Zum Inhalt springen

Modell Export mit Ultralytics YOLO

Ultralytics YOLO Ökosystem und Integrationen

EinfĂŒhrung

Das ultimative Ziel des Trainings eines Modells ist es, es fĂŒr reale Anwendungen einzusetzen. Der Exportmodus in Ultralytics YOLOv8 bietet eine Vielzahl von Optionen, um dein trainiertes Modell in verschiedene Formate zu exportieren, damit es auf verschiedenen Plattformen und GerĂ€ten eingesetzt werden kann. Dieser umfassende Leitfaden fĂŒhrt dich durch die Feinheiten des Modellexports und zeigt dir, wie du maximale KompatibilitĂ€t und Leistung erreichst.



Pass auf: Wie exportiere ich ein individuell trainiertes Ultralytics YOLOv8 Modell und fĂŒhre Live-Inferenz auf der Webcam durch?

Warum der Exportmodus von YOLOv8?

  • Vielseitigkeit: Exportiere in verschiedene Formate wie ONNX, TensorRT, CoreML und mehr.
  • Leistung: Gewinne bis zu 5x GPU-Beschleunigung mit TensorRT und 3x CPU-Beschleunigung mit ONNX oder OpenVINO.
  • KompatibilitĂ€t: Mach dein Modell universell einsetzbar in zahlreichen Hardware- und Softwareumgebungen.
  • Benutzerfreundlichkeit: Einfache CLI und Python API fĂŒr den schnellen und unkomplizierten Export von Modellen.

Hauptmerkmale des Exportmodus

Hier sind einige der herausragenden Funktionen:

  • Ein-Klick-Export: Einfache Befehle zum Exportieren in verschiedene Formate.
  • Batch-Export: Exportiere Batch-Inferenz-fĂ€hige Modelle.
  • Optimierte Inferenz: Exportierte Modelle sind fĂŒr schnellere Inferenzzeiten optimiert.
  • Tutorial-Videos: AusfĂŒhrliche Anleitungen und Tutorials fĂŒr ein reibungsloses Exporterlebnis.

Tipp

  • Exportiere nach ONNX oder OpenVINO fĂŒr eine bis zu 3-fache CPU-Beschleunigung.
  • Exportiere nach TensorRT fĂŒr bis zu 5-fache GPU-Beschleunigung.

Verwendungsbeispiele

Exportiere ein YOLOv8n Modell in ein anderes Format wie ONNX oder TensorRT. Eine vollstÀndige Liste der Exportargumente findest du im Abschnitt Argumente weiter unten.

Beispiel

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom trained model

# Export the model
model.export(format='onnx')
yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Argumente

In dieser Tabelle sind die Konfigurationen und Optionen aufgefĂŒhrt, die fĂŒr den Export von YOLO Modellen in verschiedene Formate verfĂŒgbar sind. Diese Einstellungen sind entscheidend fĂŒr die Optimierung der Leistung, GrĂ¶ĂŸe und KompatibilitĂ€t des exportierten Modells auf verschiedenen Plattformen und in verschiedenen Umgebungen. Die richtige Konfiguration stellt sicher, dass das Modell fĂŒr den Einsatz in der vorgesehenen Anwendung mit optimaler Effizienz bereit ist.

Argument Typ Standard Beschreibung
format str 'torchscript' Zielformat fĂŒr das exportierte Modell, z. B. 'onnx', 'torchscript', 'tensorflow'oder andere, die die KompatibilitĂ€t mit verschiedenen Einsatzumgebungen definieren.
imgsz int oder tuple 640 GewĂŒnschte BildgrĂ¶ĂŸe fĂŒr die Modelleingabe. Kann eine ganze Zahl fĂŒr quadratische Bilder oder ein Tupel sein (height, width) fĂŒr bestimmte Abmessungen.
keras bool False Ermöglicht den Export in das Keras-Format fĂŒr TensorFlow SavedModel und bietet KompatibilitĂ€t mit TensorFlow serving and APIs.
optimize bool False Wendet beim Export nach TorchScript eine Optimierung fĂŒr mobile GerĂ€te an, wodurch die ModellgrĂ¶ĂŸe reduziert und die Leistung verbessert werden kann.
half bool False Ermöglicht die FP16-Quantisierung (halbe Genauigkeit), wodurch die ModellgrĂ¶ĂŸe verringert und die Inferenz auf unterstĂŒtzter Hardware möglicherweise beschleunigt wird.
int8 bool False Aktiviert die INT8-Quantisierung, um das Modell weiter zu komprimieren und die Inferenz mit minimalem Genauigkeitsverlust zu beschleunigen, vor allem fĂŒr Edge-GerĂ€te.
dynamic bool False Ermöglicht dynamische EingabegrĂ¶ĂŸen fĂŒr ONNX und TensorRT Exporte, was die FlexibilitĂ€t beim Umgang mit unterschiedlichen BildgrĂ¶ĂŸen erhöht.
simplify bool False Vereinfacht den Modellgraphen fĂŒr ONNX Exporte, was die Leistung und KompatibilitĂ€t verbessern kann.
opset int None Gibt die ONNX opset-Version an, um die KompatibilitĂ€t mit verschiedenen ONNX Parsern und Laufzeiten zu gewĂ€hrleisten. Wenn nicht gesetzt, wird die letzte unterstĂŒtzte Version verwendet.
workspace float 4.0 Legt die maximale GrĂ¶ĂŸe des Arbeitsbereichs in GB fĂŒr die TensorRT Optimierungen fest und sorgt fĂŒr ein Gleichgewicht zwischen Speichernutzung und Leistung.
nms bool False FĂŒgt dem CoreML Export die Nicht-Maximum-UnterdrĂŒckung (NMS) hinzu, die fĂŒr eine genaue und effiziente Nachbearbeitung der Aufdeckung unerlĂ€sslich ist.

Die Anpassung dieser Parameter ermöglicht die Anpassung des Exportprozesses an spezifische Anforderungen, wie z. B. die Einsatzumgebung, HardwarebeschrĂ€nkungen und Leistungsziele. Die Wahl des richtigen Formats und der richtigen Einstellungen ist wichtig, um das beste Gleichgewicht zwischen ModellgrĂ¶ĂŸe, Geschwindigkeit und Genauigkeit zu erreichen.

Formate exportieren

Die verfĂŒgbaren YOLOv8 Exportformate findest du in der Tabelle unten. Du kannst in jedes beliebige Format exportieren, indem du die format Argument, d.h. format='onnx' oder format='engine'.

Format format Argument Modell Metadaten Argumente
PyTorch - yolov8n.pt ✅ -
TorchScript torchscript yolov8n.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ ✅ imgsz, half, int8
TensorRT engine yolov8n.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ ✅ imgsz, keras, int8
TF GraphDef pb yolov8n.pb ❌ imgsz
TF Lite tflite yolov8n.tflite ✅ imgsz, half, int8
TF Kante TPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n_web_model/ ✅ imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ ✅ imgsz
NCNN ncnn yolov8n_ncnn_model/ ✅ imgsz, half


Erstellt am 2023-11-12, Aktualisiert am 2024-03-01
Autoren: glenn-jocher (10), Burhan-Q (1)

Kommentare