如何将 YOLO26 导出为 TF GraphDef 以进行部署#

当你在不同的环境中部署像 YOLO26 这样的前沿计算机视觉模型时，你可能会遇到兼容性问题。谷歌的TensorFlow GraphDef（即 TF GraphDef）通过提供模型的序列化、与平台无关的表示形式，为你提供了一个解决方案。使用 TF GraphDef 模型格式，你可以在无法使用完整 TensorFlow 生态系统的环境（例如移动设备或专用硬件）中部署你的 YOLO26 模型。

在本指南中，我们将带你逐步了解如何将你的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上使用 YOLO26 的计算机视觉功能。

为什么要导出为 TF GraphDef？#

TF GraphDef 是由 Google 开发的 TensorFlow 生态系统的重要组成部分，可用于优化和部署像 YOLO26 这样的模型。导出为 TF GraphDef 让你可以将模型从研究环境迁移到现实应用中，并使其能够在没有完整 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。这能够实现各种优化技术，如常量折叠、量化和图转换。这些优化确保了高效的执行、更低的内存占用以及更快的推理速度。

GraphDef 模型可以使用 GPU、TPU 和 AI 芯片等硬件加速器，从而为 YOLO26 推理流水线带来显著的性能提升。TF GraphDef 格式创建了一个包含模型及其依赖项的自包含包，从而简化了在各种系统中的部署与集成。

TF GraphDef 模型的主要功能#

TF GraphDef 提供了独特的功能，可简化模型部署与优化。

以下是其主要特点：

• 模型序列化：TF GraphDef 提供了一种以独立于平台的方式序列化和存储 TensorFlow 模型的方法。这种序列化表示允许你在没有原始 Python 代码库的情况下加载和执行模型，从而使部署变得更加容易。

• 图优化：TF GraphDef 支持计算图优化。这些优化通过简化执行流程、减少冗余以及调整操作以适应特定硬件，可以显著提升性能。

• 部署灵活性：导出为 GraphDef 格式的模型可以在各种环境中使用，包括资源受限的设备、Web 浏览器以及配备专用硬件的系统。这为你更广泛地部署 TensorFlow 模型开启了无限可能。

• 面向生产：GraphDef 专为生产部署而设计。它支持高效执行、序列化功能以及与现实用例相符的各种优化。

TF GraphDef 的部署选项#

在我们深入了解如何将 YOLO26 模型导出为 TF GraphDef 之前，让我们先看看这种格式通常适用的几种部署场景。

以下是你如何利用 TF GraphDef 在各种平台上进行高效部署的方法。

• TensorFlow Serving： 该框架旨在生产环境中部署 TensorFlow 模型。TensorFlow Serving 提供模型管理、版本控制以及支持大规模高效模型服务的底层基础设施。它是将基于 GraphDef 的模型集成到生产 Web 服务或 API 中的绝佳方式。

• **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。然后，你的模型可以用于端侧推理，在本地执行，通常能带来性能提升和离线功能。

• 网页浏览器：TensorFlow.js 支持直接在网页浏览器中部署 TF GraphDef 模型。它为在客户端运行的实时目标检测应用铺平了道路，通过 JavaScript 发挥 YOLO26 的功能。

• 专用硬件： TF GraphDef 与平台无关的特性使其能够针对定制硬件（如加速器和 TPU（张量处理单元））进行部署。这些设备可以为计算密集型模型提供显著的性能优势。

支持的任务#

TF GraphDef 导出支持七个 Ultralytics 任务中的六个。语义分割和深度估计仅在 YOLO26 中可用，这是唯一带有这些头部的模型系列。姿态模型可以导出，但 Ultralytics GraphDef 推理目前不支持它们。

将 YOLO26 模型导出为 TF GraphDef#

你可以将你的 YOLO26 模型转换为与各种系统兼容的 TF GraphDef 格式，以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：

# Install the required package for YOLO26
pip install ultralytics

有关安装过程的详细说明和最佳实践，请查阅我们的 Ultralytics Installation guide。在安装 YOLO26 所需的软件包时，如果遇到任何困难，请参考我们的 Common Issues guide 获取解决方案和提示。

用法#

所有Ultralytics YOLO26 模型都旨在开箱即用支持导出，这使得将它们集成到你首选的部署工作流中变得轻而易举。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设置。

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。导出你的模型，然后加载导出的模型以运行推理或验证其准确性。

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'

from ultralytics import YOLO

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

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

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#

有关导出过程的更多详细信息，请访问 Ultralytics 关于导出的文档页面。

部署已导出的 YOLO26 TF GraphDef 模型#

一旦你将 YOLO26 模型导出为 TF GraphDef 格式，下一步就是部署。运行 TF GraphDef 模型首选且推荐的第一步是使用 YOLO("model.pb") 方法，正如之前在代码示例中所示。

然而，若需了解有关部署 TF GraphDef 模型的更多信息，请参考以下资源：

• TensorFlow Serving：关于 TensorFlow Serving 的指南，介绍了如何在生产环境中高效地部署和提供机器学习模型服务。

• TensorFlow Lite：此页面介绍了如何将机器学习模型转换为针对 TensorFlow Lite 端侧推理优化的格式。

• TensorFlow.js：模型转换指南，介绍了如何将 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，我们探讨了如何将 Ultralytics YOLO26 模型导出为 TF GraphDef 格式。通过这种方式，你可以灵活地在不同环境中部署经过优化的 YOLO26 模型。

有关用法的更多详细信息，请访问 TF GraphDef 官方文档。

有关将 Ultralytics YOLO26 与其他平台和框架进行集成的更多信息，请参阅我们的集成指南页面。

常见问题解答#