Link to this sectionXuất sang định dạng mô hình TF.js từ định dạng mô hình YOLO26#

Việc triển khai các mô hình học máy trực tiếp trên trình duyệt hoặc Node.js có thể khá phức tạp. Bạn cần đảm bảo định dạng mô hình của mình được tối ưu hóa để có hiệu suất nhanh hơn, giúp mô hình có thể chạy các ứng dụng tương tác cục bộ trên thiết bị của người dùng. Định dạng mô hình TensorFlow.js (hay TF.js) được thiết kế để sử dụng năng lượng tối thiểu trong khi vẫn mang lại hiệu suất nhanh chóng.

Tính năng 'xuất sang định dạng mô hình TF.js' cho phép bạn tối ưu hóa các mô hình Ultralytics YOLO26 của mình để thực hiện phát hiện đối tượng cục bộ với tốc độ cao. Trong hướng dẫn này, chúng tôi sẽ chỉ cho bạn cách chuyển đổi mô hình của mình sang định dạng TF.js, giúp mô hình của bạn dễ dàng hoạt động hiệu quả trên nhiều trình duyệt cục bộ và ứng dụng Node.js khác nhau.

Link to this sectionTại sao bạn nên xuất sang TF.js?#

Việc xuất các mô hình học máy của bạn sang TensorFlow.js, vốn được đội ngũ TensorFlow phát triển như một phần của hệ sinh thái TensorFlow rộng lớn hơn, mang lại nhiều lợi thế khi triển khai các ứng dụng học máy. Nó giúp tăng cường quyền riêng tư và bảo mật cho người dùng bằng cách giữ dữ liệu nhạy cảm ngay trên thiết bị. Hình ảnh bên dưới minh họa kiến trúc TensorFlow.js, cũng như cách các mô hình học máy được chuyển đổi và triển khai trên cả trình duyệt web và Node.js.

Việc chạy mô hình cục bộ cũng giúp giảm độ trễ và mang lại trải nghiệm người dùng nhạy bén hơn. TensorFlow.js cũng đi kèm với các khả năng ngoại tuyến, cho phép người dùng sử dụng ứng dụng của bạn ngay cả khi không có kết nối internet. TF.js được thiết kế để thực thi hiệu quả các mô hình phức tạp trên các thiết bị có tài nguyên hạn chế, vì nó được thiết kế để mở rộng quy mô, cùng với sự hỗ trợ tăng tốc GPU.

Link to this sectionCác tính năng chính của TF.js#

Dưới đây là các tính năng chính khiến TF.js trở thành 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 khi triển khai trên các nền tảng khác nhau. Nó cho phép các nhà phát triển xây dựng và triển khai ứng dụng dễ dàng hơn.

• Hỗ trợ nhiều backend: TensorFlow.js hỗ trợ nhiều backend để tính toán bao gồm CPU, WebGL để tăng tốc GPU, WebAssembly (WASM) cho tốc độ thực thi gần như tự nhiên, và WebGPU cho các khả năng học máy trên trình duyệt tiên tiến.

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

Link to this sectionCác tùy chọn triển khai với TensorFlow.js#

Trước khi đi sâu vào quá trình xuất các mô hình YOLO26 sang định dạng TF.js, hãy cùng khám phá một số kịch bản triển khai điển hình mà định dạng này được sử dụng.

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

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

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

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

Link to this sectionXuất mô hình YOLO26 sang TensorFlow.js#

Bạn có thể mở rộng khả năng tương thích của mô hình và sự linh hoạt trong triển khai bằng cách chuyển đổi các mô hình YOLO26 sang TF.js.

Link to this sectionCài đặt#

Để cài đặt gói cần thiết, hãy chạy:

# Install the required package for YOLO26
pip install ultralytics

Để biết hướng dẫn chi tiết và các phương pháp tốt nhất liên quan đến quy trình cài đặt, hãy xem Hướng dẫn cài đặt Ultralytics của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO26, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo Hướng dẫn các vấn đề thường gặp để tìm giải pháp và mẹo.

Link to this sectionCách sử dụng#

Tất cả các mô hình Ultralytics YOLO26 đều được thiết kế để hỗ trợ xuất ngay lập tức, giúp dễ dàng tích hợp chúng vào quy trình triển khai ưa thích của bạn. Bạn có thể xem danh sách đầy đủ các định dạng xuất và tùy chọn cấu hình được hỗ trợ để chọn thiết lập tốt nhất cho ứng dụng của mình.

Định dạng TF.js chỉ dành cho xuất trong Ultralytics — Predict và Validate không khả dụng ở chế độ cục bộ. Hãy triển khai mô hình đã xuất trong trình duyệt hoặc ứng dụng Node.js với runtime TensorFlow.js.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

Link to this sectionĐối số xuất#

Để biết thêm chi tiết về quy trình xuất, hãy truy cập trang tài liệu của Ultralytics về việc xuất.

Link to this sectionTriển khai các mô hình TensorFlow.js YOLO26 đã xuất#

Bây giờ bạn đã xuất mô hình YOLO26 của mình sang định dạng TF.js, bước tiếp theo là triển khai nó. Ultralytics không cung cấp backend suy luận TF.js cục bộ, vì vậy _web_model đã xuất được thiết kế để chạy trực tiếp với runtime TensorFlow.js trong trình duyệt hoặc ứng dụng Node.js.

Để biết hướng dẫn chuyên sâu về việc triển khai các mô hình TF.js của bạn, hãy xem các tài nguyên sau:

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

• Chạy TensorFlow.js trong Node.js: Một bài viết trên blog TensorFlow về việc chạy trực tiếp TensorFlow.js trong Node.js.

• Triển khai TensorFlow.js - Dự án Node trên Nền tảng Đám mây: Một bài viết trên blog TensorFlow về việc triển khai mô hình TensorFlow.js trên Nền tảng Đám mây.

Link to this sectionTóm tắt#

Trong hướng dẫn này, chúng ta đã tìm hiểu cách xuất các mô hình Ultralytics YOLO26 sang định dạng TensorFlow.js. Bằng cách xuất sang TF.js, bạn có được sự linh hoạt để tối ưu hóa, triển khai và mở rộng quy mô các mô hình YOLO26 của mình trên nhiều nền tảng khác nhau.

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

Để biết thêm thông tin về việc tích hợp Ultralytics YOLO26 với các nền tảng và framework khác, đừng quên xem trang hướng dẫn tích hợp của chúng tôi. Trang này chứa đầy các tài nguyên tuyệt vời để giúp bạn tận dụng tối đa YOLO26 trong các dự án của mình.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm cách nào để tôi xuất các mô hình Ultralytics YOLO26 sang định dạng TensorFlow.js?#

Việc xuất các mô hình Ultralytics YOLO26 sang định dạng TensorFlow.js (TF.js) rất đơn giản. Bạn có thể làm theo các bước sau:

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo26n_web_model'

# Deploy the exported '_web_model' with the TensorFlow.js runtime in a browser or Node.js app.
# Ultralytics does not provide a local TF.js inference backend.

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

Link to this sectionTại sao tôi nên xuất các mô hình YOLO26 của mình sang TensorFlow.js?#

Việc xuất các mô hình YOLO26 sang TensorFlow.js mang lại nhiều ưu điểm, bao gồm:

1. Thực thi 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, mang lại sự linh hoạt trong quá trình 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. Tăng tốc GPU: Tận dụng WebGL để tăng tốc GPU, tối ưu hóa hiệu suất trên các thiết bị có tài nguyên hạn chế.

Link to this sectionTensorFlow.js mang lại lợi ích gì cho các ứng dụng học máy dựa trên trình duyệt?#

TensorFlow.js được thiết kế đặc biệt để thực thi hiệu quả các mô hình ML trong trình duyệt và môi trường Node.js. Dưới 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 tức thì mà không cần dựa vào các phép tính 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 ổn định.
• Hỗ trợ nhiều backend: Cung cấp sự linh hoạt với các backend như CPU, WebGL, WebAssembly (WASM), và WebGPU cho các nhu cầu tính toán khác nhau.

Bạn muốn tìm hiểu thêm về TF.js? Hãy xem hướng dẫn chính thức về TensorFlow.js.

Link to this sectionCác tính năng chính của TensorFlow.js để triển khai các mô hình YOLO26 là gì?#

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, mang lại sự linh hoạt rộng rãi khi triển khai.
• Nhiều backend: Hỗ trợ CPU, WebGL để tăng tốc GPU, 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, khiến nó trở nên lý tưởng để phát triển các ứng dụng web nhạy bén.

Đối với các kịch bản triển khai và thông tin chuyên sâu hơn, hãy xem phần Các tùy chọn triển khai với TensorFlow.js của chúng tôi.

Link to this sectionTôi có thể triển khai mô hình YOLO26 trên các ứng dụng Node.js phía máy chủ bằng TensorFlow.js không?#

Có, TensorFlow.js cho phép triển khai các mô hình YOLO26 trong môi trường Node.js. Điều này cho phép xây dựng các ứng dụng học máy phía máy chủ được hưởng lợi từ sức mạnh xử lý của máy chủ và quyền truy cập vào dữ liệu phía máy chủ. Các trường hợp sử dụng điển hình bao gồm xử lý dữ liệu thời gian thực và các đường ống học máy trên các máy chủ backend.

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