ONNX Exportation pour les modèles YOLO11

Souvent, lorsque vous déployez des modèles de vision par ordinateur, vous avez besoin d'un format de modèle qui soit à la fois flexible et compatible avec plusieurs plates-formes.

L'exportation des modèles Ultralytics YOLO11 vers le format ONNX simplifie le déploiement et garantit des performances optimales dans divers environnements. Ce guide vous montrera comment convertir facilement vos modèles YOLO11 au format ONNX et comment améliorer leur évolutivité et leur efficacité dans des applications réelles.

ONNX et ONNX Runtime

ONNXqui signifie Open Neural Network Exchange, est un projet communautaire initialement développé par Facebook et Microsoft . Le développement continu de ONNX est un effort de collaboration soutenu par diverses organisations comme IBM, Amazon (par le biais d'AWS) et Google. Le projet vise à créer un format de fichier ouvert conçu pour représenter les modèles d'apprentissage automatique d'une manière qui leur permette d'être utilisés dans différents cadres et matériels d'IA.

ONNX peuvent être utilisés pour passer d'un cadre à l'autre en toute transparence. Par exemple, un modèle d'apprentissage profond formé dans PyTorch peut être exporté au format ONNX et ensuite facilement importé dans TensorFlow.

Les modèles ONNX peuvent également être utilisés avec ONNX Runtime. ONNX Runtime est un accélérateur multiplateforme polyvalent pour les modèles d'apprentissage automatique qui est compatible avec des cadres tels que PyTorch, TensorFlowTFLite, scikit-learn, etc.

ONNX Runtime optimise l'exécution des modèles ONNX en exploitant les capacités spécifiques du matériel. Cette optimisation permet aux modèles de fonctionner efficacement et avec des performances élevées sur diverses plateformes matérielles, y compris les CPU, les GPU et les accélérateurs spécialisés.

Qu'il soit utilisé indépendamment ou en tandem avec ONNX Runtime, ONNX offre une solution flexible pour le déploiement et la compatibilité des modèles d' apprentissage automatique.

Principales caractéristiques des modèles ONNX

La capacité de ONNX à gérer différents formats peut être attribuée aux caractéristiques clés suivantes :

• Représentation commune du modèle: ONNX définit un ensemble commun d'opérateurs (comme les convolutions, les couches, etc.) et un format de données standard. Lorsqu'un modèle est converti au format ONNX , son architecture et ses poids sont traduits dans cette représentation commune. Cette uniformité garantit que le modèle peut être compris par n'importe quel cadre prenant en charge ONNX.

• Versionnement et compatibilité ascendante: ONNX maintient un système de versionnement pour ses opérateurs. Ce système garantit que, même si la norme évolue, les modèles créés dans des versions antérieures restent utilisables. La rétrocompatibilité est une caractéristique essentielle qui empêche les modèles de devenir rapidement obsolètes.

• Représentation graphique des modèles: ONNX représente les modèles sous forme de graphes informatiques. Cette structure graphique est un moyen universel de représenter les modèles d'apprentissage automatique, où les nœuds représentent les opérations ou les calculs, et les arêtes représentent les tenseurs qui circulent entre eux. Ce format est facilement adaptable à divers cadres qui représentent également les modèles sous forme de graphes.

• Outils et écosystème: Il existe un riche écosystème d'outils autour de ONNX qui aident à la conversion, à la visualisation et à l'optimisation des modèles. Ces outils permettent aux développeurs de travailler plus facilement avec les modèles ONNX et de convertir les modèles entre différents cadres de manière transparente.

Utilisation courante de ONNX

Avant de voir comment exporter les modèles YOLO11 vers le format ONNX , voyons où les modèles ONNX sont généralement utilisés.

CPU Déploiement

ONNX sont souvent déployés sur des unités centrales en raison de leur compatibilité avec ONNX Runtime. Ce moteur d'exécution est optimisé pour l'exécution de CPU . Il améliore considérablement la vitesse d'inférence et permet des déploiements en temps réel sur . Il améliore considérablement la vitesse d'inférence et permet de déployer CPU en temps réel.

Options de déploiement prises en charge

Si les modèles ONNX sont généralement utilisés sur les CPU, ils peuvent également être déployés sur les plates-formes suivantes :

• GPU Accélération: ONNX prend entièrement en charge l'accélération GPU , en particulier NVIDIA CUDA . Cela permet une exécution efficace sur les GPU NVIDIA pour les tâches qui exigent une grande puissance de calcul.

• Appareils périphériques et mobiles: ONNX s'étend aux appareils périphériques et mobiles, ce qui est parfait pour les scénarios d'inférence en temps réel et sur l'appareil. Il est léger et compatible avec le matériel périphérique.

• Navigateurs web: ONNX peut fonctionner directement dans les navigateurs web, ce qui permet de créer des applications d'IA interactives et dynamiques basées sur le web.

Exportation des modèles YOLO11 vers ONNX

Vous pouvez étendre la compatibilité des modèles et la flexibilité du déploiement en convertissant les modèles YOLO11 au format ONNX .

Installation

Pour installer le paquetage requis, exécutez :

# Install the required package for YOLO11
pip install ultralytics

Pour des instructions détaillées et les meilleures pratiques liées au processus d'installation, consultez notre guide d'installationYOLO11 . Lors de l'installation des paquets requis pour YOLO11, si vous rencontrez des difficultés, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils.

Utilisation

Avant de vous plonger dans les instructions d'utilisation, n'oubliez pas de consulter la gamme de modèlesYOLO11 proposée par Ultralytics. Cela vous aidera à choisir le modèle le plus approprié aux exigences de votre projet.

from ultralytics import YOLO

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

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo11n.onnx'

# Load the exported ONNX model
onnx_model = YOLO("yolo11n.onnx")

# Run inference
results = onnx_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to ONNX format
yolo export model=yolo11n.pt format=onnx  # creates 'yolo11n.onnx'

# Run inference with the exported model
yolo predict model=yolo11n.onnx source='https://ultralytics.com/images/bus.jpg'

Pour plus de détails sur le processus d'exportation, consultez la page de documentationUltralytics sur l'exportation.

Déploiement des modèles exportés YOLO11 ONNX

Une fois que vous avez réussi à exporter vos modèles Ultralytics YOLO11 au format ONNX , l'étape suivante consiste à déployer ces modèles dans divers environnements. Pour obtenir des instructions détaillées sur le déploiement de vos modèles ONNX , consultez les ressources suivantes :

• ONNX Runtime Python Documentation de l'API: Ce guide fournit des informations essentielles pour le chargement et l'exécution des modèles ONNX à l'aide de ONNX Runtime.

• Déploiement sur des appareils Edge: Consultez cette page de documentation pour obtenir différents exemples de déploiement des modèles ONNX sur des appareils périphériques.

• ONNX Tutoriels sur GitHub: Une collection de tutoriels complets qui couvrent divers aspects de l'utilisation et de la mise en œuvre des modèles ONNX dans différents scénarios.

Résumé

Dans ce guide, vous avez appris à exporter les modèles Ultralytics YOLO11 au format ONNX afin d'améliorer leur interopérabilité et leurs performances sur différentes plateformes. Vous avez également découvert les options de déploiement ONNX Runtime et ONNX .

Pour plus de détails sur l'utilisation, consultez la documentation officielle deONNX .

Par ailleurs, si vous souhaitez en savoir plus sur d'autres intégrations de Ultralytics YOLO11 , visitez notre page de guide d'intégration. Vous y trouverez de nombreuses ressources et informations utiles.

FAQ

Comment exporter les modèles YOLO11 vers le format ONNX en utilisant Ultralytics?

Pour exporter vos modèles YOLO11 vers le format ONNX à l'aide de Ultralytics, procédez comme suit :

from ultralytics import YOLO

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

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo11n.onnx'

# Load the exported ONNX model
onnx_model = YOLO("yolo11n.onnx")

# Run inference
results = onnx_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to ONNX format
yolo export model=yolo11n.pt format=onnx  # creates 'yolo11n.onnx'

# Run inference with the exported model
yolo predict model=yolo11n.onnx source='https://ultralytics.com/images/bus.jpg'

Pour plus de détails, consultez la documentation sur l'exportation.

Quels sont les avantages de l'utilisation de ONNX Runtime pour le déploiement des modèles YOLO11 ?

L'utilisation de ONNX Runtime pour déployer les modèles YOLO11 offre plusieurs avantages :

• Compatibilité multiplateforme: ONNX Le moteur d'exécution prend en charge diverses plateformes, telles que Windows, macOS et Linux, ce qui garantit le bon fonctionnement de vos modèles dans différents environnements.
• Accélération matérielle: ONNX Le moteur d'exécution peut tirer parti d'optimisations matérielles spécifiques pour les CPU, les GPU et les accélérateurs dédiés, ce qui permet d'obtenir une inférence très performante.
• Interopérabilité des cadres: Les modèles formés dans des cadres populaires tels que PyTorch ou TensorFlow peuvent être facilement convertis au format ONNX et exécutés à l'aide de ONNX Runtime.

Pour en savoir plus, consultez la documentation deONNX Runtime.

Quelles sont les options de déploiement disponibles pour les modèles YOLO11 exportés vers ONNX?

YOLO11 Les modèles exportés vers ONNX peuvent être déployés sur diverses plates-formes, notamment :

• CPUs: Utilisation de ONNX Runtime pour une inférence optimisée de CPU .
• GPU: Tirer parti de NVIDIA CUDA pour une accélération haute performance de GPU .
• Appareils périphériques: Exécution de modèles légers sur des appareils périphériques et mobiles pour une inférence en temps réel sur l'appareil.
• Navigateurs web: Exécution de modèles directement dans les navigateurs web pour des applications interactives basées sur le web.

Pour plus d'informations, consultez notre guide sur les options de déploiement des modèles.

Pourquoi dois-je utiliser le format ONNX pour les modèles Ultralytics YOLO11 ?

L'utilisation du format ONNX pour les modèles Ultralytics YOLO11 présente de nombreux avantages :

• Interopérabilité: ONNX permet de transférer les modèles entre différents cadres d'apprentissage automatique de manière transparente.
• Optimisation des performances: ONNX Le moteur d'exécution peut améliorer les performances du modèle en utilisant des optimisations spécifiques au matériel.
• Flexibilité: ONNX prend en charge divers environnements de déploiement, ce qui vous permet d'utiliser le même modèle sur différentes plates-formes sans modification.

Consultez le guide complet sur l'exportation des modèles YOLO11 vers ONNX.

Comment puis-je résoudre les problèmes lors de l'exportation des modèles YOLO11 vers ONNX?

Lors de l'exportation de modèles YOLO11 vers ONNX, vous pouvez rencontrer des problèmes courants tels que des dépendances non concordantes ou des opérations non prises en charge. Pour résoudre ces problèmes :

1. Vérifiez que vous avez installé la bonne version des dépendances requises.
2. Consultez la documentation officielle deONNX pour connaître les opérateurs et les fonctionnalités pris en charge.
3. Examinez les messages d'erreur pour trouver des indices et consultez le guideUltralytics Common Issues.

Si le problème persiste, contactez le service d'assistance Ultralytics pour obtenir de l'aide.

📅C réé il y a 10 mois ✏️ Mis à jour il y a 2 mois

Commentaires