TensorFlow 핵심 개념, 아키텍처 및 생태계를 탐구하세요. Ultralytics 모델을 TFLite, JS 등에 원활하게 배포하기 위해 내보내는 방법을 배우세요.
TensorFlow 머신 러닝(ML) 및 인공 지능(AI)TensorFlow 포괄적인 오픈소스 소프트웨어 TensorFlow , Google 팀이 처음 개발했습니다. 이 라이브러리는 개발자가 정교한 딥 러닝 모델을 구축, 훈련 및 배포할 수 있도록 지원하는 기반 플랫폼 역할을 합니다. 대규모 신경망 구축에 널리 사용되지만, 유연한 아키텍처 덕분에 강력한 클라우드 서버와 그래픽 처리 장치(GPU) 부터 모바일 기기 및 엣지 컴퓨팅 시스템에 이르기까지 다양한 플랫폼에서 실행 가능합니다. 이러한 다용도성은 의료, 금융부터 자동차 공학에 이르는 다양한 산업 분야에서 핵심 도구로 자리매김하게 합니다.
이 프레임워크의 이름은 '텐서'에서 유래되었으며, 이는 계산 그래프를 통해 흐르는 다차원 데이터 배열입니다. 이 그래프 기반 접근 방식 덕분에 TensorFlow 복잡한 수학적 연산을 효율적으로 관리할 TensorFlow .
TensorFlow 일상생활과 산업 운영에 영향을 미치는 수많은 기술의 핵심 동력 역할을 TensorFlow .
AI 분야에서 두 프레임워크 모두 지배적이지만, TensorFlow PyTorch. PyTorch 네트워크 구조를 실시간으로 변경할 수 있는 동적 계산 그래프 덕분에 학술 연구에서 PyTorch 많습니다. 반면 TensorFlow TensorFlow 및 모바일용 TensorFlow 포함한 견고한 생태계 덕분에 생산 환경에서의 모델 배포에 역사적으로 선호되어 왔습니다. 그러나 최근 업데이트를 통해 두 프레임워크는 사용성과 기능 측면에서 더욱 가까워졌습니다.
최첨단 YOLO26과 같은 Ultralytics PyTorch 사용하여 PyTorch TensorFlow 원활한 상호 운용성을 제공합니다. 이는 사용자가 훈련된 YOLO Google 프레임워크와 호환되는 형식(예: SavedModel, TF.js 또는 TFLite Ultralytics 호환 Ultralytics 형식으로 변환할 수 있는 내보내기 모드를 통해 달성됩니다. 이러한 유연성 덕분에 사용자는 Ultralytics 훈련한 Ultralytics 특정 형식이 필요한 장치에 배포할 수 있습니다.
다음 예시는 YOLO26 모델을 이 생태계와 호환되는 형식으로 내보내는 방법을 보여줍니다:
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")
이 프레임워크는 머신 러닝 운영(MLOps)의 전체 라이프사이클을 관리하도록 설계된 풍부한 도구 모음으로 지원됩니다:
.webp)