了解如何将 YOLO26 导出为 TF SavedModel 格式#

部署机器学习模型可能颇具挑战。不过，使用高效且灵活的模型格式可以让你轻松不少。TF SavedModel 是 TensorFlow 的标准序列化格式，可一致地保存和加载机器学习模型。它就像一个装 TensorFlow 模型的行李箱，方便你在不同设备和系统上携带和使用模型。

了解如何从 Ultralytics YOLO26 模型导出为 TF SavedModel，有助于你在不同平台和环境中轻松部署模型。本指南将介绍如何将模型转换为 TF SavedModel 格式，简化在不同设备上运行模型推理的流程。

为什么要导出为 TF SavedModel？#

如下所示，TensorFlow SavedModel 格式是 Google 开发的 TensorFlow 生态系统的一部分。该格式旨在无缝保存和序列化 TensorFlow 模型。它包含模型的所有详细信息，例如架构、权重甚至编译信息。因此，你可以轻松地在不同环境中共享、部署模型并继续训练。

TF SavedModel 的一项主要优势是兼容性。它可以很好地配合 TensorFlow Serving、LiteRT（原名 TensorFlow Lite）和 TensorFlow.js 使用。借助这种兼容性，你可以更轻松地在包括 Web 和移动应用在内的各种平台上共享和部署模型。TF SavedModel 格式适用于研究和生产环境。它提供了统一的模型管理方式，确保模型能够满足各种应用需求。

TF SavedModel 的主要特性#

以下是让 TF SavedModel 成为 AI 开发者理想选择的主要特性：

• 可移植性：TF SavedModel 提供与编程语言无关、可恢复且自包含的序列化格式。它支持更高级别的系统和工具生成、使用和转换 TensorFlow 模型。SavedModel 可以轻松地在不同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打包为单个软件包。无需原始模型构建代码即可轻松加载并用于推理。因此，在各种生产环境中部署 TensorFlow 模型既简单又高效。

• 资源管理：TF SavedModel 支持包含词汇表、嵌入或查找表等外部资源。这些资源与图定义和变量存储在一起，确保加载模型时可以使用它们。这项功能简化了依赖外部资源的模型的管理和分发。

使用 TF SavedModel 的部署选项#

在深入介绍将 YOLO26 模型导出为 TF SavedModel 格式的流程之前，我们先来了解这种格式的一些典型部署场景。

TF SavedModel 提供了多种机器学习模型部署选项：

• TensorFlow Serving：TensorFlow Serving 是一种灵活、高性能的服务系统，专为生产环境设计。它原生支持 TF SavedModel，让你可以轻松地在云平台、本地服务器或边缘设备上部署模型并提供服务。

• 云平台：Google Cloud Platform (GCP)、Amazon Web Services (AWS) 和 Microsoft Azure 等主要云服务商都提供部署和运行 TensorFlow 模型（包括 TF SavedModel）的服务。这些服务提供可扩展的托管基础设施，让你轻松部署和扩展模型。

• 移动和嵌入式设备：LiteRT（原名 TensorFlow Lite）是一种轻量级解决方案，可在移动设备、嵌入式设备和 IoT 设备上运行机器学习模型，并支持将 TF SavedModel 转换为 LiteRT 格式。这样，你就可以在各种设备上部署模型，从智能手机和平板电脑到微控制器和边缘设备。

• TensorFlow Runtime：TensorFlow Runtime (tfrt) 是用于执行 TensorFlow 计算图的高性能运行时。它提供了较低级别的 API，可在 C++ 环境中加载和运行 TF SavedModel。与标准 TensorFlow 运行时相比，TensorFlow Runtime 性能更好。它适用于需要低延迟推理并与现有 C++ 代码库紧密集成的部署场景。

支持的任务#

TF SavedModel 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 系列包含这两种任务头。

将 YOLO26 模型导出为 TF SavedModel#

将 YOLO26 模型导出为 TF SavedModel 格式，可以提升模型的适应性，并简化其在各种平台上的部署。

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。

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 SavedModel 格式支持 Export、Predict 和 Validate 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 SavedModel 格式
model.export(format="saved_model")  # creates 'yolo26n_saved_model'

from ultralytics import YOLO

# 加载导出的 TF SavedModel 模型
model = YOLO("./yolo26n_saved_model")

# 运行推理
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# 加载导出的 TF SavedModel 模型
model = YOLO("./yolo26n_saved_model")

# 在 COCO8 数据集上验证准确率
metrics = model.val(data="coco8.yaml")

导出参数#

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 SavedModel 模型#

现在你已将 YOLO26 模型导出为 TF SavedModel 格式，下一步就是部署。运行 TF SavedModel 模型的首选且推荐的第一步，是使用 YOLO("yolo26n_saved_model/") 方法，如前面的用法代码片段所示。

如需详细了解如何部署 TF SavedModel 模型，请参阅以下资源：

• TensorFlow Serving：此开发者文档介绍如何使用 TensorFlow Serving 部署 TF SavedModel 模型。

• 在 Node.js 中运行 TensorFlow SavedModel：这篇 TensorFlow 博客文章介绍如何直接在 Node.js 中运行 TensorFlow SavedModel，无需转换。

• 在云端部署：一篇介绍如何在 Cloud AI Platform 上部署 TensorFlow SavedModel 模型的 TensorFlow 博客文章。

总结#

在本指南中，我们介绍了如何将 Ultralytics YOLO26 模型导出为 TF SavedModel 格式。导出为 TF SavedModel 后，你可以灵活地在各种平台上优化、部署和扩展 YOLO26 模型。

如需了解更多用法详情，请访问 TF SavedModel 官方文档。

如需了解将 Ultralytics YOLO26 与其他平台和框架集成的更多信息，别忘了查看我们的集成指南页面。其中包含丰富的资源，帮助你在项目中充分发挥 YOLO26 的作用。

常见问题#