka Uç Desteği: TensorFlow.js, CPU, GPU hızlandırması için WebGL, neredeyse yerel yürütme hızı için WebAssembly (WASM) ve gelişmiş tarayıcı tabanlı makine öğrenimi yetenekleri için WebGPU dahil olmak üzere hesaplama için çeşitli arka uçları destekler.
Çevrimdışı Yetenekler: TensorFlow.js ile modeller, internet bağlantısına ihtiyaç duymadan tarayıcıda çalışabilir ve çevrimdışı işlevsel olan uygulamalar geliştirmeyi mümkün kılar.
TensorFlow.js ile Dağıtım Seçenekleri
YOLO26 modellerini TF.js formatına dışa aktarma sürecine dalmadan önce, bu formatın kullanıldığı bazı tipik dağıtım senaryolarını inceleyelim.
TF.js, makine öğrenimi modellerinizi dağıtmak için çeşitli seçenekler sunar:
Tarayıcı İçi ML Uygulamaları: Doğrudan tarayıcıda makine öğrenimi modellerini çalıştıran web uygulamaları oluşturabilirsiniz. Sunucu tarafı hesaplama ihtiyacı ortadan kalkar ve sunucu yükü azalır.
Node.js Uygulamaları: TensorFlow.js ayrıca Node.js ortamlarında dağıtımı destekleyerek sunucu tarafı makine öğrenimi uygulamalarının geliştirilmesini sağlar. Özellikle bir sunucunun işlem gücünü veya sunucu tarafı verilerine erişimi gerektiren uygulamalar için kullanışlıdır.
Chrome Uzantıları: İlginç bir dağıtım senaryosu, TensorFlow.js ile Chrome uzantıları oluşturmaktır. Örneğin, kullanıcıların herhangi bir web sayfasındaki bir görüntüye sağ tıklayarak önceden eğitilmiş bir ML modeli kullanarak classify etmelerini sağlayan bir uzantı geliştirebilirsiniz. TensorFlow.js, makine öğrenimine dayalı anında içgörüler veya artırmalar sağlamak için günlük web tarama deneyimlerine entegre edilebilir.
YOLO26 Modellerini TensorFlow.js'e Dışa Aktarma
YOLO26 modellerini TF.js'e dönüştürerek model uyumluluğunu ve dağıtım esnekliğini 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.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'
# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")
# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO26n PyTorch model to TF.js format
yolo export model=yolo26n.pt format=tfjs # creates '/yolo26n_web_model'
# Run inference with the exported model
yolo predict model='./yolo26n_web_model' source='https://ultralytics.com/images/bus.jpg'
Dışa Aktarma Argümanları
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
format | str | 'tfjs' | 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. |
half | bool | False | FP16 (yarı duyarlıklı) nicelemeyi etkinleştirir, model boyutunu küçültür ve desteklenen donanımda çıkarımı potansiyel olarak hızlandırır. |
int8 | bool | False | INT8 nicelemesini etkinleştirir, modeli daha da sıkıştırır ve öncelikle uç cihazlar için minimum doğruluk kaybıyla çıkarımı hızlandırır. |
nms | bool | False | Doğru ve verimli detect etme işlem sonrası için gerekli olan Non-Maximum Suppression'ı (NMS) ekler. |
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.
Dışa Aktarılan YOLO26 TensorFlow.js Modellerini Dağıtma
YOLO26 modelinizi TF.js formatına dışa aktardığınıza göre, bir sonraki adım onu dağıtmaktır. Bir TF.js modelini çalıştırmak için birincil ve önerilen ilk adım şunları kullanmaktır: YOLO("./yolo26n_web_model") yöntemini kullanmaktır, daha önce kullanım kodu parçasında gösterildiği gibi.
Ancak, TF.js modellerinizi dağıtma konusunda ayrıntılı talimatlar için aşağıdaki kaynaklara göz atın:
Chrome Uzantısı: TF.js modellerinizi bir Chrome uzantısına nasıl dağıtabileceğinize ilişkin geliştirici dokümantasyonu burada.
Node.js'de TensorFlow.js'yi Çalıştırma: TensorFlow'un Node.js'de doğrudan TensorFlow.js'yi çalıştırma üzerine bir blog gönderisi.
TensorFlow.js'yi Dağıtma - Bulut Platformunda Node Projesi: TensorFlow'un bir Bulut Platformunda bir TensorFlow.js modelini dağıtma üzerine bir blog gönderisi.
Özet
Bu kılavuzda, Ultralytics YOLO26 modellerini TensorFlow.js formatına nasıl dışa aktaracağımızı öğrendik. TF.js'e dışa aktararak, YOLO26 modellerinizi geniş bir platform yelpazesinde optimize etme, dağıtma ve ölçeklendirme esnekliği kazanırsınız.
Kullanım hakkında daha fazla ayrıntı için TensorFlow.js resmi dokümantasyonunu ziyaret edin.
Ultralytics YOLO26'yı diğer platformlar ve framework'lerle entegre etme hakkında daha fazla bilgi için entegrasyon kılavuzu sayfamızı ziyaret etmeyi unutmayın. Projelerinizde YOLO26'dan en iyi şekilde yararlanmanıza yardımcı olacak harika kaynaklarla doludur.
SSS
Ultralytics YOLO26 modellerini TensorFlow.js formatına nasıl dışa aktarırım?
Ultralytics YOLO26 modellerini TensorFlow.js (TF.js) formatına dışa aktarmak basittir. Şu adımları takip edebilirsiniz:
Kullanım
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'
# Load the exported TF.js model
tfjs_model = YOLO("./yolo26n_web_model")
# Run inference
results = tfjs_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO26n PyTorch model to TF.js format
yolo export model=yolo26n.pt format=tfjs # creates '/yolo26n_web_model'
# Run inference with the exported model
yolo predict model='./yolo26n_web_model' source='https://ultralytics.com/images/bus.jpg'
Desteklenen dışa aktarma seçenekleri hakkında daha fazla bilgi için Ultralytics'in dağıtım seçenekleri hakkındaki dokümantasyon sayfasını ziyaret edin.
YOLO26 modellerimi neden TensorFlow.js'e dışa aktarmalıyım?
YOLO26 modellerini TensorFlow.js'e dışa aktarmak, aşağıdakiler de dahil olmak üzere çeşitli avantajlar sunar:
- Yerel Yürütme: Modeller doğrudan tarayıcıda veya Node.js'de çalışabilir, gecikmeyi azaltır ve kullanıcı deneyimini iyileştirir.
- Çapraz Platform Desteği: TF.js, birden çok ortamı destekleyerek dağıtımda esneklik sağlar.
- Çevrimdışı Yetenekler: Uygulamaların internet bağlantısı olmadan çalışmasını sağlayarak güvenilirlik ve gizlilik sağlar.
- GPU Hızlandırması: Sınırlı kaynaklara sahip cihazlarda performansı optimize ederek GPU hızlandırması için WebGL'den yararlanır.
Kapsamlı bir genel bakış için TensorFlow.js ile Entegrasyonlarımıza bakın.
TensorFlow.js, tarayıcı tabanlı makine öğrenimi uygulamalarına nasıl fayda sağlar?
TensorFlow.js, özellikle tarayıcılarda ve Node.js ortamlarında ML modellerinin verimli bir şekilde yürütülmesi için tasarlanmıştır. Tarayıcı tabanlı uygulamalara şu faydaları sağlar:
- Gecikmeyi Azaltır: Makine öğrenimi modellerini yerel olarak çalıştırır ve sunucu tarafı hesaplamalarına güvenmeden anında sonuçlar sağlar.
- Gizliliği İyileştirir: Hassas verileri kullanıcının cihazında tutarak güvenlik risklerini en aza indirir.
- Çevrimdışı Kullanımı Etkinleştirir: Modeller internet bağlantısı olmadan çalışabilir ve tutarlı işlevsellik sağlar.
- Birden Çok Arka Ucu Destekler: Değişen hesaplama ihtiyaçları için CPU, WebGL, WebAssembly (WASM) ve WebGPU gibi arka uçlarla esneklik sunar.
TF.js hakkında daha fazla bilgi edinmek ister misiniz? Resmi TensorFlow.js kılavuzuna göz atın.
YOLO26 modellerini dağıtmak için TensorFlow.js'in temel özellikleri nelerdir?
TensorFlow.js'nin temel özellikleri şunlardır:
- Çapraz Platform Desteği: TF.js, hem web tarayıcılarında hem de Node.js'de kullanılabilir ve kapsamlı dağıtım esnekliği sağlar.
- Çoklu Arka Uçlar: Gelişmiş işlemler için CPU, GPU hızlandırması için WebGL, WebAssembly (WASM) ve WebGPU'yu destekler.
- Çevrimdışı Yetenekler: Modeller, internet bağlantısı olmadan doğrudan tarayıcıda çalışabilir, bu da onu duyarlı web uygulamaları geliştirmek için ideal hale getirir.
Dağıtım senaryoları ve daha derinlemesine bilgi için TensorFlow.js ile Dağıtım Seçenekleri bölümümüze bakın.
TensorFlow.js kullanarak sunucu tarafı Node.js uygulamalarında bir YOLO26 modeli dağıtabilir miyim?
Evet, TensorFlow.js, YOLO26 modellerinin Node.js ortamlarında dağıtımına olanak tanır. Bu, bir sunucunun işlem gücünden ve sunucu tarafı verilere erişimden faydalanan sunucu tarafı makine öğrenimi uygulamalarını mümkün kılar. Tipik kullanım durumları arasında arka uç sunucularında gerçek zamanlı veri işleme ve makine öğrenimi işlem hatları bulunur.
Node.js dağıtımına başlamak için TensorFlow'un TensorFlow.js'i Node.js'de Çalıştırma kılavuzuna bakın.
