Exportação para ONNX de modelos YOLO26#

Frequentemente, ao implementar modelos de visão computacional, precisarás de um formato de modelo que seja flexível e compatível com várias plataformas.

A exportação de modelos Ultralytics YOLO26 para o formato ONNX simplifica a implementação e garante um desempenho ideal em vários ambientes. Este guia mostra-te como converter facilmente os teus modelos YOLO26 para ONNX e melhorar a sua escalabilidade e eficácia em aplicações do mundo real.

ONNX e ONNX Runtime#

O ONNX, que significa Open Neural Network Exchange, é um projeto comunitário inicialmente desenvolvido pelo Facebook e pela Microsoft. O desenvolvimento contínuo do ONNX é um esforço colaborativo apoiado por várias organizações, como a IBM, a Amazon (através da AWS) e a Google. O projeto visa criar um formato de ficheiro aberto concebido para representar modelos de aprendizagem automática de forma a permitir a sua utilização em diferentes frameworks de IA e hardware.

Os modelos ONNX podem ser utilizados para fazer a transição entre diferentes frameworks de forma simples. Por exemplo, um modelo de deep learning treinado em PyTorch pode ser exportado para o formato ONNX e depois importado facilmente para TensorFlow.

Em alternativa, os modelos ONNX podem ser utilizados com o ONNX Runtime. O ONNX Runtime é um acelerador multiplataforma versátil para modelos de aprendizagem automática, compatível com frameworks como PyTorch, TensorFlow, scikit-learn, etc.

O ONNX Runtime otimiza a execução de modelos ONNX aproveitando capacidades específicas do hardware. Esta otimização permite que os modelos funcionem de forma eficiente e com elevado desempenho em várias plataformas de hardware, incluindo CPUs, GPUs e aceleradores especializados.

Utilizado de forma independente ou em conjunto com o ONNX Runtime, o ONNX fornece uma solução flexível para a implementação de modelos de aprendizagem automática e para a compatibilidade.

Principais funcionalidades dos modelos ONNX#

A capacidade do ONNX para lidar com vários formatos pode ser atribuída às seguintes funcionalidades principais:

• Representação comum de modelos: O ONNX define um conjunto comum de operadores (como convoluções, camadas, etc.) e um formato de dados padrão. Quando um modelo é convertido para o formato ONNX, a sua arquitetura e os seus pesos são traduzidos para esta representação comum. Esta uniformidade garante que o modelo possa ser compreendido por qualquer framework compatível com ONNX.

• Versionamento e compatibilidade retroativa: O ONNX mantém um sistema de versionamento para os seus operadores. Isto garante que, mesmo à medida que o padrão evolui, os modelos criados em versões anteriores continuam utilizáveis. A compatibilidade retroativa é uma funcionalidade crucial que impede que os modelos se tornem obsoletos rapidamente.

• Representação de modelos baseada em grafos: O ONNX representa os modelos como grafos computacionais. Esta estrutura baseada em grafos é uma forma universal de representar modelos de aprendizagem automática, na qual os nós representam operações ou cálculos e as arestas representam os tensores que fluem entre eles. Este formato adapta-se facilmente a vários frameworks que também representam modelos como grafos.

• Ferramentas e ecossistema: Existe um ecossistema rico de ferramentas em torno do ONNX que ajudam na conversão, visualização e otimização de modelos. Estas ferramentas facilitam o trabalho dos programadores com modelos ONNX e a conversão simples de modelos entre diferentes frameworks.

Utilização comum do ONNX#

Antes de vermos como exportar modelos YOLO26 para o formato ONNX, vejamos onde os modelos ONNX são normalmente utilizados.

Implementação em CPU#

Os modelos ONNX são frequentemente implementados em CPUs devido à sua compatibilidade com o ONNX Runtime. Este runtime está otimizado para execução em CPU. Melhora significativamente a velocidade de inferência e torna viáveis as implementações em CPU em tempo real.

Opções de implementação compatíveis#

Embora os modelos ONNX sejam normalmente utilizados em CPUs, também podem ser implementados nas seguintes plataformas:

• Aceleração por GPU: O ONNX suporta totalmente a aceleração por GPU, particularmente NVIDIA CUDA. Para treino e inferência nativos em GPUs AMD, utiliza PyTorch ROCm; um ficheiro ONNX continua a necessitar de um runtime compatível com AMD.

• Dispositivos de edge e móveis: O ONNX também é compatível com dispositivos de edge e móveis, sendo ideal para cenários de inferência no dispositivo e em tempo real. É leve e compatível com hardware de edge, servindo de base para formatos NPU de fabricantes, como Huawei Ascend, Qualcomm QNN para dispositivos Snapdragon e RKNN para NPUs Rockchip.

• Navegadores Web: O ONNX pode ser executado diretamente em navegadores Web, permitindo aplicações de IA interativas e dinâmicas baseadas na Web.

Tarefas suportadas#

A exportação para ONNX é compatível com todas as sete tarefas da Ultralytics. A segmentação semântica e a estimativa de profundidade estão disponíveis apenas com YOLO26, a única família que inclui essas cabeças.

Exportação de modelos YOLO26 para ONNX#

Podes expandir a compatibilidade dos modelos e a flexibilidade de implementação convertendo os modelos YOLO26 para o formato ONNX. O Ultralytics YOLO26 fornece um processo de exportação simples que pode melhorar significativamente o desempenho do teu modelo em diferentes plataformas.

Instalação#

Para instalar o pacote necessário, executa:

# Install the required package for YOLO26
pip install ultralytics

Para obter instruções detalhadas e boas práticas relacionadas com o processo de instalação, consulta o nosso guia de instalação do YOLO26. Durante a instalação dos pacotes necessários para YOLO26, se encontrares alguma dificuldade, consulta o nosso guia de problemas comuns para obter soluções e sugestões.

Utilização#

Antes de começares a consultar as instruções de utilização, vê a gama de modelos YOLO26 disponibilizados pela Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado aos requisitos do teu projeto.

O formato ONNX suporta os modos Export, Predict e Validate. Exporta o teu modelo e, em seguida, carrega o modelo exportado para executar a inferência ou validar a sua precisão.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo26n.onnx'

# Export an INT8-quantized ONNX model with calibration data
model.export(format="onnx", quantize=8, data="coco8.yaml")  # creates 'yolo26n_int8.onnx'

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

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

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Argumentos de Exportação#

Ao exportares o teu modelo YOLO26 para o formato ONNX, podes personalizar o processo utilizando vários argumentos para o otimizar de acordo com as tuas necessidades específicas de implementação:

Para obter mais detalhes sobre o processo de exportação, visita a página da documentação da Ultralytics sobre exportação.

Implementação de modelos YOLO26 ONNX exportados#

Depois de exportares com êxito os teus modelos Ultralytics YOLO26 para o formato ONNX, o passo seguinte é implementá-los em vários ambientes. Para obteres instruções detalhadas sobre a implementação dos teus modelos ONNX, consulta os seguintes recursos:

• Documentação da API Python do ONNX Runtime: Este guia fornece informações essenciais para carregar e executar modelos ONNX utilizando o ONNX Runtime.

• Implementação em dispositivos de edge: Consulta esta página da documentação para veres diferentes exemplos de implementação de modelos ONNX em dispositivos de edge.

• Tutoriais de ONNX no GitHub: Uma coleção de tutoriais abrangentes que aborda vários aspetos da utilização e implementação de modelos ONNX em diferentes cenários.

• Triton Inference Server: Aprende a implementar os teus modelos ONNX com o Triton Inference Server da NVIDIA para implementações escaláveis e de elevado desempenho.

Resumo#

Neste guia, aprendeste a exportar modelos Ultralytics YOLO26 para o formato ONNX para aumentar a sua interoperabilidade e desempenho em várias plataformas. Também conheceste o ONNX Runtime e as opções de implementação do ONNX.

A exportação para ONNX é apenas um dos vários formatos de exportação compatíveis com o Ultralytics YOLO26, permitindo-te implementar os teus modelos em praticamente qualquer ambiente. Dependendo das tuas necessidades específicas, também poderás querer explorar outras opções de exportação, como TensorRT para obter o máximo desempenho da GPU ou CoreML para dispositivos Apple.

Para obteres mais informações sobre a utilização, consulta a documentação oficial do ONNX.

Além disso, se quiseres saber mais sobre outras integrações do Ultralytics YOLO26, visita a nossa página do guia de integrações. Encontrarás aí muitos recursos e informações úteis.

Perguntas frequentes#