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.

Tại sao bạn nên xuất khẩu sang TF.Js?

Xuất các mô hình máy học của bạn sang TensorFlow.js, được phát triển bởi TensorFlow nhóm như một phần của rộng lớn hơn TensorFlow Hệ sinh thái, mang lại nhiều lợi thế cho việc triển khai các ứng dụng học máy. Nó giúp tăng cường quyền riêng tư và bảo mật của người dùng bằng cách giữ dữ liệu nhạy cảm trên thiết bị. Hình ảnh dưới đây cho thấy TensorFlow.js kiến trúc và cách các mô hình học máy được chuyển đổi và triển khai trên cả trình duyệt web và Node.js.

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.

Các tính năng chính của TF.Js

Dưới đây là các tính năng chính tạo nên TF.js một công cụ mạnh mẽ cho các nhà phát triển:

• Hỗ trợ đa nền tảng: TensorFlow.js có thể được sử dụng trong cả môi trường trình duyệt và Node.js, mang lại sự linh hoạt trong việc triển khai trên các nền tảng khác nhau. Nó cho phép các nhà phát triển xây dựng và triển khai các ứng dụng dễ dàng hơn.

• Hỗ trợ nhiều phụ trợ: TensorFlow.js hỗ trợ các phụ trợ khác nhau để tính toán, bao gồm: CPU, WebGL cho GPU tăng tốc, WebAssembly (WASM) cho tốc độ thực thi gần như nguyên bản và WebGPU cho khả năng học máy dựa trên trình duyệt nâng cao.

• Khả năng ngoại tuyến: Với TensorFlow.js, các mô hình có thể chạy trong trình duyệt mà không cần kết nối internet, giúp phát triển các ứng dụng có chức năng ngoại tuyến.

Tùy chọn triển khai với TensorFlow.Js

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 cung cấp một loạt các tùy chọn để triển khai các mô hình máy học của bạn:

• Các ứng dụng ML trong trình duyệt: Bạn có thể xây dựng các ứng dụng web chạy các mô hình học máy trực tiếp trong trình duyệt. Nhu cầu tính toán phía máy chủ được loại bỏ và tải máy chủ giảm.

• Node.js Các ứng dụng:: TensorFlow.js cũng hỗ trợ triển khai trong môi trường Node.js, cho phép phát triển các ứng dụng học máy phía máy chủ. Nó đặc biệt hữu ích cho các ứng dụng yêu cầu sức mạnh xử lý của máy chủ hoặc truy cập vào dữ liệu phía máy chủ.

• Tiện ích mở rộng của Chrome: Một kịch bản triển khai thú vị là việc tạo các tiện ích mở rộng của Chrome với TensorFlow.Js. Ví dụ: bạn có thể phát triển một tiện ích mở rộng cho phép người dùng nhấp chuột phải vào hình ảnh trong bất kỳ trang web nào để phân loại nó bằng mô hình ML được đào tạo trước. TensorFlow.js có thể được tích hợp vào trải nghiệm duyệt web hàng ngày để cung cấp thông tin chi tiết hoặc tăng cường ngay lập tức dựa trên học máy.

Exporting YOLO11 Models to TensorFlow.js

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

Cài đặt

Để cài đặt gói yêu cầu, hãy chạy:

# 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.

Sử dụng

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.

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'

Để biết thêm chi tiết về các tùy chọn xuất được hỗ trợ, hãy truy cập Ultralytics trang tài liệu về các tùy chọn triển khai.

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.

Tuy nhiên, để được hướng dẫn chuyên sâu về cách triển khai TF.js các mô hình, hãy xem các tài nguyên sau:

• Tiện ích mở rộng của Chrome: Dưới đây là tài liệu dành cho nhà phát triển về cách triển khai TF.js mô hình vào tiện ích mở rộng của Chrome.

• Chạy TensorFlow.js trong Node.js: A TensorFlow Bài đăng trên blog về chạy bộ TensorFlow.js Node.js trực tiếp.

• Triển khai TensorFlow.js - Dự án Node trên nền tảng đám mây: A TensorFlow Bài đăng trên blog về việc triển khai một TensorFlow.js mô hình trên Nền tảng đám mây.

Tóm tắt

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.

Để biết thêm chi tiết về cách sử dụng, hãy truy cập TensorFlow.js tài liệu chính thức.

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.

FAQ

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:

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'

Để biết thêm chi tiết về các tùy chọn xuất được hỗ trợ, hãy truy cập Ultralytics trang tài liệu về các tùy chọn triển khai.

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

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

1. Thực hiện cục bộ: Các mô hình có thể chạy trực tiếp trong trình duyệt hoặc Node.js, giảm độ trễ và nâng cao trải nghiệm người dùng.
2. Hỗ trợ đa nền tảng: TF.js hỗ trợ nhiều môi trường, cho phép linh hoạt trong triển khai.
3. Khả năng ngoại tuyến: Cho phép các ứng dụng hoạt động mà không cần kết nối internet, đảm bảo độ tin cậy và quyền riêng tư.
4. GPU Tăng tốc: Tận dụng WebGL cho GPU Tăng tốc, tối ưu hiệu suất trên các thiết bị có nguồn lực hạn chế.

Để biết tổng quan toàn diện, hãy xem Tích hợp với TensorFlow.js.

Làm thế nào TensorFlow.js có lợi cho các ứng dụng học máy dựa trên trình duyệt không?

TensorFlow.js được thiết kế đặc biệt để thực thi hiệu quả các mô hình ML trong trình duyệt và môi trường Node.js. Đây là cách nó mang lại lợi ích cho các ứng dụng dựa trên trình duyệt:

• Giảm độ trễ: Chạy các mô hình học máy cục bộ, cung cấp kết quả ngay lập tức mà không cần dựa vào tính toán phía máy chủ.
• Cải thiện quyền riêng tư: Giữ dữ liệu nhạy cảm trên thiết bị của người dùng, giảm thiểu rủi ro bảo mật.
• Cho phép sử dụng ngoại tuyến: Các mô hình có thể hoạt động mà không cần kết nối internet, đảm bảo chức năng nhất quán.
• Hỗ trợ nhiều phụ trợ: Cung cấp sự linh hoạt với các phụ trợ như CPU, WebGL, WebAssembly (WASM) và WebGPU cho các nhu cầu tính toán khác nhau.

Quan tâm đến việc tìm hiểu thêm về TF.Js? Kiểm tra các chính thức TensorFlow.js hướng dẫn.

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

Các tính năng chính của TensorFlow.js bao gồm:

• Hỗ trợ đa nền tảng: TF.js có thể được sử dụng trong cả trình duyệt web và Node.js, cung cấp tính linh hoạt triển khai rộng rãi.
• Nhiều phụ trợ: Hỗ trợ CPU, WebGL cho GPU tăng tốc, WebAssembly (WASM) và WebGPU cho các hoạt động nâng cao.
• Khả năng ngoại tuyến: Các mô hình có thể chạy trực tiếp trong trình duyệt mà không cần kết nối internet, làm cho nó lý tưởng để phát triển các ứng dụng web đáp ứng.

Để biết các kịch bản triển khai và thông tin chuyên sâu hơn, hãy xem phần của chúng tôi về Tùy chọn triển khai với TensorFlow.js.

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.

Để bắt đầu triển khai Node.js, hãy tham khảo Chạy TensorFlow.js trong hướng dẫn Node.js từ TensorFlow.

📅 Created 7 months ago ✏️ Updated 1 month ago

Ý kiến