モデル・エクスポートUltralytics YOLO

はじめに

モデルをトレーニングする最終的な目標は、実世界のアプリケーションにモデルを導入することです。Ultralytics YOLOv8 のエクスポートモードでは、トレーニングしたモデルをさまざまなフォーマットにエクスポートするための多彩なオプションを提供し、さまざまなプラットフォームやデバイスに展開できるようにします。この包括的なガイドは、モデルのエクスポートのニュアンスを説明し、最大の互換性とパフォーマンスを達成する方法を紹介することを目的としています。

見るんだ： カスタム学習Ultralytics YOLOv8 モデルをエクスポートし、ウェブカメラ上でライブ推論を実行する方法。

なぜYOLOv8 のエクスポート・モードを選ぶのか？

• 汎用性： ONNX,TensorRT,CoreML, などを含む複数のフォーマットにエクスポート。
• パフォーマンス： TensorRT でGPU を最大 5 倍、ONNX またはOpenVINO でCPU を最大 3 倍高速化。
• 互換性：多数のハードウェアおよびソフトウェア環境において、モデルを普遍的に展開できるようにします。
• 使いやすさ：シンプルなCLI 、Python APIにより、素早く簡単にモデルをエクスポートできます。

エクスポート・モードの主な特徴

ここでは、目立った機能をいくつか紹介しよう：

• ワンクリックエクスポート：簡単なコマンドで様々なフォーマットにエクスポートできます。
• バッチエクスポート：バッチ推論可能な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、推論時間を短縮するために最適化されています。
• チュートリアルビデオ：スムーズな書き出しのための詳細なガイドとチュートリアル。

使用例

YOLOv8n モデルをONNX やTensorRT のような別のフォーマットにエクスポートする。 エクスポート引数の完全なリストについては、以下の引数のセクションを参照のこと。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

論争

この表は、YOLO のモデルをさまざまなフォーマットにエクスポートする際に利用できる設定とオプションの詳細を示しています。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、さまざまなプラットフォームや環境での互換性を最適化するために重要です。適切な設定を行うことで、モデルが最適な効率で目的のアプリケーションに展開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、展開環境、ハードウェアの制約、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することができます。適切なフォーマットと設定を選択することは、モデルサイズ、スピード、精度の最適なバランスを実現するために不可欠です。

輸出フォーマット

利用可能なYOLOv8 エクスポート形式は以下の表の通りです。どのフォーマットでも 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を直接予測または検証することができます。 yolo predict model=yolov8n.onnx.使用例は、エクスポート完了後に表示されます。

よくあるご質問

YOLOv8 モデルをONNX フォーマットにエクスポートする方法を教えてください。

Ultralytics を使えば、YOLOv8 のモデルをONNX フォーマット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に、Python とCLI の両方のメソッドが用意されています。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

異なる入力サイズへの対応など、高度なオプションを含むプロセスの詳細については、以下のセクションを参照してください。 ONNXセクション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、パフォーマンスが大幅に向上します。TensorRT にエクスポートされたYOLOv8 モデルは、GPU 最大5倍のスピードアップを達成でき、リアルタイム推論アプリケーションに最適です。

• 汎用性：特定のハードウェアセットアップにモデルを最適化します。
• スピード：高度な最適化により、より高速な推論を実現。
• 互換性： NVIDIA ハードウェアとスムーズに統合。

TensorRT との統合の詳細については TensorRT統合ガイドをご覧ください。

YOLOv8 モデルをエクスポートする際、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、特にエッジデバイスにおいて、モデルを圧縮し、推論を高速化する優れた方法です。ここでは、INT8量子化を有効にする方法を説明します：

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # Load a model
model.export(format="onnx", int8=True)

yolo export model=yolov8n.pt format=onnx int8=True   # export model with INT8 quantization

INT8 量子化は、TensorRT やCoreML など、さまざまなフォーマットに適用できます。詳細はエクスポートのセクションにあります。

モデルをエクスポートする際に、なぜ動的入力サイズが重要なのですか？

動的入力サイズは、エクスポートされたモデルが様々な画像寸法を扱うことを可能にし、柔軟性を提供し、様々なユースケースに対して処理効率を最適化します。ONNX やTensorRT のような形式にエクスポートする場合、ダイナミック入力サイズを有効にすることで、モデルが異なる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 dynamic=True フラグを立てる：

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="onnx", dynamic=True)

yolo export model=yolov8n.pt format=onnx dynamic=True

詳しくは、ダイナミック・インプット・サイズのコンフィギュレーションを参照のこと。

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重要な輸出論拠とは？

エクスポートの引数を理解し設定することは、モデルのパフォーマンスを最適化するために非常に重要です：

• format: エクスポートされるモデルのターゲットフォーマット（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量子化が可能になり、モデルサイズが小さくなり、推論が高速化する可能性がある。
• optimize: モバイルや制約のある環境向けに、特定の最適化を適用する。
• int8: INT8量子化を可能にし、エッジ展開に非常に有効。

すべてのエクスポート引数の詳細なリストと説明については、エクスポート引数のセクションをご覧ください。

コメント