Exportação ONNX para modelos YOLO26#

Ao implantar modelos de visão computacional, muitas vezes precisas 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 implantação 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 reais.

ONNX e ONNX Runtime#

ONNX, sigla de Open Neural Network Exchange, é um projeto comunitário inicialmente desenvolvido pela Facebook e pela Microsoft. O desenvolvimento contínuo do ONNX é um esforço colaborativo apoiado por várias organizações, como IBM, Amazon (através da AWS) e Google. O projeto pretende 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 usados para transitar facilmente entre diferentes frameworks. Por exemplo, um modelo de aprendizagem profunda treinado em PyTorch pode ser exportado para o formato ONNX e, em seguida, importado facilmente para TensorFlow.

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

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

Quer seja usado de forma independente ou em conjunto com ONNX Runtime, ONNX oferece uma solução flexível para a implantação de modelos de aprendizagem automática e a sua compatibilidade.

Principais funcionalidades dos modelos ONNX#

A capacidade do ONNX de lidar com vários formatos deve-se às seguintes funcionalidades principais:

• Representação comum de modelos: 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 qualquer framework compatível com ONNX consegue interpretar o modelo.

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

• Representação de modelos baseada em grafos: ONNX representa os modelos como grafos computacionais. Esta estrutura baseada em grafos é uma forma universal de representar modelos de aprendizagem automática, em que 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 ONNX que ajudam na conversão, visualização e otimização de modelos. Estas ferramentas facilitam o trabalho dos programadores com modelos ONNX e a conversão de modelos entre diferentes frameworks.

Usos comuns do ONNX#

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

Implantação em CPU#

Os modelos ONNX são frequentemente implantados em CPUs devido à sua compatibilidade com ONNX Runtime. Este runtime está otimizado para execução em CPU. Melhora significativamente a velocidade de inferência e viabiliza implantações em tempo real em CPU.

Opções de implantação compatíveis#

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

• Aceleração por GPU: ONNX oferece suporte completo à aceleração por GPU em GPUs NVIDIA através de CUDA e em GPUs AMD através de ROCm e MIGraphX.

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

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

Tarefas suportadas#

A exportação 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 esses cabeçalhos.

Exportação de modelos YOLO26 para ONNX#

Podes ampliar a compatibilidade e a flexibilidade de implantação dos modelos convertendo modelos YOLO26 para o formato ONNX. Ultralytics YOLO26 oferece 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 práticas recomendadas sobre o processo de instalação, consulte nosso guia de instalação do YOLO26. Se encontrar dificuldades ao instalar os pacotes necessários para o YOLO26, consulte nosso guia de problemas comuns para encontrar soluções e dicas.

Uso#

Antes de consultares as instruções de utilização, não te esqueças de ver a variedade de modelos YOLO26 disponibilizados pelo Ultralytics. Isto vai ajudar-te a escolher o modelo mais adequado aos requisitos do teu projeto.

O formato ONNX é compatível com os modos Exportar, Prever e Validar. Exporta o teu modelo e, em seguida, carrega o modelo exportado para executar inferências ou validar a precisão.

from ultralytics import YOLO

# Carrega um modelo YOLO26
model = YOLO("yolo26n.pt")

# Exporta o modelo para o formato ONNX
model.export(format="onnx")  # cria 'yolo26n.onnx'

# Exporta um modelo ONNX quantizado em INT8 com dados de calibração
model.export(format="onnx", quantize=8, data="coco8.yaml")  # cria 'yolo26n_int8.onnx'

from ultralytics import YOLO

# Carrega o modelo ONNX exportado
model = YOLO("yolo26n.onnx")

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

from ultralytics import YOLO

# Carrega o modelo ONNX exportado
model = YOLO("yolo26n.onnx")

# Validar a precisão no conjunto de dados COCO8
metrics = model.val(data="coco8.yaml")

Argumentos de exportação#

Ao exportar o teu modelo YOLO26 para o formato ONNX, podes personalizar o processo usando vários argumentos para otimizar a implantação de acordo com as tuas necessidades específicas:

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

Implantação de modelos YOLO26 ONNX exportados#

Depois de exportares com sucesso os teus modelos Ultralytics YOLO26 para o formato ONNX, o passo seguinte é implantá-los em vários ambientes. Para obter instruções detalhadas sobre a implantação 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 usando ONNX Runtime.

• Implantação em dispositivos de borda: consulta esta página da documentação para ver diferentes exemplos de implantação de modelos ONNX em dispositivos de borda.

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

• Triton Inference Server: aprende a implantar os teus modelos ONNX com o Triton Inference Server da NVIDIA para obter implantações escaláveis e de alto desempenho.

Inferência em GPU AMD com MIGraphX#

A Ultralytics executa modelos ONNX exportados em GPUs AMD através do fornecedor de execução MIGraphX do ONNX Runtime. Num sistema ROCm (HIP), o backend ONNX instala o plugin onnxruntime-ep-migraphx na primeira utilização e seleciona automaticamente MIGraphXExecutionProvider sem alterações ao código; todas as tarefas YOLO26 são compatíveis. Consulta o guia de inferência em GPU AMD para ver os pré-requisitos, a instalação, a utilização, as avaliações de desempenho e a cache de programas compilados.

Resumo#

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

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

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

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

Perguntas frequentes#