Как экспортировать модели PyTorch, не относящиеся к YOLO, с помощью Ultralytics#

Ultralytics предоставляет автономные утилиты экспорта в пакете ultralytics.utils.export, которые объединяют несколько бэкендов за единым интерфейсом. Ты можешь экспортировать любые torch.nn.Module, включая модели изображений timm, классификаторы и детекторы torchvision или собственные архитектуры, в форматы TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, TensorFlow Frozen Graph, PaddlePaddle, MNN, NCNN и ExecuTorch, не изучая каждый бэкенд отдельно.

Для развёртывания моделей PyTorch в промышленной среде обычно приходится использовать отдельный экспортёр для каждой целевой платформы: torch.onnx.export для ONNX, coremltools для устройств Apple, onnx2tf для TensorFlow, pnnx для NCNN и так далее. У каждого инструмента свои API, особенности зависимостей и соглашения о выходных данных. Эти утилиты объединяют всё это в единый способ вызова.

Зачем использовать Ultralytics для экспорта моделей, не относящихся к YOLO?#

• Единый API для 11 форматов: освой один способ вызова вместо целой дюжины.
• Тот же процесс экспорта, что и для YOLO: во всех случаях экспорта Ultralytics YOLO используются одни и те же вспомогательные функции.
• Квантование FP16 и INT8 с помощью одного аргумента quantize для форматов, которые его поддерживают.
• Работает на CPU: для самого экспорта GPU не требуется, поэтому его можно выполнять локально на ноутбуке; экспорт CoreML не поддерживается в Windows, а для экспорта Core AI нужна macOS 26 или новее на Apple silicon либо Linux x86_64 с glibc 2.34 или новее и Python 3.11–3.14.

Быстрый старт#

Самый быстрый способ — экспортировать в ONNX всего в две строки, без кода YOLO и дополнительных настроек, кроме pip install ultralytics onnx timm:

import timm
import torch

from ultralytics.utils.export import torch2onnx

model = timm.create_model("resnet18", pretrained=True).eval()
torch2onnx(model, torch.randn(1, 3, 224, 224), output_file="resnet18.onnx")

Поддерживаемые форматы экспорта#

Функции torch2* принимают стандартный torch.nn.Module и пример входного тензора. Для MNN, TF SavedModel и TF Frozen Graph промежуточным артефактом служит ONNX или Keras. В обоих случаях атрибуты, специфичные для YOLO, не требуются.

Пошаговые примеры#

Во всех примерах ниже используется одна и та же конфигурация: предварительно обученная модель ResNet-18 из timm в режиме оценки:

import timm
import torch

model = timm.create_model("resnet18", pretrained=True).eval()
im = torch.randn(1, 3, 224, 224)

Экспорт в ONNX#

from ultralytics.utils.export import torch2onnx

torch2onnx(model, im, output_file="resnet18.onnx")

Чтобы использовать динамический размер пакета, передай словарь dynamic:

torch2onnx(model, im, output_file="resnet18_dyn.onnx", dynamic={"images": {0: "batch_size"}})

По умолчанию используется opset 14, а имя входа — "images". Переопредели их с помощью аргументов opset, input_names или output_names.

Экспорт в TorchScript#

Дополнительные зависимости не нужны. Внутри используется torch.jit.trace.

from ultralytics.utils.export import torch2torchscript

torch2torchscript(model, im, output_file="resnet18.torchscript")

Экспорт в OpenVINO#

from ultralytics.utils.export import torch2openvino

ov_model = torch2openvino(model, im, output_dir="resnet18_openvino_model")

Каталог содержит пару файлов с фиксированными именами: model.xml и model.bin:

resnet18_openvino_model/
├── model.xml
└── model.bin

Передай dynamic=True для динамических форм входных данных, quantize=16 для FP16 или quantize=8 для квантования INT8. Для INT8 также требуется аргумент calibration_dataset.

Требуются openvino>=2024.0.0 (или >=2025.2.0 на macOS 15.4 и новее) и torch>=2.1.

Экспорт в CoreML#

import coremltools as ct

from ultralytics.utils.export import torch2coreml

inputs = [ct.TensorType("input", shape=(1, 3, 224, 224))]
ct_model = torch2coreml(model, inputs, im, classifier_names=None, output_file="resnet18.mlpackage")

Для моделей классификации передай список имён классов в classifier_names, чтобы добавить классификационную голову в модель CoreML.

Требуются coremltools>=9.0, torch>=1.11 и numpy<=2.3.5. Не поддерживается в Windows.

Экспорт в Core AI#

from ultralytics.utils.export import torch2coreai

torch2coreai(model, im, output_file="resnet18.aimodel")

Артефакт .aimodel представляет собой каталог:

resnet18.aimodel/
├── main.mlirb
├── main.hash
└── metadata.json

Экспорт выполняется на Apple silicon под macOS 26 или новее либо на Linux x86_64 с glibc 2.34 или новее и Python 3.11–3.14 (pip install coreai-torch), а quantize=16 записывает артефакт FP16, принимающий входные данные float16; артефакт работает на iOS 27 и macOS 27. См. интеграцию Core AI, включая примечание об артефактах FP16, вызывающих аварийное завершение при загрузке.

Экспорт в TensorFlow SavedModel#

Экспорт TF SavedModel выполняется через ONNX как промежуточный формат:

from ultralytics.utils.export import onnx2saved_model, torch2onnx

torch2onnx(model, im, output_file="resnet18.onnx")
keras_model = onnx2saved_model("resnet18.onnx", output_dir="resnet18_saved_model")

Функция возвращает модель Keras, а также создаёт файлы FP32 и FP16 для LiteRT (.tflite) в выходном каталоге:

resnet18_saved_model/
├── saved_model.pb
├── variables/
├── assets/
├── fingerprint.pb
├── resnet18_float32.tflite
└── resnet18_float16.tflite

Передай quantize=8, чтобы добавить к ним .tflite в формате INT8.

Экспорт TensorFlow не выполняется на macOS с Python 3.13 или новее; используй Python 3.12 или старше на macOS либо Linux.

Требования для Python 3.12 или старше (для Python 3.13 или новее для экспорта вместо этого требуются tensorflow>2.19.0, tf_keras>2.19.0, onnx2tf>=2.3.0,<2.3.16 и protobuf>=6.31.1,<7.0.0):

• tensorflow>=2.0.0,<=2.19.0
• onnx2tf>=1.26.3,<1.29.0
• tf_keras<=2.19.0
• sng4onnx>=1.0.1
• onnx_graphsurgeon>=0.3.26
• ai-edge-litert>=1.2.0,<1.4.0 на macOS (ai-edge-litert>=1.2.0 на других платформах)
• onnxslim>=0.1.82
• onnx>=1.12.0,<2.0.0
• protobuf>=5

Экспорт в TensorFlow Frozen Graph#

Продолжая экспорт SavedModel выше, преобразуй возвращённую модель keras_model в замороженный граф .pb:

from pathlib import Path

from ultralytics.utils.export import keras2pb

keras2pb(keras_model, output_file=Path("resnet18_saved_model/resnet18.pb"))

Экспорт в NCNN#

from ultralytics.utils.export import torch2ncnn

torch2ncnn(model, im, output_dir="resnet18_ncnn_model")

Каталог содержит файлы param и bin с фиксированными именами, а также оболочку Python:

resnet18_ncnn_model/
├── model.ncnn.param
├── model.ncnn.bin
└── model_ncnn.py

Экспорт в MNN#

Для экспорта в MNN требуется файл ONNX на входе. Сначала экспортируй модель в ONNX, затем выполни преобразование:

from ultralytics.utils.export import onnx2mnn, torch2onnx

torch2onnx(model, im, output_file="resnet18.onnx")
onnx2mnn("resnet18.onnx", output_file="resnet18.mnn")

Поддерживает quantize=16 для квантования FP16 и quantize=8 для INT8. Требуются MNN>=2.9.6 и torch>=1.10.

Экспорт в PaddlePaddle#

from ultralytics.utils.export import torch2paddle

torch2paddle(model, im, output_dir="resnet18_paddle_model")

В каталоге находятся модель PaddlePaddle и файлы параметров:

resnet18_paddle_model/
├── inference_model/
│   ├── model.json
│   └── model.pdiparams
├── model.pdparams
└── x2paddle_code.py

Требуется x2paddle и подходящий дистрибутив PaddlePaddle для твоей платформы:

• paddlepaddle-gpu>=3.0.0,<3.3.0 на CUDA
• paddlepaddle==3.0.0 на CPU ARM64
• paddlepaddle>=3.0.0,<3.3.0 на других CPU

Не поддерживается на NVIDIA Jetson.

Экспорт в ExecuTorch#

from ultralytics.utils.export import torch2executorch

torch2executorch(model, im, output_dir="resnet18_executorch_model")

Экспортированный файл .pte сохраняется в каталоге вывода:

resnet18_executorch_model/
└── model.pte

Требуются torch>=2.9.0 и совместимая среда выполнения ExecuTorch (pip install executorch). Информацию об использовании среды выполнения см. в руководстве по интеграции ExecuTorch.

Проверка экспортированной модели#

После экспорта проверь численное соответствие исходной модели PyTorch перед выпуском. Быстрый дымовой тест с ONNXBackend из ultralytics.nn.backends сравнивает результаты и помогает на раннем этапе выявить ошибки трассировки или квантования:

import numpy as np
import timm
import torch

from ultralytics.nn.backends import ONNXBackend

model = timm.create_model("resnet18", pretrained=True).eval()
im = torch.randn(1, 3, 224, 224)
with torch.no_grad():
    pytorch_output = model(im).numpy()

onnx_model = ONNXBackend("resnet18.onnx", device=torch.device("cpu"))
onnx_output = onnx_model(im)[0]

diff = np.abs(pytorch_output - onnx_output).max()
print(f"Max difference: {diff:.6f}")  # ~1e-5 for an FP32 ONNX export

В других средах выполнения имя входного тензора может отличаться. Например, OpenVINO использует имя аргумента прямого прохода модели (обычно x для моделей общего назначения), тогда как значение torch2onnx по умолчанию — "images".

Запуск экспортированной модели#

Экспортированные модели, отличные от YOLO, загружаются обратно через стандартный API YOLO(). Приведенные выше экспорты не содержат метаданных о задаче Ultralytics или размере входных данных, поэтому явно укажи task и imgsz, соответствующий тензору-примеру, с которым ты выполнял экспорт:

from ultralytics import YOLO

results = YOLO("resnet18.onnx", task="classify")("path/to/image.jpg", imgsz=224)
print(results[0].probs.top1)

imgsz важен, если экспорт имеет фиксированную форму входных данных: приведенные выше экспорты ONNX и TF SavedModel не принимают значение по умолчанию 640. Экспорты TorchScript и NCNN выше допускают и другие размеры, но ни один из экспортеров этого не гарантирует: оба выполняют трассировку по тензору-примеру, поэтому модель, которая преобразует тензор в слой Linear, останется с фиксированным размером. Проверь свой экспорт.

Затем значение округляется вверх до ближайшего числа, кратного шагу модели, который без метаданных равен 32. Поэтому экспорт с фиксированной формой 200x200 получает вход размером 224x224 и отклоняет его, хотя imgsz=200 ему соответствует. Для размеров входных данных, не кратных 32, вызывай бэкенд напрямую.

Прямой вызов бэкенда#

Чтобы работать с исходными тензорами без предварительной обработки и постобработки Ultralytics, используй классы для отдельных форматов из ultralytics.nn.backends, как в приведенном выше примере проверки. Каждый класс принимает экспортированный артефакт и устройство, после чего его можно вызвать:

TensorFlowBackend поддерживает два формата и по умолчанию выбирает format="saved_model", поэтому для замороженного графа укажи format="pb".

Три действия, которые выполняет за тебя маршрут YOLO(), но не прямой вызов:

• Формат входных данных: CoreMLBackend и TensorFlowBackend ожидают BHWC. Сначала выполни транспонирование с помощью im.permute(0, 2, 3, 1); тензор BCHW вызовет ошибку несоответствия формы.
• Autograd: оборачивай вызовы в torch.inference_mode(). TorchScriptBackend возвращает тензор, в котором сохраняется граф градиентов.
• Постобработка: без метаданных бэкенд оставляет task в виде None, а names — пустым. LiteRTBackend всё равно денормализует любой трехмерный выход, используя размер изображения, поскольку предполагает, что в выходе содержатся боксы YOLO. Для модели не на основе YOLO с трехмерным выходом это неверно. Двумерные выходы, например логиты классификатора, не затрагиваются.

Известные ограничения#

• Неодинаковая поддержка нескольких входов: torch2onnx, torch2openvino и torch2torchscript принимают кортеж тензоров-примеров для моделей с несколькими входами. torch2coreml, torch2coreai, torch2ncnn, torch2paddle и torch2executorch предполагают наличие одного входного тензора.
• Форматы только для YOLO: экспорт Axelera и Sony IMX500 требует специфичных для YOLO атрибутов модели и недоступен для моделей общего назначения.
• Форматы для отдельных платформ: для TensorRT требуется GPU NVIDIA. Для RKNN требуется SDK rknn-toolkit2 (только Linux). Для Edge TPU требуется бинарный файл edgetpu_compiler (только Linux x86_64).

Заключение#

Эти утилиты позволяют преобразовать любую модель PyTorch из обычного torch.nn.Module в готовый к развертыванию артефакт ONNX, OpenVINO, CoreML, TensorFlow или мобильной среды выполнения через единый API. Выбери формат для целевого оборудования, проверь численное соответствие исходной модели, а затем выполни инструкции соответствующего руководства по интеграции, чтобы развернуть модель в нужной среде выполнения.

Часто задаваемые вопросы#