İçeriğe geç

Export to TF.js Model Format From a YOLO11 Model Format

Deploying machine learning models directly in the browser or on Node.js can be tricky. You'll need to make sure your model format is optimized for faster performance so that the model can be used to run interactive applications locally on the user's device. The TensorFlow.js, or TF.js, model format is designed to use minimal power while delivering fast performance.

The 'export to TF.js model format' feature allows you to optimize your Ultralytics YOLO11 models for high-speed and locally-run object detection inference. In this guide, we'll walk you through converting your models to the TF.js format, making it easier for your models to perform well on various local browsers and Node.js applications.

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 dönüştürüldüğünü ve dağıtıldığını göstermektedir.

TF.js Mimarisi

Running models locally also reduces latency and provides a more responsive user experience. TensorFlow.js also comes with offline capabilities, allowing users to use your application even without an internet connection. TF.js is designed for efficient execution of complex models on devices with limited resources as it is engineered for scalability, with GPU acceleration support.

TF.js'nin Temel Özellikleri

İşte TF.js'yi geliştiriciler için güçlü bir araç haline getiren temel özellikler:

  • Platformlar Arası Destek: TensorFlow.js hem tarayıcı hem de Node.js ortamlarında kullanılabilir ve farklı platformlarda dağıtımda esneklik sağlar. Geliştiricilerin uygulamaları daha kolay oluşturmasını ve dağıtmasını sağlar.

  • Çoklu Arka Uç Desteği: TensorFlow.js, hesaplama için CPU, GPU hızlandırma için WebGL, neredeyse yerel yürütme hızı için WebAssembly (WASM) ve gelişmiş tarayıcı tabanlı makine öğrenimi yetenekleri için WebGPU dahil olmak üzere çeşitli arka uçları destekler.

  • Çevrimdışı Yetenekler: TensorFlow .js ile modeller internet bağlantısına ihtiyaç duymadan tarayıcıda çalışabilir, bu da çevrimdışı çalışan uygulamalar geliştirmeyi mümkün kılar.

TensorFlow.js ile Dağıtım Seçenekleri

Before we dive into the process of exporting YOLO11 models to the TF.js format, let's explore some typical deployment scenarios where this format is used.

TF.js, makine öğrenimi modellerinizi dağıtmak için bir dizi seçenek sunar:

  • Tarayıcı İçi Makine Öğrenimi Uygulamaları: Makine öğrenimi modellerini doğrudan tarayıcıda 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 gücüne veya sunucu tarafındaki verilere erişime ihtiyaç duyan uygulamalar için kullanışlıdır.

  • Chrome Uzantıları: İlginç bir dağıtım senaryosu da TensorFlow.js ile Chrome uzantılarının oluşturulmasıdır. Örneğin, kullanıcıların önceden eğitilmiş bir makine öğrenimi modeli kullanarak sınıflandırmak için herhangi bir web sayfasındaki bir görüntüye sağ tıklamasına olanak tanıyan bir uzantı geliştirebilirsiniz. TensorFlow.js, makine öğrenimine dayalı olarak anında içgörüler veya artırmalar sağlamak için günlük web tarama deneyimlerine entegre edilebilir.

Exporting YOLO11 Models to TensorFlow.js

You can expand model compatibility and deployment flexibility by converting YOLO11 models to TF.js.

Kurulum

Gerekli paketi yüklemek için çalıştırın:

Kurulum

# Install the required package for YOLO11
pip install ultralytics

For detailed instructions and best practices related to the installation process, check our Ultralytics Installation guide. While installing the required packages for YOLO11, if you encounter any difficulties, consult our Common Issues guide for solutions and tips.

Kullanım

Before diving into the usage instructions, it's important to note that while all Ultralytics YOLO11 models are available for exporting, you can ensure that the model you select supports export functionality here.

Kullanım

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

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

# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

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

Deploying Exported YOLO11 TensorFlow.js Models

Now that you have exported your YOLO11 model to the TF.js format, the next step is to deploy it. The primary and recommended first step for running a TF.js is to use the YOLO("./yolo11n_web_model") method, as previously shown in the usage code snippet.

Bununla birlikte, TF.js modellerinizi dağıtmaya ilişkin ayrıntılı talimatlar için aşağıdaki kaynaklara göz atın:

Özet

In this guide, we learned how to export Ultralytics YOLO11 models to the TensorFlow.js format. By exporting to TF.js, you gain the flexibility to optimize, deploy, and scale your YOLO11 models on a wide range of platforms.

Kullanım hakkında daha fazla bilgi için TensorFlow.js resmi belgelerini ziyaret edin.

For more information on integrating Ultralytics YOLO11 with other platforms and frameworks, don't forget to check out our integration guide page. It's packed with great resources to help you make the most of YOLO11 in your projects.

SSS

How do I export Ultralytics YOLO11 models to TensorFlow.js format?

Exporting Ultralytics YOLO11 models to TensorFlow.js (TF.js) format is straightforward. You can follow these steps:

Kullanım

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

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

# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

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

Why should I export my YOLO11 models to TensorFlow.js?

Exporting YOLO11 models to TensorFlow.js offers several advantages, including:

  1. Yerel Yürütme: Modeller doğrudan tarayıcıda veya Node.js'de çalışabilir, gecikmeyi azaltır ve kullanıcı deneyimini geliştirir.
  2. Platformlar Arası Destek: TF.js birden fazla ortamı destekleyerek dağıtımda esneklik sağlar.
  3. Çevrimdışı Yetenekler: Uygulamaların internet bağlantısı olmadan çalışmasını sağlayarak güvenilirlik ve gizlilik sağlar.
  4. GPU Hızlandırma: GPU hızlandırma için WebGL'den yararlanarak sınırlı kaynaklara sahip cihazlarda performansı optimize eder.

Kapsamlı bir genel bakış için TensorFlow.js ile Entegrasyonlar bölümümüze bakın.

TensorFlow.js tarayıcı tabanlı makine öğrenimi uygulamalarına nasıl fayda sağlar?

TensorFlow.js, ML modellerinin tarayıcılarda ve Node.js ortamlarında verimli bir şekilde yürütülmesi için özel olarak tasarlanmıştır. Tarayıcı tabanlı uygulamalara nasıl fayda sağladığı aşağıda açıklanmıştır:

  • Gecikmeyi Azaltır: Makine öğrenimi modellerini yerel olarak çalıştırır ve sunucu tarafı hesaplamalarına bağlı kalmadan anında sonuçlar sağlar.
  • Gizliliği Geliştirir: Hassas verileri kullanıcının cihazında tutarak güvenlik risklerini en aza indirir.
  • Çevrimdışı Kullanım Sağlar: Modeller internet bağlantısı olmadan çalışabilir ve tutarlı işlevsellik sağlar.
  • Çoklu Arka Uçları Destekler: Farklı 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.

What are the key features of TensorFlow.js for deploying YOLO11 models?

TensorFlow.js'nin temel özellikleri şunlardır:

  • Platformlar Arası Destek: TF.js hem web tarayıcılarında hem de Node.js'de kullanılabilir ve kapsamlı dağıtım esnekliği sağlar.
  • Çoklu Arka Uçlar: CPU , GPU hızlandırma için WebGL, WebAssembly (WASM) ve gelişmiş işlemler için 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 ayrıntılı bilgi için TensorFlow.js ile Dağıtım Seçenekleri bölümümüze bakın.

Can I deploy a YOLO11 model on server-side Node.js applications using TensorFlow.js?

Yes, TensorFlow.js allows the deployment of YOLO11 models on Node.js environments. This enables server-side machine learning applications that benefit from the processing power of a server and access to server-side data. Typical use cases include real-time data processing and machine learning pipelines on backend servers.

Node.js dağıtımına başlamak için TensorFlow adresindeki TensorFlow.js'yi Node.js'de Çalıştır kılavuzuna bakın.


📅 Created 6 months ago ✏️ Updated 12 days ago
UltralitikAsistan glenn-jocher MatthewNoyce RizwanMunawar abirami-vina

Yorumlar