UltralyticsでYOLO以外のPyTorchモデルをエクスポートする方法#

Ultralyticsには、複数のバックエンドを一貫したインターフェースで利用できるスタンドアロンのエクスポートユーティリティが ultralytics.utils.export に用意されています。timm の画像モデル、torchvision の分類モデルや検出モデル、独自のカスタムアーキテクチャなど、あらゆる torch.nn.Module を、各バックエンドを個別に習得することなく、TorchScript、ONNX、OpenVINO、CoreML、Core AI、TensorFlow SavedModel、TensorFlow Frozen Graph、PaddlePaddle、MNN、NCNN、ExecuTorch にエクスポートできます。

PyTorchモデルを本番環境にデプロイする場合、通常はターゲットごとに異なるエクスポーターを使い分ける必要があります。ONNXにはtorch.onnx.export、Appleデバイスにはcoremltools、TensorFlowにはonnx2tf、NCNNにはpnnxなどを使用します。各ツールには独自のAPI、依存関係に関する注意点、出力形式があります。これらのユーティリティを使えば、呼び出し方法を一つに統一できます。

YOLO以外のモデルのエクスポートにUltralyticsを使う理由#

• 11種類のフォーマットで共通のAPI: 12種類もの呼び出し規約を覚える代わりに、1つだけ覚えれば済みます。
• YOLOのエクスポートと同じコードパス: すべてのUltralytics YOLOエクスポートで、同じヘルパーが使用されています。
• 対応フォーマットでは、1つの quantize 引数でFP16およびINT8量子化を行えます。
• CPUで動作します: エクスポート処理自体にGPUは必要ないため、ノートPC上でローカルに実行できます。CoreMLエクスポートはWindowsではサポートされていません。また、Core AIエクスポートには、Apple silicon搭載のmacOS 26以降、またはglibc 2.34以降のx86_64 Linuxと、Python 3.11～3.14が必要です。

クイックスタート#

最も手早い方法は、YOLOのコードを使わず、pip install ultralytics onnx timm以外のセットアップも不要な、ONNXへの2行のエクスポートです。

import timm
import torch

from ultralytics.utils.export import torch2onnx

model = timm.create_model("resnet18", pretrained=True).eval()
torch2onnx(model, torch.randn(1, 3, 224, 224), output_file="resnet18.onnx")

サポートされているエクスポート形式#

torch2*関数は、標準的なtorch.nn.Moduleとサンプル入力テンソルを受け取ります。MNN、TF SavedModel、TF Frozen Graphでは、中間形式としてONNXまたはKerasのアーティファクトを使用します。いずれの場合も、YOLO固有の属性は必要ありません。

手順ごとの例#

以下のすべての例では、同じセットアップを使用します。timmの事前学習済みResNet-18を評価モードで読み込みます。

import timm
import torch

model = timm.create_model("resnet18", pretrained=True).eval()
im = torch.randn(1, 3, 224, 224)

ONNXにエクスポート#

from ultralytics.utils.export import torch2onnx

torch2onnx(model, im, output_file="resnet18.onnx")

バッチサイズを動的にするには、dynamic辞書を渡します。

torch2onnx(model, im, output_file="resnet18_dyn.onnx", dynamic={"images": {0: "batch_size"}})

デフォルトのopsetは14で、デフォルトの入力名は"images"です。opset、input_names、またはoutput_names引数で変更できます。

TorchScriptにエクスポート#

追加の依存関係は不要です。内部ではtorch.jit.traceを使用します。

from ultralytics.utils.export import torch2torchscript

torch2torchscript(model, im, output_file="resnet18.torchscript")

OpenVINOにエクスポート#

from ultralytics.utils.export import torch2openvino

ov_model = torch2openvino(model, im, output_dir="resnet18_openvino_model")

ディレクトリには、固定名のmodel.xmlとmodel.binのペアが含まれます。

resnet18_openvino_model/
├── model.xml
└── model.bin

入力形状を動的にするにはdynamic=True、FP16にはquantize=16、INT8量子化にはquantize=8を渡します。INT8には追加でcalibration_dataset引数が必要です。

openvino>=2024.0.0（またはmacOS 15.4以降では>=2025.2.0）とtorch>=2.1が必要です。

CoreMLにエクスポート#

import coremltools as ct

from ultralytics.utils.export import torch2coreml

inputs = [ct.TensorType("input", shape=(1, 3, 224, 224))]
ct_model = torch2coreml(model, inputs, im, classifier_names=None, output_file="resnet18.mlpackage")

分類モデルの場合は、クラス名のリストをclassifier_namesに渡すと、CoreMLモデルに分類ヘッドが追加されます。

coremltools>=9.0、torch>=1.11、numpy<=2.3.5が必要です。Windowsではサポートされていません。

Core AIにエクスポート#

from ultralytics.utils.export import torch2coreai

torch2coreai(model, im, output_file="resnet18.aimodel")

.aimodelアセットはディレクトリです。

resnet18.aimodel/
├── main.mlirb
├── main.hash
└── metadata.json

エクスポートは、Apple silicon搭載のmacOS 26以降、またはglibc 2.34以降のx86_64 Linuxで、Python 3.11～3.14を使って実行されます（pip install coreai-torch）。quantize=16 はfloat16入力を受け取るFP16アセットを書き出し、このアセットはiOS 27およびmacOS 27で動作します。読み込み時に異常終了するFP16アセットに関する注意事項を含め、Core AIの統合ガイドをご覧ください。

TensorFlow SavedModelにエクスポート#

TF SavedModelへのエクスポートでは、中間処理にONNXを使用します。

from ultralytics.utils.export import onnx2saved_model, torch2onnx

torch2onnx(model, im, output_file="resnet18.onnx")
keras_model = onnx2saved_model("resnet18.onnx", output_dir="resnet18_saved_model")

この関数はKerasモデルを返し、出力ディレクトリ内にFP32およびFP16のLiteRTファイル（.tflite）も生成します。

resnet18_saved_model/
├── saved_model.pb
├── variables/
├── assets/
├── fingerprint.pb
├── resnet18_float32.tflite
└── resnet18_float16.tflite

quantize=8を渡すと、それらに加えてINT8の.tfliteが追加されます。

TensorFlowのエクスポートは、Python 3.13以降を使用するmacOSでは実行できません。macOSではPython 3.12以前を使用するか、Linuxを使用してください。

Python 3.12以前での要件（Python 3.13以降では、エクスポートに代わりtensorflow>2.19.0、tf_keras>2.19.0、 onnx2tf>=2.3.0,<2.3.16、protobuf>=6.31.1,<7.0.0が必要です）。

• tensorflow>=2.0.0,<=2.19.0
• onnx2tf>=1.26.3,<1.29.0
• tf_keras<=2.19.0
• sng4onnx>=1.0.1
• onnx_graphsurgeon>=0.3.26
• macOSではai-edge-litert>=1.2.0,<1.4.0（その他のプラットフォームではai-edge-litert>=1.2.0）
• onnxslim>=0.1.82
• onnx>=1.12.0,<2.0.0
• protobuf>=5

TensorFlow Frozen Graphにエクスポート#

上記のSavedModelへのエクスポートに続けて、返されたkeras_modelを変換し、凍結した.pbグラフを作成します。

from pathlib import Path

from ultralytics.utils.export import keras2pb

keras2pb(keras_model, output_file=Path("resnet18_saved_model/resnet18.pb"))

NCNNにエクスポート#

from ultralytics.utils.export import torch2ncnn

torch2ncnn(model, im, output_dir="resnet18_ncnn_model")

ディレクトリには、固定名のparamファイルとbinファイル、およびPythonラッパーが含まれます。

resnet18_ncnn_model/
├── model.ncnn.param
├── model.ncnn.bin
└── model_ncnn.py

MNNにエクスポート#

MNNへのエクスポートには、入力としてONNXファイルが必要です。まずONNXにエクスポートしてから変換してください。

from ultralytics.utils.export import onnx2mnn, torch2onnx

torch2onnx(model, im, output_file="resnet18.onnx")
onnx2mnn("resnet18.onnx", output_file="resnet18.mnn")

FP16にはquantize=16、INT8量子化にはquantize=8を使用できます。MNN>=2.9.6とtorch>=1.10が必要です。

PaddlePaddleにエクスポート#

from ultralytics.utils.export import torch2paddle

torch2paddle(model, im, output_dir="resnet18_paddle_model")

ディレクトリには、PaddlePaddleモデルとパラメータファイルが含まれます。

resnet18_paddle_model/
├── inference_model/
│   ├── model.json
│   └── model.pdiparams
├── model.pdparams
└── x2paddle_code.py

x2paddleと、使用するプラットフォームに適したPaddlePaddleディストリビューションが必要です。

• CUDA環境でのpaddlepaddle-gpu>=3.0.0,<3.3.0
• ARM64 CPU環境でのpaddlepaddle==3.0.0
• その他のCPU環境でのpaddlepaddle>=3.0.0,<3.3.0

NVIDIA Jetsonではサポートされていません。

ExecuTorchにエクスポート#

from ultralytics.utils.export import torch2executorch

torch2executorch(model, im, output_dir="resnet18_executorch_model")

エクスポートされた.pteファイルは、出力ディレクトリ内に保存されます。

resnet18_executorch_model/
└── model.pte

torch>=2.9.0と、対応するExecuTorchランタイム（pip install executorch）が必要です。ランタイムの使用方法については、ExecuTorchの統合ガイドを参照してください。

エクスポートしたモデルを検証する#

エクスポート後、本番環境にデプロイする前に、元のPyTorchモデルとの数値的な一致を検証してください。ultralytics.nn.backendsのONNXBackendを使った簡単なスモークテストで出力を比較し、トレースや量子化のエラーを早期に検出できます。

import numpy as np
import timm
import torch

from ultralytics.nn.backends import ONNXBackend

model = timm.create_model("resnet18", pretrained=True).eval()
im = torch.randn(1, 3, 224, 224)
with torch.no_grad():
    pytorch_output = model(im).numpy()

onnx_model = ONNXBackend("resnet18.onnx", device=torch.device("cpu"))
onnx_output = onnx_model(im)[0]

diff = np.abs(pytorch_output - onnx_output).max()
print(f"Max difference: {diff:.6f}")  # ~1e-6 for an FP32 ONNX export

その他のランタイムでは、入力テンソル名が異なる場合があります。たとえばOpenVINOではモデルのforward引数名（汎用モデルでは通常x）が使用されますが、torch2onnxのデフォルトは"images"です。

エクスポートしたモデルを実行する#

エクスポートしたYOLO以外のモデルは、通常のYOLO() APIで再度読み込めます。上記のエクスポートにはUltralyticsのタスク情報や入力サイズのメタデータが含まれないため、taskを明示的に渡し、imgszにはエクスポート時に使用したサンプルテンソルに対応する値を渡してください。

from ultralytics import YOLO

results = YOLO("resnet18.onnx", task="classify")("path/to/image.jpg", imgsz=224)
print(results[0].probs.top1)

エクスポート時に入力形状が固定されている場合、imgszが重要になります。上記のONNXおよびTF SavedModelエクスポートでは、デフォルトの640は受け付けられません。上記のTorchScriptおよびNCNNエクスポートでは他のサイズも受け付けますが、どちらのエクスポーターもそれを保証しません。どちらもサンプルテンソルからトレースするため、Linearレイヤーに平坦化するモデルでは、そのサイズが固定されます。ご自身のエクスポートを確認してください。

値はモデルのストライド（メタデータがない場合は32）の倍数に切り上げられます。そのため、200x200で固定形状としてエクスポートしたモデルには224x224が入力され、imgsz=200が一致していても拒否されます。32の倍数ではない入力サイズを使う場合は、バックエンドを直接呼び出してください。

バックエンドを直接呼び出す#

Ultralyticsの前処理や後処理を行わずに生のテンソルを扱うには、上記の検証例と同様に、ultralytics.nn.backendsにあるフォーマットごとのクラスを使用してください。各クラスにはエクスポートしたアーティファクトとデバイスを渡し、呼び出し可能な形式で使用します。

TensorFlowBackendは2つのフォーマットに対応し、デフォルトではformat="saved_model"を使用します。Frozen Graphではformat="pb"を渡してください。

YOLO()を使う方法では処理されますが、直接呼び出す場合には処理されない点が3つあります。

• 入力レイアウト: CoreMLBackendとTensorFlowBackendはBHWCを想定しています。まずim.permute(0, 2, 3, 1)で転置してください。BCHWテンソルを渡すと、形状の不一致が発生します。
• Autograd: 呼び出しをtorch.inference_mode()でラップしてください。TorchScriptBackendは勾配グラフを保持したテンソルを返します。
• 後処理: メタデータがない場合、バックエンドはtaskをNoneとして返し、namesは空のままにします。LiteRTBackendは、3次元の出力にYOLOのBBoxが含まれると想定して、画像サイズに基づく非正規化を行います。YOLO以外のモデルの3次元出力では誤った処理になります。分類ロジットなどの2次元出力には影響しません。

既知の制限事項#

• 複数入力への対応状況にはばらつきがあります: torch2onnx、torch2openvino、torch2torchscript は、複数入力モデル用にサンプルテンソルのタプルを受け取れます。torch2coreml、torch2coreai、torch2ncnn、torch2paddle、torch2executorch は、単一の入力テンソルを前提としています。
• YOLO専用フォーマット: AxeleraおよびSony IMX500へのエクスポートでは、YOLO固有のモデル属性が必要なため、汎用モデルには対応していません。
• プラットフォーム固有のフォーマット: TensorRTにはNVIDIA GPUが必要です。RKNNにはrknn-toolkit2 SDKが必要です（Linuxのみ）。Edge TPUにはedgetpu_compilerバイナリが必要です（Linuxのみ）。

まとめ#

これらのユーティリティを使えば、一般的なtorch.nn.Moduleから、デプロイ可能なONNX、OpenVINO、CoreML、TensorFlow、モバイルランタイム向けのアーティファクトまで、あらゆるPyTorchモデルを一貫したAPIで変換できます。ターゲットのハードウェアに合ったフォーマットを選び、元のモデルとの数値的な一致を検証してから、ランタイム固有のデプロイ手順について該当する統合ガイドを参照してください。

よくある質問#