TensorFlow

TensorFlow es un marco de código abierto completo y versátil diseñado para agilizar el desarrollo y la desarrollo e implementación de aplicaciones aplicaciones de inteligencia artificial. Desarrollado originalmente por investigadores e ingenieros del equipo equipo deGoogle Brain, ha evolucionado hasta convertirse en un rico ecosistema de herramientas, bibliotecas y recursos comunitarios que permite a los investigadores impulsar el estado del arte en aprendizaje profundo (DL) y permite a los desarrolladores crear y desplegar fácilmente aplicaciones basadas en el aprendizaje profundo. Su arquitectura está diseñada para ser flexible y permitir la computación plataformas, desde potentes servidores hasta dispositivos móviles móviles.

Conceptos básicos y arquitectura

En esencia, TensorFlow se basa en el concepto de grafo de flujo de datos. En este modelo, los nodos del grafo representan operaciones matemáticas, mientras que los bordes del gráfico representan las matrices de datos multidimensionales, conocidas como tensores, que fluyen entre ellos. que fluyen entre ellos. Esta arquitectura permite al marco ejecutar complejos cálculos de cálculos complejos de redes neuronales (NN ).

• Tensores: La unidad fundamental de datos, similar a las matrices NumPy pero con la capacidad añadida de residir en la memoria del acelerador como una GPU o TPU.
• Grafos computacionales: Definen la lógica del cálculo. Mientras que las primeras versiones en gráficos estáticos, TensorFlow moderno utiliza por defecto la ejecución ansiosa, que evalúa las operaciones inmediatamente para una experiencia de depuración más intuitiva y pitónica. una experiencia de depuración más intuitiva y pitónica.
• Integración con Keras: Para la construcción de modelos, TensorFlow utiliza Keras como API de alto nivel. Esto simplifica la creación de modelos de aprendizaje profundo mediante la abstracción de detalles de bajo nivel, por lo que es accesible para la creación rápida de prototipos.

Características principales y ecosistema

La fuerza del marco reside en su amplio ecosistema, que da soporte a todo el ciclo de vida de ML, desde el preprocesamiento de datos hasta el despliegue de producción. desde el preprocesamiento de datos hasta el despliegue en producción.

• Visualización: La suite TensorBoard proporciona herramientas de visualización para track de las métricas de entrenamiento, como la pérdida y la precisión, visualizar gráficos de modelos y analizar espacios de incrustación. espacios.
• Despliegue en producción: Herramientas como TensorFlow Serving permiten un servicio flexible y de alto de alto rendimiento de modelos ML en entornos de producción.
• Móvil y Web: TensorFlow Lite permite la inferencia de baja latencia de baja latencia en dispositivos móviles e integrados, mientras que TensorFlow.js permite ejecutar modelos directamente en el navegador o en Node.js.
• Formación distribuida: El marco se escala sin esfuerzo, soportando la formación distribuida en clústeres de dispositivos para manejar conjuntos de datos masivos y arquitecturas a gran escala.

TensorFlow frente a PyTorch

En el panorama de los marcos de aprendizaje profundo, la principal comparación suele establecerse entre TensorFlow y PyTorch. Aunque ambos son capaces de manejar Aunque ambos son capaces de manejar cargas de trabajo de investigación y producción de vanguardia, tienen diferencias históricas. TensorFlow suele ser el preferido en entornos industriales por sus de despliegue de modelos y su compatibilidad con hardware a través de formatos como SavedModel y TFLite. PyTorch, desarrollado por Meta, se cita con frecuencia por su gráfico computacional dinámico y su facilidad de uso. y su facilidad de uso en la investigación académica. Sin embargo, con las últimas actualizaciones, la brecha se ha estrechado significativamente. significativamente, y ambos marcos ofrecen una interoperabilidad y un rendimiento excelentes.

Aplicaciones en el mundo real

La flexibilidad del marco lo hace apto para una amplia gama de sectores y tareas complejas de visión por ordenador (CV) y el procesamiento natural.

• Sanidad: Impulsa sistemas avanzados de sistemas de análisis de imágenes médicas radiólogos a detectar anomalías como tumores en radiografías o resonancias magnéticas, mejorando la precisión y rapidez del diagnóstico.
• Venta al por menor: Los principales minoristas la utilizan para AI en aplicaciones minoristas, como la gestión inventario inteligente y sistemas de caja automatizados detección de objetos para identificar productos en tiempo real.
• Automoción: En el sector de la automoción, se utiliza para entrenar modelos de percepción para vehículos autónomos, lo que permite a los coches reconocer carriles, peatones y señales de tráfico.

Integración de Ultralytics

Los modelosYOLO Ultralytics se integran a la perfección con el ecosistema TensorFlow . Los usuarios pueden entrenar modelos de última generación como YOLO11 en Python y exportarlos fácilmente a formatos compatibles para su despliegue en plataformas web, móviles o en la nube. Esta capacidad garantiza que el alto rendimiento de YOLO pueda aprovecharse dentro de las infraestructuras existentes TensorFlow.

El siguiente ejemplo muestra cómo exportar un modelo YOLO11 preentrenado al archivo TensorFlow SavedModel que permite una permite una fácil integración con herramientas de servicio.

from ultralytics import YOLO

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

# Export the model to TensorFlow SavedModel format
# This creates a directory containing the saved_model.pb file
model.export(format="saved_model")

Además de SavedModel, Ultralytics admite la exportación a TensorFlow Lite para aplicaciones móviles, TensorFlow.js para inferencia basada en web, y Edge TPU para acelerar el rendimiento del hardware.