TensorFlow

TensorFlow une bibliothèque logicielle open source complète dédiée au machine learning (ML) et à l' intelligence artificielle (IA), initialement développée par l'équipe Google . Elle sert de plateforme fondamentale permettant aux développeurs de créer, d'entraîner et de déployer des modèles sophistiqués d'apprentissage profond. Bien qu'elle soit largement utilisée pour créer des réseaux neuronaux à grande échelle, son architecture flexible lui permet de fonctionner sur diverses plateformes, des puissants serveurs cloud et processeurs graphiques (GPU) aux appareils mobiles et systèmes informatiques de pointe. Cette polyvalence en fait un outil essentiel pour des secteurs allant des soins de santé et de la finance à l'ingénierie automobile.

Concepts fondamentaux et architecture

Le nom de ce framework vient des « tenseurs », qui sont des tableaux multidimensionnels de données circulant à travers un graphe de calcul. Cette approche basée sur les graphes permet à TensorFlow gérer efficacement des opérations mathématiques complexes .

• Graphiques computationnels : TensorFlow utilise TensorFlow un graphique de flux de données pour représenter les calculs. Les nœuds du graphique représentent des opérations mathématiques, tandis que les arêtes représentent les tableaux de données multidimensionnels (tensors) communiqués entre eux. Cette structure est excellente pour l' apprentissage distribué sur plusieurs processeurs.
• Intégration Keras : les versions modernes du framework s'intègrent étroitement à Keras, une API de haut niveau conçue pour les êtres humains, et non pour les machines. Keras simplifie le processus de construction de réseaux neuronaux (NN) en abstraisant une grande partie de la complexité de bas niveau, ce qui facilite la création de prototypes de modèles pour les débutants.
• Exécution immédiate : contrairement aux versions précédentes qui s'appuyaient fortement sur des graphiques statiques, les nouvelles itérations utilisent par défaut l'exécution immédiate. Cela permet d'évaluer immédiatement les opérations, ce qui simplifie le débogage et rend l'expérience de codage plus intuitive, similaire à la norme Python .

Applications concrètes

TensorFlow un rôle déterminant dans le développement de nombreuses technologies qui ont un impact sur la vie quotidienne et les opérations industrielles.

• Classification d'images et détection d'objets : cette technologie est largement utilisée pour entraîner les réseaux neuronaux convolutifs (CNN) à identifier des objets dans des images. Par exemple, dans le domaine de l' analyse d'images médicales, les modèles construits sur ce cadre peuvent aider les radiologues à détecter avec une grande précision des anomalies telles que des tumeurs sur des radiographies ou des IRM.
• Traitement du langage naturel (NLP) : de nombreux modèles linguistiques à grande échelle (LLM) et services de traduction s'appuient sur TensorFlow traiter et générer le langage humain. Il alimente des applications telles que les assistants vocaux et les outils d'analyse des sentiments qui aident les entreprises à comprendre les commentaires des clients en interprétant les données textuelles à grande échelle.

Comparaison avec PyTorch

Bien que les deux soient des frameworks dominants dans le paysage de l'IA, TensorFlow considérablement de PyTorch. PyTorch souvent privilégié dans la recherche universitaire pour son graphe de calcul dynamique, qui permet de modifier à la volée la structure du réseau. En revanche, TensorFlow a toujours été préféré pour le déploiement de modèles dans les environnements de production en raison de son écosystème robuste, notamment TensorFlow et TensorFlow pour les appareils mobiles. Cependant, les mises à jour récentes ont rapproché les deux frameworks en termes de convivialité et de fonctionnalités.

Intégration avec Ultralytics

Ultralytics , tels que le modèle de pointe YOLO26, sont construits à l'aide de PyTorch offrent une interopérabilité transparente avec TensorFlow . Cela est rendu possible grâce à des modes d'exportation qui permettent aux utilisateurs de convertir YOLO entraînés en formats compatibles avec le framework Google, tels que SavedModel, TF.js ou TFLite. Cette flexibilité garantit aux utilisateurs de pouvoir s'entraîner sur Ultralytics et de déployer leurs modèles sur des appareils qui nécessitent des formats spécifiques .

L'exemple suivant montre comment exporter un modèle YOLO26 vers un format compatible avec cet écosystème :

from ultralytics import YOLO

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

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

Outils et écosystème associés

Le cadre s'appuie sur une riche suite d'outils conçus pour gérer l'ensemble du cycle de vie des opérations d'apprentissage automatique (MLOps) :

• TensorBoard : un puissant ensemble d'outils de visualisation qui aide les chercheurs track telles que les fonctions de perte et la précision pendant l'entraînement. Il fournit une interface graphique permettant d'inspecter les graphiques des modèles et de déboguer les problèmes de performance. Vous pouvez utiliser l' intégration de TensorBoard avec Ultralytics visualiser vos exécutions YOLO .
• TensorFlow : une solution légère spécialement conçue pour l' IA de pointe et le déploiement mobile. Elle optimise les modèles afin qu'ils fonctionnent efficacement sur des appareils dont la puissance et la mémoire sont limitées, tels que les smartphones et les microcontrôleurs.
• TensorFlow.js : cette bibliothèque permet aux modèles ML de s'exécuter directement dans le navigateur ou sur Node.js. Elle permet l'inférence côté client, ce qui signifie que les données n'ont pas besoin d'être envoyées à un serveur, ce qui améliore la confidentialité et réduit la latence.
• TFX (TensorFlow ) : une plateforme de bout en bout pour le déploiement de pipelines de production. Elle permet d' automatiser la validation des données, l'entraînement des modèles et la mise en service, garantissant ainsi des applications d'IA évolutives et fiables.