Skip to content

从YOLO11模型格式导出到TF.js模型格式

在浏览器或Node.js中直接部署机器学习模型可能会有挑战。您需要确保您的模型格式针对更快的性能进行了优化，以便模型可以在用户的设备上本地运行交互式应用程序。TensorFlow.js（或TF.js）模型格式旨在使用最小的功率同时提供快速的性能。

“导出到TF.js模型格式”功能允许您优化您的Ultralytics YOLO11模型，以实现高速和本地运行的目标检测推理。在本指南中，我们将引导您将模型转换为TF.js格式，使您的模型在各种本地浏览器和Node.js应用程序中表现更好。

为什么要导出到TF.js？

将您的机器学习模型导出到由TensorFlow团队开发的TensorFlow.js，作为更广泛的TensorFlow生态系统的一部分，为部署机器学习应用程序提供了许多优势。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上转换和部署。

TF.js Architecture

在本地运行模型还可以减少延迟并提供更快的用户体验。TensorFlow.js还具有离线功能，即使用户没有互联网连接，也可以使用您的应用程序。TF.js设计用于在资源有限的设备上高效执行复杂模型，因为它为可扩展性而设计，并支持GPU加速。

TF.js的关键特性

以下是使TF.js成为开发者强大工具的关键特性：

  • 跨平台支持： TensorFlow.js可以在浏览器和Node.js环境中使用，为跨不同平台的部署提供了灵活性。它使开发者更容易构建和部署应用程序。

  • 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、用于接近原生执行速度的WebAssembly（WASM）以及用于高级浏览器机器学习能力的WebGPU。

  • 离线功能： 使用TensorFlow.js，模型可以在浏览器中运行，无需互联网连接，这使得开发离线功能应用程序成为可能。

TensorFlow.js的部署选项

在我们深入了解将YOLO11模型导出到TF.js格式的过程之前，让我们探讨一些使用此格式的典型部署场景。

TF.js提供了多种部署机器学习模型的选项：

  • 浏览器内ML应用程序： 您可以构建直接在浏览器中运行机器学习模型的Web应用程序。消除了对服务器端计算的需求，并减少了服务器负载。

  • Node.js应用程序： TensorFlow.js还支持在Node.js环境中部署，使开发服务器端机器学习应用程序成为可能。这对于需要服务器处理能力或访问服务器端数据的应用程序特别有用。

  • Chrome扩展： 一个有趣的部署场景是使用TensorFlow.js创建Chrome扩展。例如，您可以开发一个扩展，允许用户右键点击网页中的图像，使用预训练的ML模型对其进行分类。TensorFlow.js可以集成到日常的Web浏览体验中，提供基于机器学习的即时洞察或增强功能。

将YOLO11模型导出到TensorFlow.js

您可以通过将YOLO11模型转换为TF.js来扩展模型兼容性和部署灵活性。

安装

要安装所需的包，请运行：

安装

# 安装YOLO11所需的包
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。在安装YOLO11所需的包时，如果遇到任何困难，请参考我们的常见问题指南以获取解决方案和提示。

使用

在深入使用说明之前，需要注意的是，虽然所有Ultralytics YOLO11模型都支持导出，但您可以确保所选模型支持导出功能在此。

用法

from ultralytics import YOLO

# 加载YOLO11模型
model = YOLO("yolo11n.pt")

# 将模型导出为TF.js格式
model.export(format="tfjs")  # 创建'/yolo11n_web_model'

# 加载导出的TF.js模型
tfjs_model = YOLO("./yolo11n_web_model")

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

# 将YOLO11n PyTorch模型导出为TF.js格式
yolo export model=yolo11n.pt format=tfjs  # 创建'/yolo11n_web_model'

# 使用导出的模型进行推理
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

有关支持的导出选项的更多详细信息，请访问Ultralytics关于部署选项的文档页面。

部署导出的YOLO11 TensorFlow.js模型

现在您已将YOLO11模型导出为TF.js格式，下一步是部署它。运行TF.js的主要和推荐的第一步是使用YOLO("./yolo11n_web_model")方法，如前述用法代码片段所示。

然而，有关部署TF.js模型的深入说明，请查看以下资源：

总结

在本指南中，我们学习了如何将Ultralytics YOLO11模型导出为TensorFlow.js格式。通过导出为TF.js，您可以在广泛的平台上优化、部署和扩展您的YOLO11模型。

有关更多使用细节，请访问TensorFlow.js官方文档。

有关将Ultralytics YOLO11与其他平台和框架集成的更多信息，请不要忘记查看我们的集成指南页面。它充满了丰富的资源，帮助您在项目中充分利用YOLO11。

常见问题

如何将Ultralytics YOLO11模型导出为TensorFlow.js格式？

将Ultralytics YOLO11模型导出为TensorFlow.js（TF.js）格式非常简单。您可以按照以下步骤操作：

用法

from ultralytics import YOLO

# 加载YOLO11模型
model = YOLO("yolo11n.pt")

# 将模型导出为TF.js格式
model.export(format="tfjs")  # 创建'/yolo11n_web_model'

# 加载导出的TF.js模型
tfjs_model = YOLO("./yolo11n_web_model")

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

# 将YOLO11n PyTorch模型导出为TF.js格式
yolo export model=yolo11n.pt format=tfjs  # 创建'/yolo11n_web_model'

# 使用导出的模型进行推理
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

有关支持的导出选项的更多详细信息，请访问Ultralytics关于部署选项的文档页面。

为什么我应该将YOLO11模型导出为TensorFlow.js？

将YOLO11模型导出为TensorFlow.js提供了几个优势，包括：

  1. 本地执行：模型可以直接在浏览器或Node.js中运行，减少延迟并增强用户体验。
  2. 跨平台支持：TF.js支持多种环境，允许灵活部署。
  3. 离线功能：使应用程序无需互联网连接即可运行，确保可靠性和隐私。
  4. GPU加速：利用WebGL进行GPU加速，优化资源有限设备的性能。

有关全面概述，请参阅我们的与TensorFlow.js的集成。

TensorFlow.js如何使基于浏览器的机器学习应用程序受益？

TensorFlow.js专为在浏览器和Node.js环境中高效执行ML模型而设计。以下是它如何使基于浏览器的应用程序受益： - 减少延迟： 在本地运行机器学习模型，无需依赖服务器端计算即可提供即时结果。 - 提升隐私性： 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，确保功能一致性。 - 支持多种后端： 提供灵活性，支持CPU、WebGL、WebAssembly（WASM）和WebGPU等多种后端，以满足不同的计算需求。

想了解更多关于TF.js的信息吗？查看官方TensorFlow.js指南。

TensorFlow.js部署YOLO11模型的关键特性是什么？

TensorFlow.js的关键特性包括：

  • 跨平台支持： TF.js既可用于网页浏览器，也可用于Node.js，提供广泛的部署灵活性。
  • 多后端支持： 支持CPU、WebGL用于GPU加速、WebAssembly（WASM）和WebGPU用于高级操作。
  • 离线功能： 模型可以直接在浏览器中运行，无需互联网连接，非常适合开发响应式网页应用。

有关部署场景和更深入的信息，请参阅我们的使用TensorFlow.js部署导出的YOLO11模型部分。

我可以在服务器端Node.js应用中使用TensorFlow.js部署YOLO11模型吗？

是的，TensorFlow.js允许在Node.js环境中部署YOLO11模型。这使得服务器端机器学习应用能够利用服务器的处理能力并访问服务器端数据。典型用例包括实时数据处理和后端服务器上的机器学习管道。

要开始使用Node.js部署，请参阅TensorFlow的在Node.js中运行TensorFlow.js指南。


📅 Created 6 months ago ✏️ Updated 13 days ago
UltralyticsAssistant glenn-jocher MatthewNoyce RizwanMunawar abirami-vina

Comments