Ultralytics YOLO27：

将 YOLO26 模型格式导出为 TF.js 模型格式#

已弃用 — 已由 LiteRT 替代

自 Ultralytics 8.4.83 起，tfjs（TensorFlow.js）导出格式已移除，并由统一的 Google LiteRT 格式替代。LiteRT 可通过 LiteRT.js 在浏览器中运行（支持 WebGPU 加速），覆盖 TF.js 所支持的浏览器内和 Node.js 使用场景，以及移动端、嵌入式和边缘设备场景，全部使用单一的 .tflite 模型。

format="tfjs" 仍可使用，但会发出弃用警告，并改为导出 LiteRT 模型。今后请使用 format="litert"；有关当前的导出说明和浏览器部署路径，请参阅 LiteRT 导出指南。

将机器学习模型直接部署在浏览器或 Node.js 上可能比较棘手。你需要确保模型格式经过优化以提升运行速度，使模型能够在用户设备本地运行交互式应用。TensorFlow.js（即 TF.js）模型格式旨在以极低的功耗提供快速性能。

“导出为 TF.js 模型格式”功能可优化你的 Ultralytics YOLO26 模型，以实现高速、本地运行的目标检测推理。在本指南中，我们将带你了解如何将模型转换为 TF.js 格式，使模型更容易在各种本地浏览器和 Node.js 应用中获得良好性能。

为什么要导出为 TF.js？#

将机器学习模型导出为 TensorFlow.js（由 TensorFlow 团队作为更广泛 TensorFlow 生态系统的一部分开发）可为部署机器学习应用带来诸多优势。它通过将敏感数据保留在设备上，帮助增强用户隐私和安全性。下图展示了 TensorFlow.js 的架构，以及机器学习模型如何在 Web 浏览器和 Node.js 上进行转换和部署。

TensorFlow.js browser ML inference architecture

在本地运行模型还可以降低延迟，并提供响应更迅速的用户体验。TensorFlow.js 还支持离线运行，即使没有互联网连接，用户也能使用你的应用。TF.js 专为在资源有限的设备上高效执行复杂模型而设计，并且针对可扩展性进行了优化，同时支持 GPU 加速。

TF.js 的主要功能#

以下是使 TF.js 成为开发者强大工具的主要功能：

  • 跨平台支持： TensorFlow.js 可在浏览器和 Node.js 环境中使用，为跨不同平台部署提供灵活性。它让开发者能够更轻松地构建和部署应用。

  • 支持多种后端： TensorFlow.js 支持多种计算后端，包括 CPU、用于 GPU 加速的 WebGL、提供近原生执行速度的 WebAssembly（WASM），以及用于实现高级浏览器端机器学习能力的 WebGPU。

  • 离线能力： 借助 TensorFlow.js，模型无需互联网连接即可在浏览器中运行，从而可以开发能够离线运行的应用。

使用 TensorFlow.js 的部署选项#

在深入了解将 YOLO26 模型导出为 TF.js 格式的过程之前，我们先来看看这种格式的一些典型部署场景。

TF.js 提供了一系列机器学习模型部署选项：

  • 浏览器内机器学习应用： 你可以构建直接在浏览器中运行机器学习模型的 Web 应用。这样无需服务器端计算，并可降低服务器负载。

  • Node.js 应用： TensorFlow.js 还支持在 Node.js 环境中部署，从而能够开发服务器端机器学习应用。对于需要服务器处理能力或访问服务器端数据的应用，这尤其有用。

  • Chrome 扩展： 使用 TensorFlow.js 创建 Chrome 扩展也是一种有趣的部署场景。例如，你可以开发一个扩展，让用户右键点击任意网页中的图像，并使用预训练 ML 模型对其进行分类。TensorFlow.js 可以集成到日常网页浏览体验中，根据机器学习提供即时洞察或增强功能。

将 YOLO26 模型导出为 TensorFlow.js#

将 YOLO26 模型转换为 TF.js，可以扩展模型兼容性并提高部署灵活性。

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。

tfjs 参数现在会导出 LiteRT .tflite 模型，该模型支持在本地使用 Export、Predict 和 Validate 模式，并可通过 LiteRT.js 在浏览器中运行。有关当前的浏览器和设备端部署路径，请参阅 LiteRT 导出指南。

导出
from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="litert", imgsz=640)  # use imgsz=224 for classification
预测和验证

导出的 LiteRT .tflite 模型可直接使用 yolo predict 和 yolo val 加载，并可通过 LiteRT.js 在浏览器中运行。请参阅 LiteRT 导出指南。

导出参数#

参数类型默认值描述
formatstr'tfjs'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量化精度：8（静态 INT8，int8 权重 + int8 激活值；需要校准 data/fraction）、'w8a16'（静态，int8 权重 + int16 激活值；需要校准 data/fraction）、'w8a32'（动态 INT8，int8 权重 + FP32 激活值；无需校准）或 32/未设置（FP32）。FP16 不会单独导出——FP32 模型在 GPU 委托上会自动以 FP16 运行。替代已弃用的 half/int8 标志。
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。
datastrNone数据集 YAML 的路径，是量化所必需的；分类任务则需要数据集目录或内置数据集名称。如果在使用 quantize=8 或 'w8a16' 时省略该参数，Ultralytics 会为相应模型任务选择默认校准数据集。
fractionfloat、int 或 list1.0校准子集可以按比例、图像数量或 [train, val, test] 的比例/数量指定。包含两个项目的列表会保留 test 的完整内容，同时跳过 0。
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 TensorFlow.js 模型#

现在你已经导出了 YOLO26 模型，下一步就是部署它。导出结果是一个可在设备上运行并通过 LiteRT.js 在浏览器中运行的 LiteRT .tflite 模型——有关当前路径，请参阅 LiteRT 导出指南。

作为参考，以下是旧版 TensorFlow.js 运行时资源：

总结#

在本指南中，我们学习了如何将 Ultralytics YOLO26 模型导出为 TensorFlow.js 格式。通过导出为 TF.js，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方法，请访问 TensorFlow.js 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#

  • 将 Ultralytics YOLO26 模型导出为 TensorFlow.js（TF.js）格式非常简单。你可以按照以下步骤操作：

    使用方法
    from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="litert", imgsz=640)  # use imgsz=224 for classification

# The exported '.tflite' model runs in the browser via LiteRT.js or locally with yolo predict/val.

    如需详细了解支持的导出选项，请访问 Ultralytics 关于部署选项的文档页面。

  • 将 YOLO26 模型导出为 TensorFlow.js 具有多项优势，包括：

    1. 本地执行： 模型可直接在浏览器或 Node.js 中运行，从而降低延迟并改善用户体验。
    2. 跨平台支持： TF.js 支持多种环境，为部署提供灵活性。
    3. 离线能力： 支持应用在没有互联网连接的情况下运行，确保可靠性和隐私性。
    4. GPU 加速： 利用 WebGL 进行 GPU 加速，优化资源有限设备上的性能。

  • TensorFlow.js 专为在浏览器和 Node.js 环境中高效执行 ML 模型而设计。它可以通过以下方式帮助基于浏览器的应用：

    • 降低延迟： 在本地运行机器学习模型，无需依赖服务器端计算即可立即获得结果。
    • 改善隐私： 将敏感数据保留在用户设备上，最大限度地降低安全风险。
    • 支持离线使用： 模型无需互联网连接即可运行，确保功能始终一致。
    • 支持多种后端： 提供 CPU、WebGL、WebAssembly（WASM）和 WebGPU 等后端，以满足不同的计算需求。

    想进一步了解 TF.js？请查看 TensorFlow.js 官方指南。

  • TensorFlow.js 的主要功能包括：

    • 跨平台支持： TF.js 可在 Web 浏览器和 Node.js 中使用，提供广泛的部署灵活性。
    • 多种后端： 支持 CPU、用于 GPU 加速的 WebGL、WebAssembly（WASM）和用于高级操作的 WebGPU。
    • 离线能力： 模型无需互联网连接即可直接在浏览器中运行，非常适合开发响应迅速的 Web 应用。

    有关部署场景和更深入的信息，请参阅我们的 使用 TensorFlow.js 的部署选项部分。

  • 可以，TensorFlow.js 支持在 Node.js 环境中部署 YOLO26 模型。这使你能够开发服务器端机器学习应用，并利用服务器的处理能力和服务器端数据访问能力。典型用例包括后端服务器上的实时数据处理和机器学习流水线。

    如需开始 Node.js 部署，请参阅 TensorFlow 提供的在 Node.js 中运行 TensorFlow.js指南。

贡献者
GLglenn-jocher20LAlakshanthad4RAraimbekovm3FCfcakyon2AMambitious-octopus1ONonuralpszr1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1ABabirami-vina1

评论