Xuất khẩu sang TF Định dạng mô hình .js từ một YOLO11 Định dạng mô hình

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

'Xuất khẩu sang TF Tính năng định dạng mô hình .js cho phép bạn tối ưu hóa các mô hình Ultralytics YOLO11 của mình để suy luận phát hiện đối tượng cục bộ và tốc độ cao. Trong hướng dẫn này, chúng tôi sẽ hướng dẫn bạn cách chuyển đổi các mô hình của mình sang TF Định dạng .js, giúp mô hình của bạn hoạt động tốt hơn trên nhiều trình duyệt cục bộ và ứng dụng Node.js.

Tại sao bạn nên xuất khẩu sang TF .js?

Xuất mô hình học máy của bạn sang TensorFlow .js, được phát triển bởi TensorFlow đội như một phần của rộng hơn TensorFlow hệ sinh thái, cung cấp 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 lưu trữ dữ liệu nhạy cảm trên thiết bị. Hình ảnh bên dưới cho thấy TensorFlow Kiến trúc .js và cách các mô hình học máy được chuyển đổi và triển khai trên cả trình duyệt web và Node.js.

Chạy mô hình cục bộ cũng làm giảm độ trễ và cung cấp trải nghiệm người dùng phản hồi nhanh hơn. TensorFlow .js cũng đi kèm với 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 hiện hiệu quả các mô hình phức tạp trên các thiết bị có tài nguyên hạn chế vì nó được thiết kế để có khả năng mở rộng, với GPU hỗ trợ tăng tốc.

Các tính năng chính của TF .js

Dưới đây là những tính năng chính làm nên TF .js là một công cụ mạnh mẽ dành 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, cung cấp tính linh hoạt trong việc triển khai trên nhiều 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 khác nhau để tính toán bao gồm CPU , WebGL cho GPU tăng tốc, WebAssembly (WASM) cho tốc độ thực thi gần như gốc và WebGPU cho khả năng học máy tiên tiến dựa trên trình duyệt.

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

Tùy chọn triển khai với TensorFlow .js

Trước khi chúng ta đi sâu vào quá trình xuất khẩu YOLO11 các mô hình cho TF Định dạng .js, chúng ta hãy cùng khám phá một số tình huống triển khai điển hình sử dụng định dạng này.

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

• Ứng dụng ML 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 bị loại bỏ và tải máy chủ được giảm.

• 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. 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 Chrome: Một kịch bản triển khai thú vị là việc tạo ra các tiện ích mở rộng Chrome với TensorFlow .js. Ví dụ, bạn có thể phát triển tiện ích mở rộng cho phép người dùng nhấp chuột phải vào hình ảnh trong bất kỳ trang web nào để phân loại hình ảnh đó 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 tức thời dựa trên công nghệ máy học.

Xuất khẩu YOLO11 Các mô hình để TensorFlow .js

Bạn có thể mở rộng khả năng tương thích của mô hình và tính linh hoạt triển khai bằng cách chuyển đổi YOLO11 mô hình để TF .js.

Cài đặt

Để cài đặt gói cần thiết, hãy chạy:

# Install the required package for YOLO11
pip install ultralytics

Để biết hướng dẫn chi tiết và các biện pháp thực hành 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 YOLO11 , nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo hướng dẫn Sự cố thường gặp của chúng tôi để biết giải pháp và mẹo.

Cách sử dụng

Trước khi tìm hiểu hướng dẫn sử dụng, điều quan trọng cần lưu ý là mặc dù tất cả các mẫu Ultralytics YOLO11 đều có thể xuất, nhưng bạn có thể đảm bảo rằng mẫu bạn chọn có hỗ trợ chức năng xuất tại đây .

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 trang tài liệu Ultralytics về các tùy chọn triển khai .

Triển khai Đã xuất YOLO11 TensorFlow Các mô hình .js

Bây giờ bạn đã xuất khẩu YOLO11 mô hình cho TF .js, bước tiếp theo là triển khai nó. Bước đầu tiên chính và được khuyến nghị để chạy TF .js là sử dụng YOLO("./yolo11n_web_model") phương pháp, như đã trình bày trước đó trong đoạn mã sử dụng.

Tuy nhiên, để có hướng dẫn chi tiết về việc triển khai TF Các mô hình .js, hãy tham khảo các tài nguyên sau:

• Tiện ích mở rộng Chrome : Đây là tài liệu dành cho nhà phát triển về cách triển khai TF .js thành tiện ích mở rộng của Chrome.

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

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

Bản tóm tắt

Trong hướng dẫn này, chúng tôi đã học cách xuất Ultralytics YOLO11 các mô hình cho TensorFlow Định dạng .js. Bằng cách xuất sang TF .js, bạn có được sự linh hoạt để tối ưu hóa, triển khai và mở rộng quy mô YOLO11 mô hình 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 YOLO11 với các nền tảng và khuôn khổ khác, đừng quên xem trang hướng dẫn tích hợp của chúng tôi. Nó chứa đầy các tài nguyên tuyệt vời để giúp bạn tận dụng tối đa YOLO11 trong các dự án của bạn.

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi xuất khẩu Ultralytics YOLO11 mô hình để TensorFlow Định dạng .js?

Xuất khẩu Ultralytics YOLO11 mô hình để TensorFlow .js ( TF Định dạng .js) rất đơn giản. Bạn có thể làm theo các bước sau:

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 trang tài liệu Ultralytics về các tùy chọn triển khai .

Tại sao tôi nên xuất khẩu của tôi YOLO11 mô hình để TensorFlow .js?

Xuất khẩu YOLO11 mô hình để TensorFlow .js cung cấp một số lợi thế, bao gồm:

1. Thực thi cục bộ: Mô hình có thể chạy trực tiếp trên trình duyệt hoặc Node.js, giúp giảm độ trễ và nâng cao trải nghiệm của người dùng.
2. Hỗ trợ đa nền tảng: TF .js hỗ trợ nhiều môi trường, cho phép triển khai linh hoạt.
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 cho GPU tăng tốc, tối ưu hóa hiệu suất trên các thiết bị có tài nguyên hạn chế.

Để có cái nhìn tổng quan toàn diện, hãy xem Tích hợp với TensorFlow .js của chúng tôi.

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

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

• Giảm độ trễ: Chạy các mô hình máy học cục bộ, cung cấp kết quả ngay lập tức mà không cần dựa vào tính toán phía máy chủ.
• Cải thiện quyền riêng tư: Lưu trữ 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 Backend: Cung cấp tính linh hoạt với các backend 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? Hãy xem hướng dẫn .js chính thức TensorFlow .

Những đặc điểm chính của là gì? TensorFlow .js để triển khai YOLO11 mô hình?

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 tính linh hoạt khi triển khai.
• Nhiều Backend: 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 trên trình duyệt mà không cần kết nối internet, rất lý tưởng để phát triển các ứng dụng web đáp ứng.

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

Tôi có thể triển khai một YOLO11 mô hình trên các ứng dụng Node.js phía máy chủ sử dụng TensorFlow .js?

Đúng, TensorFlow .js cho phép triển khai YOLO11 mô hình trên môi trường Node.js. Điều này cho phép 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 đường ống học máy trên máy chủ phụ trợ.

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

📅 Được tạo cách đây 8 tháng ✏️ Đã cập nhật cách đây 2 tháng

Bình luận