Ultralytics YOLO27：

如何从 YOLO26 导出 TF GraphDef 以进行部署#

在不同环境中部署 YOLO26 等前沿计算机视觉模型时，你可能会遇到兼容性问题。Google 的 TensorFlow GraphDef（或称 TF GraphDef）通过提供模型的序列化、平台无关表示，为此提供了一种解决方案。使用 TF GraphDef 模型格式，你可以在完整 TensorFlow 生态系统可能不可用的环境中部署 YOLO26 模型，例如移动设备或专用硬件。

在本指南中，我们将逐步介绍如何将你的 Ultralytics YOLO26模型导出为 TF GraphDef 模型格式。通过转换模型，你可以简化部署，并在更广泛的应用和平台中使用 YOLO26 的计算机视觉能力。

TensorFlow GraphDef model serialization format

为什么要导出为 TF GraphDef？#

TF GraphDef 是由 Google 开发的 TensorFlow 生态系统中的强大组件。它可用于优化和部署 YOLO26 等模型。导出为 TF GraphDef 可以将模型从研究环境迁移到实际应用中，并使模型能够在没有完整 TensorFlow 框架的环境中运行。

GraphDef 格式将模型表示为序列化的计算图。这支持常量折叠、量化和图转换等多种优化技术。这些优化可确保高效执行、降低内存使用量并提升推理速度。

GraphDef 模型可以使用 GPU、TPU 和 AI 芯片等硬件加速器，为 YOLO26 推理流程带来显著的性能提升。TF GraphDef 格式会创建一个包含模型及其依赖项的自包含软件包，从而简化部署以及与各种系统的集成。

TF GraphDef 模型的主要特性#

TF GraphDef 提供了用于简化模型部署和优化的独特特性。

以下是其主要特性的介绍：

  • 模型序列化：TF GraphDef 提供了以平台无关格式序列化和存储 TensorFlow 模型的方法。这种序列化表示使你无需原始 Python 代码库即可加载和执行模型，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 专为生产部署而设计。它支持高效执行、序列化功能以及符合实际使用场景的优化。

使用 TF GraphDef 的部署选项#

在深入介绍将 YOLO26 模型导出为 TF GraphDef 的过程之前，我们先来了解一些使用此格式的典型部署场景。

以下介绍如何在各种平台上高效地使用 TF GraphDef 进行部署。

  • **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。它可以将基于 GraphDef 的模型无缝集成到生产 Web 服务或 API 中。

  • **移动和嵌入式设备：**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，你可以在设备上使用这些模型进行推理，由设备本地执行，通常能够带来性能提升和离线运行能力。

  • Web 浏览器：TensorFlow.js 支持直接在 Web 浏览器中部署 TF GraphDef 模型。借助 JavaScript 使用 YOLO26 的能力，它为在客户端运行实时目标检测应用铺平了道路。

  • **专用硬件：**TF GraphDef 的平台无关特性使其能够面向自定义硬件，例如加速器和 TPU（张量处理单元）。这些设备可以为计算密集型模型提供性能优势。

支持的任务#

TF GraphDef 导出支持 Ultralytics 七项任务中的六项。语义分割和深度估计仅适用于 YOLO26，因为只有 YOLO26 系列提供这些检测头。姿态模型可以导出，但目前 Ultralytics 不支持对其进行 GraphDef 推理。

任务YOLOv8YOLO11YOLO26
检测✅✅✅
分割✅✅✅
语义❌❌✅
深度❌❌✅
分类✅✅✅
姿态✅✅✅
OBB❌❌❌

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，从而提升其在不同平台上的性能。

安装#

要安装所需的软件包，请运行：

安装
# 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，请参阅我们的 Ultralytics 安装指南。在为 YOLO26 安装所需软件包时，如果遇到任何困难，请参阅我们的常见问题指南以获取解决方案和建议。

使用方法#

所有 Ultralytics YOLO26 模型 都支持开箱即用的导出，因此可以轻松将其集成到你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，但姿态模型目前仅支持导出。导出模型后，加载导出的模型即可运行推理或验证其准确性。

导出
from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'
Predict
from ultralytics import YOLO

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

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

# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")

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

导出参数#

参数类型默认值描述
formatstr'pb'导出模型的目标格式，用于定义其与各种部署环境的兼容性。
imgszint 或 tuple640模型输入所需的图像尺寸。可以使用表示正方形图像的整数，也可以使用元组 (height, width) 指定具体尺寸。
quantizeint 或 strNone固定 FP32 导出。GraphDef 不支持在导出时进行 FP16、INT8 或 W8A16 精度转换。
opsetintNone指定中间 ONNX 图的 ONNX 算子集版本。如果未设置，则使用最新的受支持版本。
batchint1指定导出模型的批量推理大小，或指定导出模型在 predict 模式下并发处理的最大图像数量。
devicestrNone指定导出所使用的设备：CPU（device=cpu）、Apple silicon 上的 MPS（device=mps）。

如需详细了解导出流程，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，下一步就是进行部署。运行 TF GraphDef 模型时，主要且推荐的第一步是使用 YOLO("model.pb") 方法，正如之前用法代码片段中所示。

不过，如需详细了解如何部署 TF GraphDef 模型，请参阅以下资源：

  • TensorFlow Serving：TensorFlow Serving 指南，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针对使用 TensorFlow Lite 进行设备端推理而优化的格式。

  • TensorFlow.js：模型转换指南，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#

在本指南中，我们介绍了如何将 Ultralytics YOLO26 模型导出为 TF GraphDef 格式。这样，你就可以在不同环境中灵活部署经过优化的 YOLO26 模型。

如需进一步了解使用详情，请访问 TF GraphDef 官方文档。

如需详细了解将 Ultralytics YOLO26 集成到其他平台和框架中，请参阅我们的集成指南页面。

常见问题#

  • Ultralytics YOLO26 模型可以无缝导出为 TensorFlow GraphDef（TF GraphDef）格式。此格式提供模型的序列化、平台无关表示，非常适合在移动设备和 Web 等不同环境中进行部署。要将 YOLO26 模型导出为 TF GraphDef，请按照以下步骤操作：

    使用方法
    from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo26n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo26n.pb")

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

    如需详细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 格式具有多项优势，包括：

    1. 平台无关性：TF GraphDef 提供平台无关的格式，使模型能够部署到包括移动设备和 Web 浏览器在内的各种环境中。
    2. 优化：该格式支持常量折叠、量化和图转换等多种优化，有助于提升执行效率并降低内存使用量。
    3. 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。

    在文档的 TF GraphDef 部分中了解更多相关优势。

  • 与 YOLOv5 和 YOLOv7 等其他模型相比，Ultralytics YOLO26 具有诸多优势。主要优势包括：

    1. 先进性能：YOLO26 在实时目标检测、实例分割、语义分割和分类方面提供出色的速度和准确率。
    2. 易于使用：提供用户友好的 API，支持模型训练、验证、预测和导出，初学者和专家都可以轻松使用。
    3. 广泛兼容性：支持包括 ONNX、TensorRT、CoreML 和 TensorFlow 在内的多种导出格式，提供灵活多样的部署选项。

    在我们的 YOLO26 简介中了解更多详情。

  • 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进行部署。典型部署场景包括：

    • TensorFlow Serving：使用 TensorFlow Serving 在生产环境中实现可扩展的模型部署。它支持模型管理和高效提供模型服务。
    • 移动设备：将 TF GraphDef 模型转换为针对移动设备和嵌入式设备优化的 TensorFlow Lite，从而支持设备端推理。
    • Web 浏览器：使用 TensorFlow.js 在 Web 应用中部署模型，以进行客户端推理。
    • AI 加速器：利用 TPU 和自定义 AI 芯片加速推理。

    请查看部署选项部分以获取详细信息。

  • 针对导出 YOLO26 模型时的常见问题，Ultralytics 提供了全面的指南和资源。如果你在安装或导出模型期间遇到问题，请参阅：

    这些资源应能帮助你解决与 YOLO26 模型导出和部署相关的大多数问题。

贡献者
GLglenn-jocher21LAlakshanthad3RAraimbekovm2RIRizwanMunawar2AMamanharshx1AMambitious-octopus1PDpderrenger1MAMatthewNoyce1BUBurhan-Q1ABabirami-vina1

评论