YOLO26モデルのONNXエクスポート#

コンピュータービジョンモデルをデプロイする際には、多くの場合、柔軟性があり、複数のプラットフォームと互換性のあるモデル形式が必要になります。

Ultralytics YOLO26モデルをONNX形式にエクスポートすると、デプロイが簡素化され、さまざまな環境で最適なパフォーマンスを発揮できます。このガイドでは、YOLO26モデルを簡単にONNXに変換し、実環境のアプリケーションでスケーラビリティと有効性を高める方法を説明します。

ONNXとONNX Runtime#

ONNXはOpen Neural Network Exchangeの略称で、FacebookとMicrosoftが当初開発したコミュニティプロジェクトです。ONNXの開発は現在も続いており、IBM、Amazon（AWS経由）、Googleなどのさまざまな組織が協力しています。このプロジェクトは、異なるAIフレームワークやハードウェア間で利用できるよう、機械学習モデルを表現するオープンなファイル形式の作成を目指しています。

ONNXモデルを使うと、異なるフレームワーク間でシームレスに移行できます。たとえば、PyTorchでトレーニングしたディープラーニングモデルをONNX形式にエクスポートし、TensorFlowに簡単にインポートできます。

また、ONNXモデルはONNX Runtimeでも使用できます。ONNX Runtimeは、PyTorch、TensorFlow、scikit-learnなどのフレームワークと互換性のある、汎用的なクロスプラットフォーム機械学習モデルアクセラレーターです。

ONNX Runtimeは、ハードウェア固有の機能を活用してONNXモデルの実行を最適化します。この最適化により、CPU、GPU、専用アクセラレーターなど、さまざまなハードウェアプラットフォーム上でモデルを効率的かつ高性能に実行できます。

単独でもONNX Runtimeとの併用でも、ONNXは機械学習モデルのデプロイと互換性を実現する柔軟なソリューションを提供します。

ONNXモデルの主な特徴#

ONNXがさまざまな形式に対応できるのは、次のような主な特徴があるためです。

• 共通のモデル表現: ONNXは、演算子（畳み込みやレイヤーなど）の共通セットと標準データ形式を定義します。モデルをONNX形式に変換すると、そのアーキテクチャと重みがこの共通表現に変換されます。この統一性により、ONNXに対応するあらゆるフレームワークでモデルを扱えます。

• バージョン管理と後方互換性: ONNXは演算子のバージョン管理システムを維持しています。これにより、標準が進化しても、古いバージョンで作成されたモデルを引き続き使用できます。後方互換性は、モデルがすぐに陳腐化するのを防ぐ重要な機能です。

• グラフベースのモデル表現: ONNXはモデルを計算グラフとして表現します。このグラフ構造は機械学習モデルを表す汎用的な方法であり、ノードは演算や計算を、エッジはノード間を流れるテンソルを表します。同様にモデルをグラフとして表現するさまざまなフレームワークに、この形式を容易に適用できます。

• ツールとエコシステム: ONNXには、モデルの変換、可視化、最適化を支援するツールの豊富なエコシステムがあります。これらのツールにより、開発者はONNXモデルを扱いやすくなり、異なるフレームワーク間でモデルをシームレスに変換できます。

ONNXの一般的な用途#

YOLO26モデルをONNX形式にエクスポートする方法を説明する前に、ONNXモデルが一般的にどのような場面で使われるかを見てみましょう。

CPUへのデプロイ#

ONNXモデルは、ONNX Runtimeとの互換性があるため、CPUにデプロイされることがよくあります。このランタイムはCPUでの実行に最適化されています。推論速度を大幅に向上させ、CPUでのリアルタイムデプロイを実現できます。

対応するデプロイオプション#

ONNXモデルは一般的にCPUで使用されますが、次のプラットフォームにもデプロイできます。

• GPUアクセラレーション: ONNXは、CUDAを介したNVIDIA GPUのGPUアクセラレーションと、ROCmおよびMIGraphXを介したAMD GPUのGPUアクセラレーションに完全対応しています。

• エッジデバイスとモバイルデバイス: ONNXはエッジデバイスやモバイルデバイスにも対応しており、オンデバイス推論やリアルタイム推論に最適です。軽量でエッジハードウェアと互換性があり、ベンダー固有のNPU形式であるHuawei Ascend、Snapdragonデバイス向けのQualcomm QNN、Rockchip NPU向けのRKNNの基盤としても利用されています。

• Webブラウザー: ONNXはWebブラウザー上で直接実行でき、インタラクティブで動的なWebベースのAIアプリケーションを実現します。

対応タスク#

ONNXエクスポートはUltralyticsの7つすべてのタスクに対応しています。セマンティックセグメンテーションと深度推定はYOLO26でのみ利用可能です。これらのヘッドを搭載しているのはYOLO26ファミリーだけです。

YOLO26モデルをONNXにエクスポートする#

YOLO26モデルをONNX形式に変換すると、モデルの互換性とデプロイの柔軟性を高められます。Ultralytics YOLO26では簡単にエクスポートでき、さまざまなプラットフォームでモデルのパフォーマンスを大幅に向上できます。

インストール#

必要なパッケージをインストールするには、次を実行します。

# Install the required package for YOLO26
pip install ultralytics

インストール手順の詳細やベストプラクティスについては、YOLO26のインストールガイドをご覧ください。YOLO26に必要なパッケージのインストール中に問題が発生した場合は、解決策やヒントについてよくある問題のガイドをご確認ください。

使用方法#

使い方の説明に進む前に、Ultralyticsが提供するYOLO26モデルをご確認ください。プロジェクトの要件に最適なモデルを選ぶのに役立ちます。

ONNX形式はエクスポート、予測、検証の各モードに対応しています。モデルをエクスポートした後、エクスポート済みモデルを読み込んで推論を実行するか、精度を検証してください。

from ultralytics import YOLO

# YOLO26モデルを読み込みます
model = YOLO("yolo26n.pt")

# モデルをONNXフォーマットにエクスポート
model.export(format="onnx")  # 'yolo26n.onnx'を作成します

# キャリブレーションデータを使用してINT8量子化ONNXモデルをエクスポートします
model.export(format="onnx", quantize=8, data="coco8.yaml")  # 'yolo26n_int8.onnx'を作成します

from ultralytics import YOLO

# エクスポートしたONNXモデルを読み込みます
model = YOLO("yolo26n.onnx")

# 推論を実行
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# エクスポートしたONNXモデルを読み込みます
model = YOLO("yolo26n.onnx")

# COCO8データセットで精度を検証します
metrics = model.val(data="coco8.yaml")

エクスポート引数#

YOLO26モデルをONNX形式にエクスポートする際、さまざまな引数を使用して処理をカスタマイズし、特定のデプロイ要件に合わせて最適化できます。

エクスポートプロセスの詳細については、Ultralyticsのエクスポートに関するドキュメントページをご覧ください。

エクスポート済みYOLO26 ONNXモデルのデプロイ#

Ultralytics YOLO26モデルをONNX形式に正常にエクスポートしたら、次はさまざまな環境にデプロイします。ONNXモデルのデプロイ手順については、次のリソースをご覧ください。

• ONNX Runtime Python APIドキュメント: ONNX Runtimeを使ってONNXモデルを読み込み、実行するために必要な情報を説明します。

• エッジデバイスへのデプロイ: ONNXモデルをエッジデバイスにデプロイするさまざまな例を、こちらのドキュメントページでご確認ください。

• GitHubのONNXチュートリアル: さまざまなシナリオでONNXモデルを使用、実装する方法を幅広く解説する包括的なチュートリアル集です。

• Triton Inference Server: NVIDIAのTriton Inference Serverを使ってONNXモデルをデプロイし、高性能でスケーラブルなデプロイを実現する方法をご覧ください。

MIGraphXによるAMD GPU推論#

Ultralyticsは、ONNX RuntimeのMIGraphX execution providerを介して、エクスポート済みONNXモデルをAMD GPU上で実行します。ROCm（HIP）システムでは、ONNXバックエンドが初回使用時にonnxruntime-ep-migraphxプラグインをインストールし、コードを変更せずにMIGraphXExecutionProviderを自動的に選択します。YOLO26のすべてのタスクに対応しています。前提条件、インストール、使用方法、ベンチマーク、コンパイル済みプログラムのキャッシュについては、AMD GPU推論ガイドをご覧ください。

概要#

このガイドでは、Ultralytics YOLO26モデルをONNX形式にエクスポートし、さまざまなプラットフォームで相互運用性とパフォーマンスを高める方法を学びました。また、ONNX RuntimeとONNXのデプロイオプションについても紹介しました。

ONNXエクスポートは、Ultralytics YOLO26がサポートする多くのエクスポート形式の一つであり、ほぼあらゆる環境にモデルをデプロイできます。特定の要件に応じて、GPUのパフォーマンスを最大化するTensorRTや、Appleデバイス向けのCoreMLなど、他のエクスポートオプションもご検討ください。

使用方法の詳細については、ONNX公式ドキュメントをご覧ください。

また、Ultralytics YOLO26の他の統合方法について詳しく知りたい場合は、統合ガイドページをご覧ください。役立つリソースや情報を多数ご紹介しています。

よくある質問#