ONNX YOLOv8 モデルのエクスポート

多くの場合、コンピューター ビジョン モデルをデプロイするときは、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。

モデルを Ultralytics YOLOv8モデルをONNX フォーマットにエクスポートすることで、デプロイメントが合理化され、さまざまな環境で最適なパフォーマンスが保証されます。このガイドでは、YOLOv8 のモデルを簡単にONNX に変換し、実際のアプリケーションでの拡張性と有効性を高める方法を紹介します。

ONNX およびONNX ランタイム

ONNXOpen Neural Network Exchangeの略で、FacebookとMicrosoft が最初に開発したコミュニティ・プロジェクトである。現在進行中のONNX の開発は、IBM、アマゾン（AWSを通じて）、Google のような様々な組織によってサポートされている共同作業である。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使用できるように、機械学習モデルを表現するために設計されたオープンなファイルフォーマットを作成することを目的としている。

ONNX モデルは、異なるフレームワーク間でシームレスに移行するために使用することができる。例えば、PyTorch でトレーニングされたディープラーニングモデルは、ONNX 形式にエクスポートし、TensorFlow に簡単にインポートすることができる。

あるいは、ONNX のモデルを、ONNX Runtimeで使用することもできる。ONNX Runtimeは、PyTorch 、TensorFlow 、TFLite、scikit-learnなどのフレームワークと互換性のある、機械学習モデル用の多目的クロスプラットフォーム・アクセラレータである。

ONNX ランタイムは、ハードウェア固有の機能を活用することで、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することができる。

単独で使用する場合でも、ONNX Runtime と併用する場合でも、ONNX は機械学習モデルの展開と互換性のための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 、様々なフォーマットを扱うことができるのは、次のような主な特長があるからだ：

• 共通のモデル表現：ONNX は、共通の演算子セット（畳み込み、レイヤーなど）と標準データフォーマットを定義している。モデルがONNX フォーマットに変換されるとき、そのアーキテクチャと重みはこの共通表現に変換されます。この統一性により、ONNX をサポートするどのフレームワークでもモデルを理解できることが保証される。

• バージョニングと後方互換性:ONNX は、オペレータのためのバージョニング・システムを維持しています。これにより、規格が進化しても、古いバージョンで作成されたモデルが使用可能なままであることが保証されます。後方互換性は、モデルがすぐに時代遅れにな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 モデルは計算グラフとして表現される。このグラフベースの構造は、機械学習モデルを表現する普遍的な方法であり、ノードは操作や計算を表し、エッジはそれらの間を流れるテンソルを表す。この形式は、同じくモデルをグラフとして表現する様々なフレームワークに容易に適応できる。

• ツールとエコシステム：ONNX の周辺には、モデルの変換、視覚化、最適化を支援するツールの豊富なエコシステムがある。これらのツールにより、開発者はONNX のモデルで作業しやすくなり、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る。

一般的な使い方ONNX

エクスポート方法に飛び込む前に YOLOv8 models を ONNX フォーマットで、どこにあるか見てみましょう ONNX 通常、モデルが使用されます。

CPU 配備

ONNX モデルは、ONNX Runtimeとの互換性があるため、CPU上で展開されることが多い。このランタイムはCPU 実行用に最適化されている。これにより推論速度が大幅に改善され、CPU のリアルタイム展開が可能になる。

サポートされる展開オプション

ONNX 、一般的にはCPU上で使用されることが多いが、以下のようなプラットフォームにも展開できる：

• GPU アクセラレーション：ONNX GPU アクセラレーション、特にNVIDIA CUDA を完全にサポートしている。これにより、高い計算能力を必要とするタスクについて、NVIDIA GPU上での効率的な実行が可能になる。

• エッジデバイスとモバイルデバイス:ONNX はエッジデバイスとモバイルデバイスに拡張され、オンデバイスとリアルタイム推論シナリオに最適です。軽量で、エッジハードウェアと互換性があります。

• ウェブブラウザ:ONNX はウェブブラウザで直接実行でき、インタラクティブでダイナミックなウェブベースのAIアプリケーションを実現します。

YOLOv8 モデルのエクスポートONNX

YOLOv8 モデルをONNX フォーマットに変換することで、モデルの互換性と配備の柔軟性を拡大できます。

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、以下を実行する：

# Install the required package for YOLOv8
pip install ultralytics

インストールプロセスに関する詳細な説明とベストプラクティスについては、YOLOv8 インストールガイドをご覧ください。YOLOv8 に必要なパッケージをインストールする際に、何らかの問題が発生した場合は、解決策やヒントについて、よくある問題ガイドを参照してください。

使用方法

使い方の説明に入る前に、 Ultralytics が提供するYOLOv8 モデルのラインナップをご確認ください。これは、あなたのプロジェクトの要件に最も適したモデルを選択するのに役立ちます。

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolov8n.onnx'

# Load the exported ONNX model
onnx_model = YOLO("yolov8n.onnx")

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

# Export a YOLOv8n PyTorch model to ONNX format
yolo export model=yolov8n.pt format=onnx  # creates 'yolov8n.onnx'

# Run inference with the exported model
yolo predict model=yolov8n.onnx source='https://ultralytics.com/images/bus.jpg'

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

エクスポートされたYOLOv8 ONNX モデルの展開

Ultralytics YOLOv8 のモデルをONNX フォーマットにエクスポートすることに成功したら、次のステップはこれらのモデルを様々な環境に配置することです。ONNX モデルのデプロイに関する詳しい説明は、以下のリソースをご覧ください：

• ONNX ランタイムPython API ドキュメント:このガイドは、ONNX Runtimeを使用してONNX モデルをロードし、実行するための重要な情報を提供します。

• エッジデバイスへの展開:ONNX モデルのエッジデバイスへの展開に関するさまざまな例については、こちらのドキュメントページをご覧ください。

• ONNX GitHubのチュートリアル:ONNX モデルのさまざまなシナリオでの使用と実装のさまざまな側面をカバーする包括的なチュートリアルのコレクション。

概要

このガイドでは、Ultralytics YOLOv8 モデルをONNX フォーマットにエクスポートして、さまざまなプラットフォームでの相互運用性とパフォーマンスを向上させる方法を学びました。また、ONNX Runtime およびONNX 配置オプションについても紹介しました。

使い方の詳細については、ONNX 公式ドキュメントをご覧ください。

また、その他のUltralytics YOLOv8 の統合について詳しくお知りになりたい場合は、統合ガイドのページをご覧ください。有用なリソースや洞察がたくさん見つかります。

よくあるご質問

Ultralytics を使って、YOLOv8 のモデルをONNX フォーマットにエクスポートするには？

Ultralytics を使用してYOLOv8 モデルをONNX フォーマットにエクスポートするには、以下の手順に従います：

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolov8n.onnx'

# Load the exported ONNX model
onnx_model = YOLO("yolov8n.onnx")

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

# Export a YOLOv8n PyTorch model to ONNX format
yolo export model=yolov8n.pt format=onnx  # creates 'yolov8n.onnx'

# Run inference with the exported model
yolo predict model=yolov8n.onnx source='https://ultralytics.com/images/bus.jpg'

詳しくは、輸出に関する文書をご覧ください。

YOLOv8 モデルのデプロイにONNX Runtime を使用する利点は何ですか？

YOLOv8 モデルの展開にONNX Runtime を使用すると、いくつかの利点がある：

• クロスプラットフォームの互換性：ONNX ランタイムは、Windows、macOS、Linuxなど様々なプラットフォームをサポートしており、異なる環境間でモデルがスムーズに動作することを保証します。
• ハードウェアアクセラレーション：ONNX ランタイムは、CPU、GPU、専用アクセラレータのハードウェア固有の最適化を活用し、高性能な推論を提供することができる。
• フレームワークの相互運用性：PyTorch やTensorFlow のような一般的なフレームワークで学習したモデルは、ONNX 形式に簡単に変換でき、ONNX Runtime を使用して実行できる。

詳しくは、ONNX ランタイムのドキュメントをご覧ください。

ONNX にエクスポートされたYOLOv8 モデルには、どのような展開オプションがありますか？

YOLOv8 ONNX にエクスポートされたモデルは、以下のようなさまざまなプラットフォームに展開できる：

• CPU：CPU 推論を最適化するためのONNX ランタイムの活用。
• GPU：LeveragingNVIDIA CUDA for high-performanceGPU acceleration.
• エッジデバイス：エッジデバイスやモバイルデバイス上で軽量モデルを実行し、リアルタイムでデバイス上での推論を行う。
• ウェブブラウザ：インタラクティブなウェブベースのアプリケーションのために、ウェブブラウザ内で直接モデルを実行する。

詳しくは、モデル展開オプションに関するガイドをご覧ください。

Ultralytics YOLOv8 モデルにONNX フォーマットを使用するのはなぜですか？

Ultralytics YOLOv8 モデルにONNX フォーマットを使用すると、多くの利点がある：

• 相互運用性：ONNX は、異なる機械学習フレームワーク間でモデルをシームレスに転送することを可能にする。
• パフォーマンスの最適化：ONNX ランタイムは、ハードウェア固有の最適化を利用することで、モデルのパフォーマンスを向上させることができる。
• 柔軟性:ONNX は様々な展開環境をサポートしており、異なるプラットフォーム上でも同じモデルを変更することなく使用することができます。

YOLOv8 モデルのONNX へのエクスポートに関する包括的なガイドを参照してください。

YOLOv8 のモデルをONNX にエクスポートする際の問題のトラブルシューティングはどうすればよいですか？

YOLOv8 モデルをONNX にエクスポートする際、依存関係の不一致やサポートされていない操作などの一般的な問題が発生することがあります。これらの問題を解決するには

1. 必要な依存関係が正しいバージョンでインストールされていることを確認する。
2. サポートされているオペレーターや機能については、ONNX の公式ドキュメントをご確認ください。
3. ヒントとなるエラーメッセージを確認し、Ultralytics 「よくある問題」ガイドを参照してください。

問題が解決しない場合は、Ultralytics サポートにお問い合わせください。

コメント