다음을 사용하여 모델 내보내기 Ultralytics YOLO

소개

모델 학습의 궁극적인 목표는 실제 애플리케이션에 배포하는 것입니다. Ultralytics YOLOv8 의 내보내기 모드에서는 학습된 모델을 다양한 포맷으로 내보낼 수 있는 다양한 옵션을 제공하여 다양한 플랫폼과 디바이스에 배포할 수 있습니다. 이 포괄적인 가이드는 모델 내보내기의 미묘한 차이를 안내하고 호환성과 성능을 극대화하는 방법을 보여줍니다.

Watch: 사용자 지정 학습된 Ultralytics YOLOv8 모델을 내보내고 웹캠에서 라이브 추론을 실행하는 방법.

YOLOv8 의 내보내기 모드를 선택하는 이유는 무엇인가요?

• 다용도성: ONNX , TensorRT, CoreML, 등 다양한 형식으로 내보낼 수 있습니다.
• 성능: TensorRT 으로 최대 5배의 GPU 속도 향상, ONNX 또는 OpenVINO 으로 3배의 CPU 속도 향상.
• 호환성: 다양한 하드웨어 및 소프트웨어 환경에서 모델을 범용적으로 배포할 수 있습니다.
• 사용 편의성: 간단한 CLI 및 Python API로 빠르고 간편하게 모델을 내보낼 수 있습니다.

내보내기 모드의 주요 기능

다음은 몇 가지 눈에 띄는 기능입니다:

• 원클릭 내보내기: 다양한 형식으로 내보내기를 위한 간단한 명령어입니다.
• 일괄 내보내기: 일괄 추론이 가능한 모델을 내보냅니다.
• 추론 최적화: 내보낸 모델은 더 빠른 추론 시간을 위해 최적화되어 있습니다.
• 튜토리얼 동영상: 원활한 내보내기 환경을 위한 심층 가이드 및 튜토리얼입니다.

사용 예

YOLOv8n 모델을 ONNX 또는 TensorRT 과 같은 다른 형식으로 내보내기 내보내기 인수의 전체 목록은 아래 인수 섹션을 참조하세요.

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

인수

이 표에는 YOLO 모델을 다양한 형식으로 내보내는 데 사용할 수 있는 구성 및 옵션이 자세히 설명되어 있습니다. 이러한 설정은 내보낸 모델의 성능, 크기 및 다양한 플랫폼과 환경에서의 호환성을 최적화하는 데 매우 중요합니다. 적절한 구성을 통해 모델이 최적의 효율성으로 의도한 애플리케이션에 배포될 수 있도록 준비할 수 있습니다.

이러한 매개변수를 조정하면 배포 환경, 하드웨어 제약 조건, 성능 목표 등 특정 요구사항에 맞게 내보내기 프로세스를 사용자 지정할 수 있습니다. 모델 크기, 속도, 정확도 간에 최적의 균형을 이루려면 적절한 형식과 설정을 선택하는 것이 필수적입니다.

내보내기 형식

사용 가능한 YOLOv8 내보내기 형식은 아래 표에 나와 있습니다. 내보내는 형식은 format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 검증할 수 있습니다. yolo predict model=yolov8n.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

댓글