Exportación de modelos con Ultralytics YOLO

Introducción

El objetivo final del entrenamiento de un modelo es desplegarlo en aplicaciones del mundo real. El modo de exportación en Ultralytics YOLO11 ofrece una gama versátil de opciones para exportar su modelo entrenado a diferentes formatos, por lo que es desplegable a través de diversas plataformas y dispositivos. Esta completa guía pretende guiarle a través de los matices de la exportación de modelos, mostrando cómo lograr la máxima compatibilidad y rendimiento.

Observa: Cómo exportar el modelo entrenado personalizado Ultralytics YOLO y ejecutar la inferencia en directo en la cámara web.

¿Por qué elegir el modo de exportación de YOLO11?

• Versatilidad: Exporte a múltiples formatos, incluidos ONNX, TensorRT, CoreML, y más.
• Rendimiento: Acelere hasta 5 veces GPU con TensorRT y 3 veces CPU con ONNX o OpenVINO.
• Compatibilidad: Haga que su modelo sea universalmente desplegable en numerosos entornos de hardware y software.
• Facilidad de uso: API sencilla CLI y Python para exportar modelos de forma rápida y directa.

Características principales del modo de exportación

Estas son algunas de las funcionalidades más destacadas:

• Exportación con un solo clic: Comandos sencillos para exportar a distintos formatos.
• Exportación por lotes: Exporta modelos capaces de realizar inferencias por lotes.
• Inferencia optimizada: Los modelos exportados se optimizan para acelerar los tiempos de inferencia.
• Vídeos tutoriales: Guías y tutoriales en profundidad para una experiencia de exportación sin problemas.

Ejemplos de uso

Exporte un modelo YOLO11n a un formato diferente como ONNX o TensorRT. Consulte la sección Argumentos más abajo para obtener una lista completa de los argumentos de exportación.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Argumentos

En esta tabla se detallan las configuraciones y opciones disponibles para exportar modelos de YOLO a distintos formatos. Estos ajustes son fundamentales para optimizar el rendimiento, el tamaño y la compatibilidad del modelo exportado en distintas plataformas y entornos. Una configuración adecuada garantiza que el modelo esté listo para su despliegue en la aplicación prevista con una eficacia óptima.

El ajuste de estos parámetros permite personalizar el proceso de exportación para adaptarlo a requisitos específicos, como el entorno de despliegue, las limitaciones de hardware y los objetivos de rendimiento. Seleccionar el formato y los ajustes adecuados es esencial para lograr el mejor equilibrio entre el tamaño del modelo, la velocidad y la precisión.

Formatos de exportación

Los formatos de exportación disponibles en YOLO11 figuran en la tabla siguiente. Puede exportar a cualquier formato utilizando el botón format es decir format='onnx' o format='engine'. Puede predecir o validar directamente los modelos exportados, es decir. yolo predict model=yolo11n.onnx. Se muestran ejemplos de uso de su modelo una vez finalizada la exportación.

PREGUNTAS FRECUENTES

¿Cómo se exporta un modelo de YOLO11 al formato ONNX ?

La exportación de un modelo YOLO11 al formato ONNX es sencilla con Ultralytics. Ofrece los métodos Python y CLI para exportar modelos.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Para más detalles sobre el proceso, incluidas opciones avanzadas como el manejo de diferentes tamaños de entrada, consulte la secciónONNX .

¿Cuáles son las ventajas de utilizar TensorRT para exportar modelos?

El uso de TensorRT para la exportación de modelos ofrece importantes mejoras de rendimiento. Los modelos de YOLO11 exportados a TensorRT pueden alcanzar hasta 5 veces la velocidad de GPU , lo que los hace ideales para aplicaciones de inferencia en tiempo real.

• Versatilidad: Optimice los modelos para una configuración de hardware específica.
• Velocidad: Consiga una inferencia más rápida mediante optimizaciones avanzadas.
• Compatibilidad: Se integra sin problemas con el hardware de NVIDIA .

Para obtener más información sobre la integración de TensorRT, consulte la guía de integración deTensorRT .

¿Cómo puedo activar la cuantización INT8 al exportar mi modelo YOLO11 ?

La cuantización INT8 es una forma excelente de comprimir el modelo y acelerar la inferencia, especialmente en dispositivos de borde. A continuación se explica cómo activar la cuantización INT8:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a model
model.export(format="engine", int8=True)

yolo export model=yolo11n.pt format=engine int8=True   # export TensorRT model with INT8 quantization

La cuantización INT8 puede aplicarse a varios formatos, como TensorRT y CoreML. Encontrará más detalles en la sección Exportación.

¿Por qué es importante el tamaño de la entrada dinámica al exportar modelos?

El tamaño de entrada dinámico permite que el modelo exportado maneje dimensiones de imagen variables, lo que proporciona flexibilidad y optimiza la eficiencia del procesamiento para diferentes casos de uso. Al exportar a formatos como ONNX o TensorRT, la activación del tamaño de entrada dinámico garantiza que el modelo pueda adaptarse a diferentes formas de entrada sin problemas.

Para activar esta función, utilice la opción dynamic=True durante la exportación:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="onnx", dynamic=True)

yolo export model=yolo11n.pt format=onnx dynamic=True

Para más información, consulte la configuración dinámica del tamaño de entrada.

¿Cuáles son los principales argumentos de exportación que hay que tener en cuenta para optimizar el rendimiento del modelo?

Comprender y configurar los argumentos de exportación es crucial para optimizar el rendimiento del modelo:

• format: El formato de destino del modelo exportado (por ejemplo, onnx, torchscript, tensorflow).
• imgsz: Tamaño de imagen deseado para la entrada del modelo (por ejemplo, 640 o (height, width)).
• half: Permite la cuantización FP16, reduciendo el tamaño del modelo y acelerando potencialmente la inferencia.
• optimize: Aplica optimizaciones específicas para entornos móviles o con restricciones.
• int8: Permite la cuantización INT8, muy beneficiosa para los despliegues de borde.

Para obtener una lista detallada y explicaciones de todos los argumentos de exportación, visite la sección Argumentos de exportación.

Creado hace 1 año ✏️ Actualizado hace 1 mes

Comentarios