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 5배 GPU 속도 향상, ONNX 또는 OpenVINO 로 3배 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 및 성능 목표와 같은 특정 요구 사항에 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 유효성을 검사할 수 있습니다. yolo predict model=yolov8n.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

자주 묻는 질문

YOLOv8 모델을 ONNX 형식으로 내보내려면 어떻게 하나요?

YOLOv8 모델을 ONNX 형식으로 내보내는 방법은 Ultralytics 을 사용하면 간단합니다. Python 과 CLI 두 가지 방법으로 모델을 내보낼 수 있습니다.

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

다양한 입력 크기 처리와 같은 고급 옵션을 포함하여 프로세스에 대한 자세한 내용은 ONNX 섹션을 참조하세요.

모델 내보내기에 TensorRT 을 사용하면 어떤 이점이 있나요?

TensorRT YOLOv8 모델을 로 내보내면 최대 5배의 속도 향상을 달성할 수 있어 실시간 추론 애플리케이션에 이상적입니다. TensorRT GPU

• 다용도성: 특정 하드웨어 설정에 맞게 모델을 최적화하세요.
• 속도: 고급 최적화를 통해 더 빠른 추론을 달성하세요.
• 호환성: NVIDIA 하드웨어와 원활하게 통합됩니다.

통합에 대해 자세히 알아보려면 TensorRT 을 참조하세요. TensorRT 통합 가이드를 참조하세요.

YOLOv8 모델을 내보낼 때 INT8 정량화를 활성화하려면 어떻게 해야 하나요?

INT8 양자화는 특히 엣지 디바이스에서 모델을 압축하고 추론 속도를 높일 수 있는 훌륭한 방법입니다. INT8 양자화를 활성화하는 방법은 다음과 같습니다:

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 정량화는 TensorRT 및 CoreML 과 같은 다양한 형식에 적용할 수 있습니다. 자세한 내용은 내보내기 섹션에서 확인할 수 있습니다.

모델을 내보낼 때 동적 입력 크기가 중요한 이유는 무엇인가요?

동적 입력 크기를 사용하면 내보낸 모델이 다양한 이미지 크기를 처리할 수 있어 유연성을 제공하고 다양한 사용 사례에 맞게 처리 효율을 최적화할 수 있습니다. ONNX 또는 TensorRT 과 같은 형식으로 내보낼 때 동적 입력 크기를 활성화하면 모델이 다양한 입력 모양에 원활하게 적응할 수 있습니다.

이 기능을 사용하려면 dynamic=True 플래그를 내보내는 중입니다:

from ultralytics import YOLO

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

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

자세한 내용은 동적 입력 크기 구성을 참조하세요.

모델 성능을 최적화하기 위해 고려해야 할 주요 내보내기 인수는 무엇인가요?

내보내기 인수를 이해하고 구성하는 것은 모델 성능을 최적화하는 데 매우 중요합니다:

• format: 내보낸 모델의 대상 형식(예, onnx, torchscript, tensorflow).
• imgsz: 모델 입력에 대한 원하는 이미지 크기(예 640 또는 (height, width)).
• half: FP16 양자화를 지원하여 모델 크기를 줄이고 추론 속도를 높일 수 있습니다.
• optimize: 모바일 또는 제한된 환경을 위한 특정 최적화를 적용합니다.
• int8: INT8 정량화를 지원하여 엣지 배포에 매우 유용합니다.

모든 내보내기 인수에 대한 자세한 목록과 설명은 내보내기 인수 섹션을 참조하세요.

댓글