了解如何从 YOLO11 导出为 TF SavedModel 格式

部署机器学习模型可能具有挑战性。但是，使用高效且灵活的模型格式可以使您的工作更轻松。TF SavedModel 是 TensorFlow 使用的开源机器学习框架，用于以一致的方式加载机器学习模型。它就像 TensorFlow 模型的行李箱，使它们易于在不同的设备和系统上携带和使用。

了解如何从 Ultralytics YOLO11 模型导出到 TF SavedModel 可以帮助您在不同平台和环境中轻松部署模型。在本指南中，我们将介绍如何将模型转换为 TF SavedModel 格式，从而简化在不同设备上使用模型运行推理的过程。

为什么要导出到 TF SavedModel？

TensorFlow SavedModel 格式是 Google 开发的 TensorFlow 生态系统的一部分，如下所示。它旨在无缝地保存和序列化 TensorFlow 模型。它封装了模型的完整详细信息，如架构、权重，甚至编译信息。这使得在不同环境中共享、部署和继续训练变得简单。

TF SavedModel 有一个关键优势：它的兼容性。它可以很好地与 TensorFlow Serving、TensorFlow Lite 和 TensorFlow.js 配合使用。这种兼容性使得在各种平台（包括 Web 和移动应用程序）上共享和部署模型变得更加容易。TF SavedModel 格式对于研究和生产都很有用。它提供了一种统一的方式来管理您的模型，确保它们为任何应用程序做好准备。

TF SavedModels 的主要特性

以下是使 TF SavedModel 成为 AI 开发人员的绝佳选择的关键特性：

• 可移植性：TF SavedModel 提供了一种语言中立、可恢复、密封的序列化格式。它们使更高级别的系统和工具能够生成、使用和转换 TensorFlow 模型。SavedModel 可以轻松地在不同的平台和环境中共享和部署。

• 易于部署：TF SavedModel 将计算图、训练参数和必要的元数据捆绑到单个包中。 它们可以轻松加载并用于推理，而无需构建模型的原始代码。 这使得 TensorFlow 模型在各种生产环境中的部署变得简单高效。

• 资产管理: TF SavedModel 支持包含外部资产，例如词汇表、嵌入或查找表。这些资产与图定义和变量一起存储，确保在加载模型时可用。此功能简化了依赖外部资源的模型的管理和分发。

TF SavedModel 的部署选项

在深入研究将 YOLO11 模型导出到 TF SavedModel 格式的过程之前，让我们探讨一下使用此格式的一些典型部署场景。

TF SavedModel 提供了一系列部署机器学习模型的选项：

• TensorFlow Serving: TensorFlow Serving 是一个灵活、高性能的服务系统，专为生产环境而设计。它原生支持 TF SavedModels，可以轻松地在云平台、本地服务器或边缘设备上部署和服务您的模型。

• 云平台： 主要云提供商，如 Google Cloud Platform (GCP)、Amazon Web Services (AWS) 和 Microsoft Azure 提供了用于部署和运行 TensorFlow 模型（包括 TF SavedModels）的服务。这些服务提供可扩展的托管基础设施，使您可以轻松地部署和扩展模型。

• 移动和嵌入式设备： TensorFlow Lite 是一种轻量级解决方案，用于在移动设备、嵌入式设备和物联网设备上运行机器学习模型，它支持将 TF SavedModels 转换为 TensorFlow Lite 格式。这使您可以将模型部署在各种设备上，从智能手机和平板电脑到微控制器和边缘设备。

• TensorFlow 运行时： TensorFlow 运行时 (tfrt) 是一个用于执行的高性能运行时 TensorFlow graphs。它提供了用于在 C++ 环境中加载和运行 TF SavedModels 的较低级别 API。与标准 TensorFlow 运行时相比，TensorFlow Runtime 提供了更好的性能。它适用于需要低延迟推理以及与现有 C++ 代码库紧密集成的部署场景。

将 YOLO11 模型导出到 TF SavedModel

通过将 YOLO11 模型导出为 TF SavedModel 格式，您可以增强其在各种平台上的适应性和易于部署性。

安装

要安装所需的软件包，请运行：

# Install the required package for YOLO11
pip install ultralytics

有关安装过程的详细说明和最佳实践，请查看我们的 Ultralytics 安装指南。如果在为 YOLO11 安装所需软件包时遇到任何困难，请查阅我们的 常见问题指南以获取解决方案和提示。

用法

所有Ultralytics YOLO11 模型都设计为支持开箱即用的导出，从而可以轻松地将其集成到您首选的部署工作流程中。您可以查看支持的导出格式和配置选项的完整列表，以选择最适合您应用程序的设置。

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo11n_saved_model'

# Load the exported TF SavedModel model
tf_savedmodel_model = YOLO("./yolo11n_saved_model")

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

# Export a YOLO11n PyTorch model to TF SavedModel format
yolo export model=yolo11n.pt format=saved_model # creates '/yolo11n_saved_model'

# Run inference with the exported model
yolo predict model='./yolo11n_saved_model' source='https://ultralytics.com/images/bus.jpg'

导出参数

有关导出过程的更多详细信息，请访问Ultralytics 文档页面上的导出。

部署导出的 YOLO11 TF SavedModel 模型

现在您已将 YOLO11 模型导出为 TF SavedModel 格式，下一步是部署它。运行 TF SavedModel 模型的主要和推荐的第一步是使用 YOLO("yolo11n_saved_model/") method，如先前在用法代码段中所示。

但是，有关部署 TF SavedModel 模型的深入说明，请查看以下资源：

• TensorFlow Serving: 以下是关于如何使用 TensorFlow Serving 部署您的 TF SavedModel 模型的开发者文档。

• 在 Node.js 中运行 TensorFlow SavedModel: 一篇关于在 Node.js 中直接运行 TensorFlow SavedModel 而无需转换的 TensorFlow 博客文章。

• 在云端部署: 一篇关于在Cloud AI Platform上部署TensorFlow SavedModel模型的TensorFlow博客文章。

总结

在本指南中，我们探讨了如何将 Ultralytics YOLO11 模型导出为 TF SavedModel 格式。通过导出为 TF SavedModel，您可以灵活地在各种平台上优化、部署和扩展您的 YOLO11 模型。

有关使用详情，请访问 TF SavedModel 官方文档。

有关将 Ultralytics YOLO11 与其他平台和框架集成的更多信息，请务必查看我们的集成指南页面。它包含大量资源，可帮助您充分利用项目中的 YOLO11。

常见问题

如何将 Ultralytics YOLO 模型导出为 TensorFlow SavedModel 格式？

将 Ultralytics YOLO 模型导出为 TensorFlow SavedModel 格式非常简单。您可以使用 python 或 CLI 来实现这一点：

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo11n_saved_model'

# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolo11n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")

# Export the YOLO11 model to TF SavedModel format
yolo export model=yolo11n.pt format=saved_model # creates '/yolo11n_saved_model'

# Run inference with the exported model
yolo predict model='./yolo11n_saved_model' source='https://ultralytics.com/images/bus.jpg'

有关更多详细信息，请参阅Ultralytics Export 文档。

为什么我应该使用 TensorFlow SavedModel 格式？

TensorFlow SavedModel 格式为模型部署提供了几个优势：

• 可移植性：它提供了一种语言中立的格式，可以轻松地在不同环境中共享和部署模型。
• 兼容性： 与TensorFlow Serving、TensorFlow Lite和TensorFlow.js等工具无缝集成，这对于在各种平台（包括Web和移动应用程序）上部署模型至关重要。
• 完整封装： 编码模型架构、权重和编译信息，从而实现直接共享和训练延续。

如需更多优势和部署选项，请查看 Ultralytics YOLO 模型部署选项。

TF SavedModel 的典型部署场景有哪些？

TF SavedModel 可以部署在各种环境中，包括：

• TensorFlow Serving： 适用于需要可扩展和高性能模型服务的生产环境。
• 云平台： 支持主要的云服务，如 Google Cloud Platform (GCP)、Amazon Web Services (AWS) 和 Microsoft Azure，以实现可扩展的模型部署。
• 移动和嵌入式设备： 使用 TensorFlow Lite 转换 TF SavedModels 允许部署在移动设备、物联网设备和微控制器上。
• TensorFlow Runtime： 适用于需要低延迟推理和更好性能的 C++ 环境。

有关详细的部署选项，请访问关于部署 TensorFlow 模型的官方指南。

如何安装导出 YOLO11 模型所需的软件包？

要导出 YOLO11 模型，您需要安装 ultralytics package。在您的终端中运行以下命令：

pip install ultralytics

有关更详细的安装说明和最佳实践，请参阅我们的 Ultralytics 安装指南。如果您遇到任何问题，请查阅我们的常见问题解答指南。

TensorFlow SavedModel 格式的主要特点是什么？

由于以下特性，TF SavedModel 格式对 AI 开发人员很有帮助：

• 可移植性：允许轻松地在各种环境中共享和部署。
• 易于部署： 将计算图、训练参数和元数据封装到单个包中，从而简化了加载和推理。
• 资产管理： 支持外部资产（如词汇表），确保它们在模型加载时可用。

更多详情，请查阅 TensorFlow 官方文档。

📅 创建于 1 年前 ✏️ 更新于 5 个月前

评论