Modèle d'exportation avec Ultralytics YOLO
Introduction
Le but ultime de la formation d'un modèle est de le déployer pour des applications réelles. Le mode d'exportation dans Ultralytics YOLOv8 offre une gamme polyvalente d'options pour exporter ton modèle formé vers différents formats, ce qui le rend déployable sur diverses plateformes et appareils. Ce guide complet a pour but de te guider à travers les nuances de l'exportation de modèles, en te montrant comment obtenir une compatibilité et des performances maximales.
Regarde : Comment exporter un modèle Ultralytics YOLOv8 personnalisé et exécuter une inférence en direct sur une webcam.
Pourquoi choisir le mode d'exportation de YOLOv8?
- Polyvalence : Exporte vers plusieurs formats, y compris ONNX, TensorRT, CoreML, et plus encore.
- Performance : Gagne jusqu'Ă 5 fois la vitesse du GPU avec TensorRT et 3 fois la vitesse du CPU avec ONNX ou OpenVINO.
- Compatibilité : Rends ton modèle universellement déployable dans de nombreux environnements matériels et logiciels.
- Facilité d'utilisation : CLI et Python API simples pour une exportation rapide et directe des modèles.
Principales caractéristiques du mode d'exportation
Voici quelques-unes des fonctionnalités les plus remarquables :
- Exportation en un clic : Des commandes simples pour exporter vers différents formats.
- Exportation par lots : Exporte des modèles capables d'effectuer des inférences par lots.
- Inférence optimisée : Les modèles exportés sont optimisés pour une inférence plus rapide.
- Tutoriels vidéo : Des guides et des tutoriels approfondis pour une expérience d'exportation en douceur.
Astuce
- Exporte vers ONNX ou OpenVINO pour une accélération de l'unité centrale jusqu'à 3 fois.
- Exporte vers TensorRT pour accélérer jusqu'à 5 fois la vitesse du GPU.
Exemples d'utilisation
Exporte un modèle YOLOv8n vers un format différent comme ONNX ou TensorRT. Voir la section Arguments ci-dessous pour une liste complète des arguments d'exportation.
Exemple
Arguments
Ce tableau détaille les configurations et les options disponibles pour exporter les modèles YOLO vers différents formats. Ces paramètres sont essentiels pour optimiser les performances, la taille et la compatibilité du modèle exporté sur différentes plateformes et dans différents environnements. Une configuration adéquate garantit que le modèle est prêt à être déployé dans l'application prévue avec une efficacité optimale.
Argument | Type | DĂ©faut | Description |
---|---|---|---|
format |
str |
'torchscript' |
Format cible pour le modèle exporté, par exemple 'onnx' , 'torchscript' , 'tensorflow' ou d'autres, définissant la compatibilité avec divers environnements de déploiement. |
imgsz |
int ou tuple |
640 |
Taille de l'image souhaitée pour l'entrée du modèle. Il peut s'agir d'un nombre entier pour les images carrées ou d'un tuple (height, width) pour les dimensions spécifiques. |
keras |
bool |
False |
Permet l'exportation au format Keras pour TensorFlow SavedModel , assurant la compatibilité avec TensorFlow serving et les API. |
optimize |
bool |
False |
Applique l'optimisation pour les appareils mobiles lors de l'exportation vers TorchScript, ce qui permet de réduire la taille du modèle et d'améliorer les performances. |
half |
bool |
False |
Permet la quantification FP16 (demi-précision), ce qui réduit la taille du modèle et accélère potentiellement l'inférence sur le matériel pris en charge. |
int8 |
bool |
False |
Active la quantification INT8, ce qui compresse davantage le modèle et accélère l'inférence avec une perte de précision minimale, principalement pour les appareils périphériques. |
dynamic |
bool |
False |
Permet des tailles d'entrée dynamiques pour les exportations ONNX et TensorRT , ce qui améliore la flexibilité dans la gestion des dimensions d'image variables. |
simplify |
bool |
False |
Simplifie le graphique du modèle pour les exportations ONNX , ce qui peut améliorer les performances et la compatibilité. |
opset |
int |
None |
Spécifie la version de l'opset ONNX pour la compatibilité avec les différents analyseurs et moteurs d'exécution ONNX . Si elle n'est pas définie, elle utilise la dernière version prise en charge. |
workspace |
float |
4.0 |
Définit la taille maximale de l'espace de travail en Go pour les optimisations de TensorRT , en équilibrant l'utilisation de la mémoire et les performances. |
nms |
bool |
False |
Ajoute la suppression non maximale (NMS) à l'exportation CoreML , ce qui est essentiel pour un post-traitement précis et efficace de la détection. |
batch |
int |
1 |
Spécifie la taille de l'inférence par lot du modèle exporté ou le nombre maximum d'images que le modèle exporté traitera simultanément dans l'espace de travail. predict mode. |
L'ajustement de ces paramètres permet de personnaliser le processus d'exportation en fonction d'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 atteindre le meilleur équilibre entre la taille du modèle, la vitesse et la précision.
Formats d'exportation
Les formats d'exportation disponibles sur YOLOv8 sont présentés dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de la fonction format
argument, c'est-Ă -dire format='onnx'
ou format='engine'
. Tu peux prédire ou valider directement sur les modèles exportés, c'est-à -dire . yolo predict model=yolov8n.onnx
. Des exemples d'utilisation sont montrés pour ton modèle une fois l'exportation terminée.
Format | format Argument |
Modèle | Métadonnées | Arguments |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
âś… | - |
TorchScript | torchscript |
yolov8n.torchscript |
âś… | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
âś… | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
âś… | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
âś… | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n.mlpackage |
âś… | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
âś… | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
âś… | imgsz , half , int8 , batch |
TF Bord TPU | edgetpu |
yolov8n_edgetpu.tflite |
âś… | imgsz , batch |
TF.js | tfjs |
yolov8n_web_model/ |
âś… | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
âś… | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
âś… | imgsz , half , batch |