Passer au contenu

Exportation de modèles avec Ultralytics YOLO

Écosystème et intégrations Ultralytics YOLO

Introduction

L'objectif ultime de l'entraînement d'un modèle est de le déployer pour des applications réelles. Le mode d'exportation dans Ultralytics YOLO11 offre une gamme polyvalente d'options pour exporter votre modèle entraîné vers différents formats, le rendant déployable sur diverses plateformes et appareils. Ce guide complet vise à vous faire découvrir les nuances de l'exportation de modèles, en vous montrant comment obtenir une compatibilité et des performances maximales.



Regarder : Comment exporter un modèle Ultralytics YOLO entraîné personnalisé et exécuter l'inférence en direct sur une webcam.

Pourquoi choisir le mode d'exportation de YOLO11 ?

  • Polyvalence : Exportation vers plusieurs formats, notamment ONNX, TensorRT, CoreML, et plus encore.
  • Performance : Bénéficiez d'une accélération GPU jusqu'à 5x avec TensorRT et d'une accélération CPU 3x avec ONNX ou OpenVINO.
  • Compatibilité : Rendez votre modèle universellement déployable dans de nombreux environnements matériels et logiciels.
  • Facilité d'utilisation : API simple en ligne de commande (CLI) et en python pour une exportation de modèle rapide et directe.

Principales caractéristiques du mode d'exportation

Voici quelques-unes des fonctionnalités les plus remarquables :

  • Exportation en un clic : Commandes simples pour exporter vers différents formats.
  • Exportation par lots : Exportez des modèles capables d'inférence par lots.
  • Inférence optimisée : Les modèles exportés sont optimisés pour des temps d'inférence plus rapides.
  • Vidéos tutorielles : Guides et tutoriels approfondis pour une expérience d'exportation fluide.

Astuce

  • Exportez vers ONNX ou OpenVINO pour une accélération CPU jusqu'à 3x.
  • Exportez vers TensorRT pour une accélération GPU jusqu'à 5x.

Exemples d'utilisation

Exportez un modèle YOLO11n vers un format différent comme ONNX ou TensorRT. Consultez la section Arguments ci-dessous pour une liste complète des arguments d'exportation.

Exemple

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

Arguments

Ce tableau détaille les configurations et les options disponibles pour l'exportation des modèles YOLO vers différents formats. Ces paramètres sont essentiels pour optimiser les performances, la taille et la compatibilité du modèle exporté sur diverses plateformes et dans divers environnements. Une configuration appropriée garantit que le modèle est prêt à être déployé dans l'application prévue avec une efficacité optimale.

Argument Type Par défaut Description
format str 'torchscript' Format cible pour le modèle exporté, tel que 'onnx', 'torchscript', 'engine' (TensorRT), ou autres. Chaque format permet la compatibilité avec différents environnements de déploiement.
imgsz int ou tuple 640 Taille d'image souhaitée pour l'entrée du modèle. Peut être un entier pour les images carrées (p. ex., 640 pour 640×640) ou un tuple (height, width) pour des dimensions spécifiques.
keras bool False Permet l'exportation au format Keras pour TensorFlow SavedModel, assurant la compatibilité avec les services et API TensorFlow.
optimize bool False Applique une optimisation pour les appareils mobiles lors de l'exportation vers TorchScript, ce qui peut réduire la taille du modèle et améliorer les performances d'inférence. Non compatible avec le format NCNN ou les appareils CUDA.
half bool False Active la quantification FP16 (demi-précision), réduisant la taille du modèle et accélérant potentiellement l'inférence sur le matériel pris en charge. Non compatible avec la quantification INT8 ou les exportations en mode CPU uniquement pour ONNX.
int8 bool False Active la quantification INT8, compressant davantage le modèle et accélérant l'inférence avec une perte de précision minimale, principalement pour les appareils périphériques. Lorsqu'elle est utilisée avec TensorRT, effectue une quantification post-entraînement (PTQ).
dynamic bool False Permet des tailles d'entrée dynamiques pour les exportations ONNX, TensorRT et OpenVINO, améliorant ainsi la flexibilité dans la gestion des différentes dimensions d'image. Automatiquement défini sur True lors de l'utilisation de TensorRT avec INT8.
simplify bool True Simplifie le graphe du modèle pour les exportations ONNX avec onnxslim, améliorant potentiellement les performances et la compatibilité avec les moteurs d'inférence.
opset int None Spécifie la version d'opset ONNX pour la compatibilité avec différents analyseurs et environnements d'exécution ONNX. Si elle n'est pas définie, la dernière version prise en charge est utilisée.
workspace float ou None None Définit la taille maximale de l'espace de travail en Gio pour TensorRT optimisations, équilibrant l'utilisation de la mémoire et les performances. Utiliser None pour l'allocation automatique par TensorRT jusqu'au maximum de l'appareil.
nms bool False Ajoute la suppression non maximale (NMS) au modèle exporté lorsque cela est pris en charge (voir Formats d'exportation), ce qui améliore l'efficacité du post-traitement de la détection. Non disponible pour les modèles end2end.
batch int 1 Spécifie la taille du lot d'inférence du modèle d'exportation ou le nombre maximal d'images que le modèle exporté traitera simultanément dans predict mode. Pour les exportations Edge TPU, ceci est automatiquement réglé sur 1.
device str None Spécifie le dispositif pour l'exportation : GPU (device=0), CPU (device=cpu), MPS pour Apple Silicon (device=mps) ou DLA pour NVIDIA Jetson (device=dla:0 ou device=dla:1). Les exportations TensorRT utilisent automatiquement le GPU.
data str 'coco8.yaml' Chemin d'accès au ensemble de données fichier de configuration (par défaut : coco8.yaml), essentiel pour l'étalonnage de la quantification INT8. S'il n'est pas spécifié avec INT8 activé, un ensemble de données par défaut sera attribué.
fraction float 1.0 Spécifie la fraction de l'ensemble de données à utiliser pour le calibrage de la quantification INT8. Permet de calibrer sur un sous-ensemble de l'ensemble de données complet, ce qui est utile pour les expériences ou lorsque les ressources sont limitées. S'il n'est pas spécifié avec INT8 activé, l'ensemble de données complet sera utilisé.

L'ajustement de ces paramètres permet de personnaliser le processus d'exportation pour répondre à des exigences spécifiques, telles que l'environnement de déploiement, les contraintes matérielles et les objectifs de performance. La sélection du format et des paramètres appropriés est essentielle pour obtenir le meilleur équilibre entre la taille du modèle, la vitesse et la précision.

Formats d'exportation

Les formats d'exportation YOLO11 disponibles sont indiqués dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format en utilisant l' format argument, c'est-à-dire format='onnx' ou format='engine'. Vous pouvez prédire ou valider directement sur les modèles exportés, c'est-à-dire yolo predict model=yolo11n.onnx. Des exemples d'utilisation sont présentés pour votre modèle une fois l'exportation terminée.

Format format Argument Modèle Métadonnées Arguments
PyTorch - yolo11n.pt -
TorchScript torchscript yolo11n.torchscript imgsz, half, dynamic, optimize, nms, batch, device
ONNX onnx yolo11n.onnx imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINO openvino yolo11n_openvino_model/ imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRT engine yolo11n.engine imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreML coreml yolo11n.mlpackage imgsz, half, int8, nms, batch, device
TF SavedModel saved_model yolo11n_saved_model/ imgsz, keras, int8, nms, batch, device
TF GraphDef pb yolo11n.pb imgsz, batch, device
TF Lite tflite yolo11n.tflite imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPU edgetpu yolo11n_edgetpu.tflite imgsz, device
TF.js tfjs yolo11n_web_model/ imgsz, half, int8, nms, batch, device
PaddlePaddle paddle yolo11n_paddle_model/ imgsz, batch, device
MNN mnn yolo11n.mnn imgsz, batch, int8, half, device
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch, device
IMX500 imx yolo11n_imx_model/ imgsz, int8, data, fraction, device
RKNN rknn yolo11n_rknn_model/ imgsz, batch, name, device

FAQ

Comment exporter un modèle YOLO11 au format ONNX ?

L'exportation d'un modèle YOLO11 au format ONNX est simple avec Ultralytics. Il fournit des méthodes python et CLI pour exporter des modèles.

Exemple

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

Pour plus de détails sur le processus, y compris les options avancées comme la gestion de différentes tailles d'entrée, consultez le guide d'intégration ONNX.

Quels sont les avantages de l'utilisation de TensorRT pour l'exportation de modèles ?

L'utilisation de TensorRT pour l'exportation de modèles offre des améliorations significatives des performances. Les modèles YOLO11 exportés vers TensorRT peuvent atteindre une accélération GPU jusqu'à 5x, ce qui le rend idéal pour les applications d'inférence en temps réel.

  • Polyvalence : Optimisez les modèles pour une configuration matérielle spécifique.
  • Vitesse : Obtenez une inférence plus rapide grâce à des optimisations avancées.
  • Compatibilité : Intégration fluide avec le matériel NVIDIA.

Pour en savoir plus sur l'intégration de TensorRT, consultez le guide d'intégration de TensorRT.

Comment activer la quantification INT8 lors de l'exportation de mon modèle YOLO11 ?

La quantification INT8 est un excellent moyen de compresser le modèle et d'accélérer l'inférence, en particulier sur les appareils périphériques. Voici comment activer la quantification INT8 :

Exemple

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 quantification INT8 peut être appliquée à différents formats, tels que TensorRT, OpenVINO, et CoreML. Pour des résultats de quantification optimaux, fournissez un ensemble de données en utilisant le data paramètre.

Pourquoi la taille d'entrée dynamique est-elle importante lors de l'exportation de modèles ?

La taille d'entrée dynamique permet au modèle exporté de gérer différentes dimensions d'image, offrant ainsi une flexibilité et optimisant l'efficacité du traitement pour différents cas d'utilisation. Lors de l'exportation vers des formats tels que ONNX ou TensorRT, l'activation de la taille d'entrée dynamique garantit que le modèle peut s'adapter de manière transparente à différentes formes d'entrée.

Pour activer cette fonctionnalité, utilisez l'indicateur dynamic=True lors de l'exportation :

Exemple

from ultralytics import YOLO

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

Le dimensionnement dynamique de l'entrée est particulièrement utile pour les applications où les dimensions de l'entrée peuvent varier, comme le traitement vidéo ou lors de la gestion d'images provenant de différentes sources.

Quels sont les principaux arguments d'exportation à prendre en compte pour optimiser les performances du modèle ?

Comprendre et configurer les arguments d'exportation est essentiel pour optimiser les performances du modèle :

  • format: Le format cible pour le modèle exporté (par exemple, onnx, torchscript, tensorflow).
  • imgsz: Taille d'image souhaitée pour l'entrée du modèle (par exemple, 640 ou (height, width)).
  • half: Active la quantification FP16, réduisant la taille du modèle et accélérant potentiellement l'inférence.
  • optimize: Applique des optimisations spécifiques pour les environnements mobiles ou contraints.
  • int8: Active la quantification INT8, très bénéfique pour IA embarquée déploiements.

Pour le déploiement sur des plateformes matérielles spécifiques, envisagez d'utiliser des formats d'exportation spécialisés comme TensorRT pour les GPU NVIDIA, CoreML pour les appareils Apple ou Edge TPU pour les appareils Google Coral.



📅 Créé il y a 1 an ✏️ Mis à jour il y a 5 mois

Commentaires