Link to this sectionXuất Model YOLO26 sang TorchScript để triển khai nhanh#

Việc triển khai các model computer vision trên nhiều môi trường khác nhau, bao gồm hệ thống nhúng, trình duyệt web hoặc các nền tảng có hỗ trợ Python hạn chế, đòi hỏi một giải pháp linh hoạt và có tính di động cao. TorchScript tập trung vào tính di động và khả năng chạy model trong các môi trường mà framework Python không khả dụng. Điều này làm cho nó trở nên lý tưởng cho các tình huống bạn cần triển khai khả năng computer vision trên nhiều thiết bị hoặc nền tảng khác nhau.

Hãy xuất sang TorchScript để tuần tự hóa (serialize) các model Ultralytics YOLO26 của bạn nhằm đảm bảo tính tương thích đa nền tảng và triển khai tinh gọn. Trong hướng dẫn này, chúng tôi sẽ chỉ cho bạn cách xuất model YOLO26 sang định dạng TorchScript, giúp bạn dễ dàng sử dụng chúng trên nhiều ứng dụng hơn.

Link to this sectionTại sao bạn nên xuất sang TorchScript?#

Được phát triển bởi những người tạo ra PyTorch, TorchScript là một công cụ mạnh mẽ để tối ưu hóa và triển khai các model PyTorch trên nhiều nền tảng. Việc xuất model YOLO26 sang TorchScript là rất quan trọng để chuyển từ nghiên cứu sang các ứng dụng thực tế. Là một phần của framework PyTorch, TorchScript giúp quá trình chuyển đổi này trở nên suôn sẻ hơn bằng cách cho phép sử dụng các model PyTorch trong những môi trường không hỗ trợ Python.

Quy trình này bao gồm hai kỹ thuật: tracing và scripting. Tracing ghi lại các thao tác trong quá trình thực thi model, trong khi scripting cho phép định nghĩa các model bằng một tập con của Python. Các kỹ thuật này đảm bảo rằng các model như YOLO26 vẫn có thể vận hành hiệu quả ngay cả bên ngoài môi trường Python thông thường của chúng.

Các model TorchScript cũng có thể được tối ưu hóa thông qua các kỹ thuật như hợp nhất toán tử (operator fusion) và tinh chỉnh việc sử dụng bộ nhớ, đảm bảo thực thi hiệu quả. Một ưu điểm khác của việc xuất sang TorchScript là khả năng tăng tốc thực thi model trên các nền tảng phần cứng khác nhau. Nó tạo ra một đại diện độc lập, sẵn sàng cho sản xuất (production-ready) của model PyTorch, có thể được tích hợp vào môi trường C++, hệ thống nhúng hoặc triển khai trong các ứng dụng web hoặc di động.

Link to this sectionCác tính năng chính của Model TorchScript#

TorchScript, một phần quan trọng của hệ sinh thái PyTorch, cung cấp các tính năng mạnh mẽ để tối ưu hóa và triển khai các model deep learning.

Dưới đây là các tính năng chính khiến TorchScript trở thành công cụ giá trị cho các nhà phát triển:

• Thực thi đồ thị tĩnh (Static Graph Execution): TorchScript sử dụng biểu diễn đồ thị tĩnh cho quá trình tính toán của model, khác với thực thi đồ thị động của PyTorch. Trong thực thi đồ thị tĩnh, đồ thị tính toán được định nghĩa và biên dịch một lần trước khi thực thi thực tế, mang lại hiệu suất cải thiện trong quá trình inference.

• Tuần tự hóa Model (Model Serialization): TorchScript cho phép bạn tuần tự hóa các model PyTorch thành định dạng độc lập với nền tảng. Các model đã tuần tự hóa có thể được tải mà không cần mã Python gốc, cho phép triển khai trong các môi trường runtime khác nhau.

• Biên dịch JIT: TorchScript sử dụng biên dịch Just-In-Time (JIT) để chuyển đổi các model PyTorch thành biểu diễn trung gian được tối ưu hóa. JIT biên dịch đồ thị tính toán của model, cho phép thực thi hiệu quả trên các thiết bị đích.

• Tích hợp đa ngôn ngữ: Với TorchScript, bạn có thể xuất các model PyTorch sang các ngôn ngữ khác như C++, Java và JavaScript. Điều này giúp tích hợp model PyTorch vào các hệ thống phần mềm hiện có được viết bằng các ngôn ngữ khác dễ dàng hơn.

• Chuyển đổi từng phần (Gradual Conversion): TorchScript cung cấp phương pháp chuyển đổi từng phần, cho phép bạn dần dần chuyển đổi các phần của model PyTorch sang TorchScript. Sự linh hoạt này đặc biệt hữu ích khi xử lý các model phức tạp hoặc khi bạn muốn tối ưu hóa các phần cụ thể của code.

Link to this sectionCác tùy chọn triển khai trong TorchScript#

Trước khi xem xét code để xuất model YOLO26 sang định dạng TorchScript, hãy cùng tìm hiểu nơi các model TorchScript thường được sử dụng.

TorchScript cung cấp nhiều tùy chọn triển khai cho các model machine learning, ví dụ như:

• API C++: Trường hợp sử dụng phổ biến nhất của TorchScript là API C++, cho phép bạn tải và thực thi các model TorchScript đã tối ưu hóa trực tiếp bên trong các ứng dụng C++. Điều này là lý tưởng cho các môi trường production nơi Python có thể không phù hợp hoặc không khả dụng. API C++ cung cấp khả năng thực thi model TorchScript hiệu quả và ít overhead, tối đa hóa tiềm năng hiệu suất.

• Triển khai trên di động: TorchScript cung cấp các công cụ để chuyển đổi model sang các định dạng dễ dàng triển khai trên thiết bị di động. PyTorch Mobile cung cấp một runtime để thực thi các model này trong ứng dụng iOS và Android. Điều này cho phép khả năng inference ngoại tuyến với độ trễ thấp, nâng cao trải nghiệm người dùng và bảo mật dữ liệu.

• Triển khai trên Cloud: Các model TorchScript có thể được triển khai lên các máy chủ dựa trên cloud bằng các giải pháp như TorchServe. Nó cung cấp các tính năng như lập phiên bản model, tạo batch và giám sát số liệu để triển khai có thể mở rộng trong môi trường production. Việc triển khai trên cloud với TorchScript có thể giúp các model của bạn có thể truy cập được thông qua API hoặc các dịch vụ web khác.

Link to this sectionXuất sang TorchScript: Chuyển đổi Model YOLO26 của bạn#

Việc xuất các model YOLO26 sang TorchScript giúp việc sử dụng chúng ở nhiều nơi trở nên dễ dàng hơn và giúp chúng chạy nhanh và hiệu quả hơn. Điều này rất tuyệt vời cho bất kỳ ai muốn sử dụng các model deep learning hiệu quả hơn trong các ứng dụng thực tế.

Link to this sectionCài đặt#

Để cài đặt gói cần thiết, hãy chạy lệnh sau:

# Install the required package for YOLO26
pip install ultralytics

Để có hướng dẫn chi tiết và các phương pháp tốt nhất liên quan đến quy trình cài đặt, hãy kiểm tra hướng dẫn cài đặt Ultralytics của chúng tôi. Trong quá trình 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 xử lý.

Link to this sectionCách sử dụng#

Tất cả các model Ultralytics YOLO26 đều được thiết kế để hỗ trợ xuất dữ liệu 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 TorchScript hỗ trợ các chế độ Export, Predict và Validate. Hãy xuất model của bạn, sau đó tải model đã xuất để chạy inference hoặc validate độ chính xác của nó.

from ultralytics import YOLO

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

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

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

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionĐối số xuất#

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

Link to this sectionTriển khai các Model TorchScript YOLO26 đã xuất#

Sau khi xuất thành công các model Ultralytics YOLO26 của bạn sang định dạng TorchScript, giờ đây bạn có thể triển khai chúng. Bước đầu tiên được khuyến nghị và cơ bản nhất để chạy một model TorchScript là sử dụng phương thức YOLO("model.torchscript"), như đã nêu trong đoạn mã ví dụ trước đó. Để có hướng dẫn chuyên sâu về việc triển khai các model TorchScript của bạn trong các cài đặt khác, hãy xem qua các tài nguyên sau:

• Khám phá triển khai trên di động: Tài liệu về PyTorch Mobile cung cấp các nguyên tắc toàn diện để triển khai model trên thiết bị di động, đảm bảo ứng dụng của bạn hiệu quả và phản hồi nhanh.

• Nắm vững triển khai phía máy chủ: Tìm hiểu cách triển khai model phía máy chủ với TorchServe, cung cấp hướng dẫn từng bước để phục vụ model hiệu quả và có thể mở rộng.

• Thực hiện triển khai C++: Đi sâu vào Hướng dẫn về cách tải một model TorchScript trong C++, tạo điều kiện thuận lợi cho việc tích hợp các model TorchScript của bạn vào các ứng dụng C++ để có hiệu suất và tính linh hoạt cao hơn.

Link to this sectionTóm tắt#

Trong hướng dẫn này, chúng tôi đã khám phá quy trình xuất các model Ultralytics YOLO26 sang định dạng TorchScript. Bằng cách làm theo các hướng dẫn được cung cấp, bạn có thể tối ưu hóa các model YOLO26 để đạt hiệu suất cao và có được sự linh hoạt để triển khai chúng trên nhiều nền tảng và môi trường khác nhau.

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

Ngoài ra, nếu bạn muốn biết thêm về các tích hợp Ultralytics YOLO26 khác, hãy truy cập trang hướng dẫn tích hợp của chúng tôi. Bạn sẽ tìm thấy rất nhiều tài nguyên và thông tin hữu ích ở đó.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionXuất model Ultralytics YOLO26 sang TorchScript là gì?#

Việc xuất một model Ultralytics YOLO26 sang TorchScript cho phép triển khai linh hoạt, đa nền tảng. TorchScript, một phần của hệ sinh thái PyTorch, tạo điều kiện thuận lợi cho việc tuần tự hóa các model, sau đó có thể được thực thi trong các môi trường thiếu hỗ trợ Python. Điều này khiến nó trở nên lý tưởng cho việc triển khai model trên các hệ thống nhúng, môi trường C++, ứng dụng di động và thậm chí cả trình duyệt web. Việc xuất sang TorchScript cho phép hiệu suất hiệu quả và khả năng ứng dụng rộng rãi hơn cho các model YOLO26 của bạn trên nhiều nền tảng khác nhau.

Link to this sectionLàm thế nào tôi có thể xuất model YOLO26 sang TorchScript bằng Ultralytics?#

Để xuất một model YOLO26 sang TorchScript, bạn có thể sử dụng đoạn code ví dụ sau:

from ultralytics import YOLO

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

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

# Load the exported TorchScript model
torchscript_model = YOLO("yolo26n.torchscript")

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

Để biết thêm chi tiết về quy trình xuất, hãy tham khảo tài liệu Ultralytics về xuất.

Link to this sectionTại sao tôi nên sử dụng TorchScript để triển khai các model YOLO26?#

Việc sử dụng TorchScript để triển khai các model YOLO26 mang lại một số ưu điểm:

• Tính di động: Các model đã xuất có thể chạy trong các môi trường không cần Python, chẳng hạn như ứng dụng C++, hệ thống nhúng hoặc thiết bị di động.
• Tối ưu hóa: TorchScript hỗ trợ thực thi đồ thị tĩnh và biên dịch Just-In-Time (JIT), có thể tối ưu hóa hiệu suất model.
• Tích hợp đa ngôn ngữ: Các model TorchScript có thể được tích hợp vào các ngôn ngữ lập trình khác, tăng cường tính linh hoạt và khả năng mở rộng.
• Tuần tự hóa: Các model có thể được tuần tự hóa, cho phép tải và inference độc lập với nền tảng.

Để có thêm thông tin chi tiết về triển khai, hãy truy cập Tài liệu TorchServe và Hướng dẫn triển khai C++. Đối với việc triển khai trên thiết bị di động, PyTorch hiện khuyến nghị ExecuTorch, sử dụng quy trình torch.export() → .pte riêng biệt thay vì TorchScript.

Link to this sectionCác bước cài đặt để xuất các model YOLO26 sang TorchScript là gì?#

Để cài đặt gói cần thiết cho việc xuất các model YOLO26, hãy sử dụng lệnh sau:

# Install the required package for YOLO26
pip install ultralytics

Để biết hướng dẫn chi tiết, hãy truy cập Hướng dẫn cài đặt Ultralytics. Nếu có bất kỳ vấn đề nào phát sinh trong quá trình cài đặt, hãy tham khảo Hướng dẫn các vấn đề thường gặp.

Link to this sectionLàm cách nào để triển khai các model TorchScript YOLO26 đã xuất của tôi?#

Sau khi xuất các model YOLO26 sang định dạng TorchScript, bạn có thể triển khai chúng trên nhiều nền tảng:

• API C++: Lý tưởng cho các môi trường sản xuất có overhead thấp và hiệu quả cao.
• Triển khai trên di động: Chạy các model TorchScript trên thiết bị với LibTorch (runtime PyTorch C++). Đối với các dự án di động mới, PyTorch khuyến nghị ExecuTorch, một quy trình xuất .pte riêng biệt.
• Triển khai trên Cloud: Tận dụng các dịch vụ như TorchServe để triển khai phía máy chủ có khả năng mở rộng.

Hãy khám phá các hướng dẫn toàn diện để triển khai model trong các cài đặt này nhằm tận dụng tối đa các khả năng của TorchScript.