了解如何从 YOLO26 导出为 TF SavedModel 格式#

部署机器学习模型可能颇具挑战。不过，使用高效灵活的模型格式可以让你的工作更加轻松。TF SavedModel 是 TensorFlow 用于以一致方式加载机器学习模型的开源机器学习框架。它就像 TensorFlow 模型的手提箱，让你可以轻松地在不同设备和系统上携带和使用模型。

学习如何从 Ultralytics YOLO26模型导出为 TF SavedModel，可以帮助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，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。它旨在无缝保存和序列化 TensorFlow 模型。它封装了模型的完整信息，例如架构、权重，甚至编译信息。因此，你可以在不同环境中轻松共享、部署模型并继续训练。

TF SavedModel 的一项主要优势是兼容性。它与 TensorFlow Serving、LiteRT（前身为 TensorFlow Lite）和 TensorFlow.js 配合良好。这种兼容性让你可以更轻松地在各种平台（包括 Web 和移动应用）之间共享和部署模型。TF SavedModel 格式既适用于研究，也适用于生产环境。它提供了统一的模型管理方式，确保模型可以用于任何应用。

TF SavedModel 的主要特性#

以下是使 TF SavedModel 成为 AI 开发者优秀选择的主要特性：

• 可移植性：TF SavedModel 提供与语言无关、可恢复且 hermetic 的序列化格式。它们支持更高层级的系统和工具生成、使用和转换 TensorFlow 模型。SavedModel 可以轻松地在不同平台和环境之间共享和部署。

• 易于部署：TF SavedModel 将计算图、训练参数和必要的元数据打包到一个文件包中。无需原始模型构建代码，即可轻松加载它们并用于推理。这使得 TensorFlow 模型在各种生产环境中的部署简单高效。

• 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一起存储，确保模型加载时可以使用它们。此特性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#

在深入了解将 YOLO26 模型导出为 TF SavedModel 格式的过程之前，我们先来看看这种格式常见的一些部署场景。

TF SavedModel 为部署机器学习模型提供了多种选项：

• TensorFlow Serving： TensorFlow Serving 是专为生产环境设计的灵活、高性能服务系统。它原生支持 TF SavedModel，因此你可以轻松地在云平台、本地服务器或边缘设备上部署和提供模型服务。

• 云平台： Google 云平台 (GCP)、Amazon Web Services (AWS)和 Microsoft Azure等主要云服务提供商，都提供用于部署和运行 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，让你可以轻松部署和扩展模型。

• 移动和嵌入式设备： LiteRT（前身为 TensorFlow Lite）是一种用于在移动设备、嵌入式设备和 IoT 设备上运行机器学习模型的轻量级解决方案，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 图的高性能运行时。它为在 C++ 环境中加载和运行 TF SavedModel 提供了更底层的 API。与标准 TensorFlow 运行时相比，TensorFlow Runtime 可提供更高的性能。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 导出支持全部七项 Ultralytics 任务。语义分割和深度估计仅适用于 YOLO26，因为它是唯一配备这些检测头的系列。

将 YOLO26 模型导出为 TF SavedModel#

将 YOLO26 模型导出为 TF SavedModel 格式，可以增强模型在各种平台上的适应性并简化部署。

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 SavedModel 格式支持 导出、预测和验证模式。导出模型，然后加载导出的模型来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 SavedModel format
model.export(format="saved_model")  # creates 'yolo26n_saved_model'

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

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

导出参数#

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 SavedModel 模型#

现在你已经将 YOLO26 模型导出为 TF SavedModel 格式，下一步就是部署它。运行 TF SavedModel 模型的首要且推荐的第一步，是使用前面用法代码片段中所示的 YOLO("yolo26n_saved_model/") 方法。

不过，如需了解部署 TF SavedModel 模型的详细说明，请查看以下资源：

• TensorFlow Serving：以下是介绍如何使用 TensorFlow Serving 部署 TF SavedModel 模型的开发者文档。

• 在 Node.js 中运行 TensorFlow SavedModel：一篇介绍如何直接在 Node.js 中运行 TensorFlow SavedModel 而无需转换的 TensorFlow 博客文章。

• 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#

本指南介绍了如何将 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。

如需进一步了解使用详情，请访问 TF SavedModel 官方文档。

如需了解将 Ultralytics YOLO26 集成到其他平台和框架中的更多信息，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#