如何将 YOLO26 导出为 TF GraphDef 以进行部署
在不同环境中部署 YOLO26 等计算机视觉模型时,你可能会遇到兼容性问题。Google 的 TensorFlow GraphDef(也称 TF GraphDef)通过提供模型的序列化、跨平台表示,解决了这一问题。使用 TF GraphDef 模型格式,你可以在没有完整 TensorFlow 生态系统的环境中部署 YOLO26 模型,例如移动设备或专用硬件。
本指南将逐步介绍如何将你的 Ultralytics YOLO26 模型导出为 TF GraphDef 模型格式。转换模型后,你可以简化部署流程,并在更多应用和平台中使用 YOLO26 的计算机视觉能力。
为什么要导出为 TF GraphDef?#
TF GraphDef 是 Google 开发的 TensorFlow 生态系统的核心组件。它可用于优化和部署 YOLO26 等模型。将模型导出为 TF GraphDef 后,你可以将模型从研究环境迁移到真实应用中。它让模型可以在没有完整 TensorFlow 框架的环境中运行。
GraphDef 格式会将模型表示为序列化计算图。这样就可以使用常量折叠、量化和图变换等多种优化技术。这些优化可以提升执行效率、降低内存占用并加快推理速度。
GraphDef 模型可以使用 GPU、TPU 和 AI 芯片等硬件加速器来加速 YOLO26 推理流程。TF GraphDef 格式会将模型及其依赖项打包成独立的程序包,从而简化部署及其与各种系统的集成。
TF GraphDef 模型的主要特性#
TF GraphDef 提供了独特的功能,可简化模型部署和优化。
以下是它的主要特性:
-
模型序列化:TF GraphDef 提供了一种以平台无关格式序列化和存储 TensorFlow 模型的方法。借助这种序列化表示形式,你无需原始 Python 代码库即可加载并运行模型,从而简化部署。
-
图优化:TF GraphDef 支持优化计算图。这些优化可以通过简化执行流程、减少冗余以及针对特定硬件调整操作来提升性能。
-
部署灵活性:导出为 GraphDef 格式的模型可用于各种环境,包括资源受限设备、Web 浏览器和配备专用硬件的系统。这为更广泛地部署 TensorFlow 模型提供了可能。
-
面向生产环境:GraphDef 专为生产环境部署而设计。它支持高效执行、序列化功能和符合实际应用场景的优化。
使用 TF GraphDef 的部署选项#
在将 YOLO26 模型导出为 TF GraphDef 之前,先来了解这种格式的一些典型部署场景。
-
TensorFlow Serving:此框架专为在生产环境中部署 TensorFlow 模型而设计。TensorFlow Serving 提供模型管理、版本控制,以及大规模高效提供模型服务所需的基础设施。它让你可以轻松将基于 GraphDef 的模型集成到生产 Web 服务或 API 中。
-
移动设备和嵌入式设备:借助 LiteRT 等工具,你可以将 TF GraphDef 模型转换为针对智能手机、平板电脑和各种嵌入式设备优化的格式。随后,你可以在设备上进行本地推理,通常能获得更高性能并支持离线运行。Ultralytics 也可以将 YOLO26 直接导出为 LiteRT。
-
Web 浏览器:TensorFlow.js 可让你直接在 Web 浏览器中部署 TF GraphDef 模型。它支持在客户端使用 JavaScript 运行基于 YOLO26 的实时目标检测应用。
-
专用硬件:TF GraphDef 的平台无关特性使其能够适配定制硬件,例如加速器和 TPU(张量处理单元)。这些设备可以提升计算密集型模型的性能。
支持的任务#
TF GraphDef 导出支持 Ultralytics 的全部七种任务。语义分割和深度估计仅适用于 YOLO26,因为只有 YOLO26 系列提供这两种检测头。
将 YOLO26 模型导出为 TF GraphDef#
你可以将 YOLO26 模型转换为与各种系统兼容的 TF GraphDef 格式,从而提升模型在不同平台上的性能。
安装#
要安装所需软件包,请运行:
# Install the required package for YOLO26
pip install ultralytics有关安装流程的详细说明和最佳实践,请查看我们的 Ultralytics 安装指南。安装 YOLO26 所需的软件包时,如果遇到困难,请查阅我们的常见问题指南,获取解决方案和建议。
在 macOS 上使用 Python 3.13 或更高版本时,不支持导出 TF GraphDef。
用法#
所有 Ultralytics YOLO26 模型均支持开箱即用的导出,便于你将模型集成到首选的部署工作流中。你可以查看支持的导出格式和配置选项的完整列表,为你的应用选择最佳配置。
TF GraphDef 格式支持导出、预测和验证模式。导出模型后,加载导出的模型即可运行推理或验证其准确率。
from ultralytics import YOLO
# 加载 YOLO26 模型
model = YOLO("yolo26n.pt")
# 将模型导出为 TF GraphDef 格式
model.export(format="pb") # 创建 'yolo26n.pb'from ultralytics import YOLO
# 加载导出的 TF GraphDef 模型
model = YOLO("yolo26n.pb")
# 运行推理
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# 加载导出的 TF GraphDef 模型
model = YOLO("yolo26n.pb")
# 在 COCO8 数据集上验证准确率
metrics = model.val(data="coco8.yaml")导出参数#
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
format | str | 'pb' | 导出模型的目标格式,用于定义与各种部署环境的兼容性。 |
imgsz | int 或 tuple | 640 | 模型输入所需的图像尺寸。正方形图像可使用整数;若要指定具体尺寸,则可使用元组 (height, width)。 |
quantize | int 或 str | None | 导出精度固定为 FP32。GraphDef 不支持在导出时转换为 FP16、INT8 或 W8A16 精度。 |
opset | int | None | 中间图的 ONNX opset。如果未设置,则使用 18(PyTorch < 2.4 时使用较低版本,且不高于已安装的 onnx);RT-DETR 使用 19。 |
batch | int | 1 | 指定导出模型的批量推理大小,或导出模型在 predict 模式下可同时处理的最大图像数。 |
device | str | None | 指定导出设备:CPU (device=cpu),Apple 芯片上的 MPS (device=mps)。 |
有关导出流程的更多详情,请访问 Ultralytics 导出文档页面。
部署导出的 YOLO26 TF GraphDef 模型#
将 YOLO26 模型导出为 TF GraphDef 格式后,下一步就是部署。运行 TF GraphDef 模型时,首要且推荐的步骤是使用 YOLO("model.pb") 方法,如前面的用法代码片段所示。
如需了解有关部署 TF GraphDef 模型的更多信息,请参阅以下资源:
-
TensorFlow Serving:TensorFlow Serving 指南将介绍如何在生产环境中高效部署和提供机器学习模型服务。
-
TensorFlow Lite:此页面介绍如何将机器学习模型转换为适用于 TensorFlow Lite 设备端推理的优化格式。
-
TensorFlow.js:模型转换指南将介绍如何将 TensorFlow 或 Keras 模型转换为 TensorFlow.js 格式,以便在 Web 应用中使用。
总结#
本指南介绍了如何将 Ultralytics YOLO26 模型导出为 TF GraphDef 格式。这样,你就可以灵活地在不同环境中部署优化后的 YOLO26 模型。
如需了解更多用法详情,请访问 TF GraphDef 官方文档。
常见问题#
Ultralytics YOLO26 模型可以导出为 TensorFlow GraphDef(TF GraphDef)格式。该格式提供模型的序列化、跨平台表示,非常适合在移动设备和 Web 等多种环境中部署。要将 YOLO26 模型导出为 TF GraphDef,请按以下步骤操作:
用法from ultralytics import YOLO # 加载 YOLO26 模型 model = YOLO("yolo26n.pt") # 将模型导出为 TF GraphDef 格式 model.export(format="pb") # 创建 'yolo26n.pb' # 加载导出的 TF GraphDef 模型 tf_graphdef_model = YOLO("yolo26n.pb") # 运行推理 results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")如需了解不同的导出选项,请访问 Ultralytics 模型导出文档。
将 YOLO26 模型导出为 TF GraphDef 格式有多项优势,包括:
- 平台无关性:TF GraphDef 提供平台无关的格式,因此模型可以部署在各种环境中,包括移动设备和 Web 浏览器。
- 优化:该格式支持多种优化,例如常量折叠、量化和图转换,可提升执行效率并降低内存使用量。
- 硬件加速:TF GraphDef 格式的模型可以利用 GPU、TPU 和 AI 芯片等硬件加速器来提升性能。
如需详细了解相关优势,请阅读文档中的 TF GraphDef 章节。
将 YOLO26 模型导出为 TF GraphDef 格式后,你可以在各种专用硬件平台上部署模型。典型的部署场景包括:
- TensorFlow Serving:使用 TensorFlow Serving 在生产环境中大规模部署模型。它支持模型管理和高效的模型服务。
- 移动设备:将 TF GraphDef 模型转换为针对移动和嵌入式设备优化的 TensorFlow Lite 格式,以支持设备端推理。
- Web 浏览器:使用 TensorFlow.js 在 Web 应用中部署模型,以便在客户端进行推理。
- AI 加速器:使用 TPU 和定制 AI 芯片加速推理。
如需详细信息,请参阅部署选项章节。
评论
提出问题、分享结果,或帮助其他人。