Ultralytics YOLO を使用したモデルのエクスポート

はじめに

モデルトレーニングの究極の目標は、実世界のアプリケーションに展開することです。Ultralytics YOLO26のエクスポートモードは、トレーニング済みモデルを様々な形式にエクスポートするための多用途なオプションを提供し、様々なプラットフォームやデバイスに展開可能にします。この包括的なガイドは、モデルエクスポートのニュアンスを説明し、最高の互換性とパフォーマンスを実現する方法を紹介することを目的としています。

見る: カスタムトレーニングされたUltralytics YOLOモデルをエクスポートし、Webカメラでライブ推論を実行する方法

YOLO26のエクスポートモードを選択する理由

• 汎用性： ONNX、TensorRT、CoreMLなど、複数の形式にエクスポートできます。
• パフォーマンス: TensorRTで最大5倍のGPU高速化、ONNXまたはOpenVINOで3倍のCPU高速化を実現します。
• 互換性: モデルを多数のハードウェアおよびソフトウェア環境に普遍的にデプロイできるようにします。
• 使いやすさ: 迅速かつ簡単なモデルエクスポートのためのシンプルなCLIおよびPython API。

エクスポートモードの主な特徴

主な機能を紹介します。

• ワンクリックエクスポート: さまざまな形式にエクスポートするためのシンプルなコマンドです。
• バッチエクスポート: バッチ推論対応モデルをエクスポートします。
• 最適化された推論: エクスポートされたモデルは、より迅速な推論時間のために最適化されています。
• Tutorial Videos: スムーズなエクスポート体験のための詳細なガイドとチュートリアル。

使用例

YOLO26nモデルをONNXやTensorRTのような異なる形式にエクスポートします。エクスポート引数の完全なリストについては、以下の「引数」セクションを参照してください。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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=yolo26n.pt format=onnx      # export official model
yolo export model=path/to/best.pt format=onnx # export custom-trained model

引数

この表では、YOLOモデルをさまざまな形式にエクスポートするために利用可能な構成とオプションについて詳しく説明します。これらの設定は、エクスポートされたモデルのパフォーマンス、サイズ、およびさまざまなプラットフォームと環境間での互換性を最適化するために重要です。適切な構成により、モデルが意図されたアプリケーションに最適な効率でデプロイできるようになります。

これらのパラメータを調整することで、デプロイ環境、ハードウェア制約、パフォーマンス目標など、特定の要件に合わせてエクスポートプロセスをカスタマイズできます。モデルサイズ、速度、精度の最適なバランスを実現するには、適切な形式と設定を選択することが不可欠です。

エクスポート形式

利用可能なYOLO26エクスポート形式は以下の表にあります。以下の方法で任意の形式にエクスポートできます。 format 引数、すなわち、 format='onnx' または format='engine'。エクスポートされたモデルで直接予測または検証できます。つまり、 yolo predict model=yolo26n.onnxエクスポート完了後、モデルの使用例が表示されます。

よくある質問

YOLO26モデルをONNX形式にエクスポートするにはどうすればよいですか？

Ultralyticsを使用すると、YOLO26モデルをONNX形式にエクスポートするのは簡単です。モデルをエクスポートするためのpythonとCLIの両方のメソッドが提供されています。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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=yolo26n.pt format=onnx      # export official model
yolo export model=path/to/best.pt format=onnx # export custom-trained model

プロセスの詳細、異なる入力サイズの処理などの高度なオプションについては、ONNX 統合ガイドを参照してください。

モデルのエクスポートに TensorRT を使用する利点は何ですか？

モデルのエクスポートにTensorRTを使用すると、大幅なパフォーマンス向上が得られます。TensorRTにエクスポートされたYOLO26モデルは、最大5倍のGPU高速化を達成でき、リアルタイム推論アプリケーションに最適です。

• 多様性: 特定のハードウェア構成に合わせてモデルを最適化します。
• 速度： 高度な最適化により、より高速な推論を実現します。
• 互換性: NVIDIAハードウェアとスムーズに統合します。

TensorRTの統合について詳しくは、TensorRT統合ガイドをご覧ください。

YOLO26モデルをエクスポートする際にINT8量子化を有効にするにはどうすればよいですか？

INT8 量子化は、モデルを圧縮し、特にエッジデバイスでの推論を高速化する優れた方法です。INT8 量子化を有効にする方法は次のとおりです:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a model
model.export(format="engine", int8=True)

yolo export model=yolo26n.pt format=engine int8=True # export TensorRT model with INT8 quantization

INT8量子化は、次のようなさまざまな形式に適用できます。 TensorRT, OpenVINO、および CoreML最適な量子化結果を得るためには、代表的な データセット を使用 data パラメータ。

モデルのエクスポート時に、動的な入力サイズが重要なのはなぜですか？

動的な入力サイズにより、エクスポートされたモデルはさまざまな画像寸法を処理できるようになり、柔軟性が向上し、さまざまなユースケースに合わせて処理効率が最適化されます。ONNXやTensorRTなどの形式にエクスポートする場合、動的な入力サイズを有効にすると、モデルがさまざまな入力形状にシームレスに適応できるようになります。

この機能を有効にするには、以下を使用します。 dynamic=True エクスポート時のフラグ：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

yolo export model=yolo26n.pt format=onnx dynamic=True

動的な入力サイズ調整は、ビデオ処理やさまざまなソースからの画像を処理する場合など、入力寸法が異なる可能性のあるアプリケーションに特に役立ちます。

モデルのパフォーマンスを最適化するために考慮すべき主要なエクスポート引数には何がありますか？

モデルのパフォーマンスを最適化するには、エクスポート引数を理解し、構成することが重要です。

• format: エクスポートされたモデルのターゲット形式（例： onnx, torchscript, tensorflow)。
• imgsz: モデル入力に必要な画像サイズ（例： 640 または (height, width))。
• half: FP16量子化を有効にし、モデルサイズを縮小し、推論を高速化する可能性があります。
• optimize: モバイル環境や制約のある環境に特化した最適化を適用します。
• int8: INT8量子化を有効にします。これは、以下に非常に役立ちます。 エッジAI デプロイメント。

特定のハードウェアプラットフォームへのデプロイメントでは、NVIDIA GPU用のTensorRT、Appleデバイス用のCoreML、またはGoogle Coralデバイス用のEdge TPUなどの特殊なエクスポート形式の使用を検討してください。

エクスポートされたYOLOモデルの出力tensorは何を表していますか？

YOLOモデルをONNXやTensorRTのような形式にエクスポートする場合、出力tensorの構造はモデルのタスクに依存します。これらの出力を理解することは、カスタム推論実装にとって重要です。

次の場合 detectモデル （例： yolo26n.pt）の場合、出力は通常、次のような形状の単一のtensorです (batch_size, 4 + num_classes, num_predictions) チャネルがボックス座標とクラスごとのスコアを表し、 num_predictions エクスポート入力解像度に依存し（動的である場合もあります）。

次の場合 セグメンテーションモデル （例： yolo26n-seg.pt）の場合、通常2つの出力が得られます。1つ目のtensorは次の形状です。 (batch_size, 4 + num_classes + mask_dim, num_predictions) （ボックス、クラススコア、マスク係数）、そして2つ目のtensorは次の形状です。 (batch_size, mask_dim, proto_h, proto_w) マスクプロトタイプを含み、係数とともにインスタンスマスクを生成するために使用されます。サイズはエクスポート入力解像度に依存し（動的である場合もあります）。

次の場合 ポーズモデル （例： yolo26n-pose.pt）の場合、出力tensorは通常次の形状です。 (batch_size, 4 + num_classes + keypoint_dims, num_predictions)は、 keypoint_dims ポーズ仕様（例：キーポイントの数、信頼度が含まれるかどうか）に依存し、 num_predictions エクスポート入力解像度に依存し（動的である場合もあります）。

ONNX推論例の例では、各モデルタイプでこれらの出力を処理する方法が示されています。

📅 2年前に作成 ✏️ 2日前に更新

コメント