Какой формат экспорта выбрать?

Для развертывания на CPU используй ONNX или OpenVINO — они работают до 3 раз быстрее PyTorch. Для GPU NVIDIA выбирай TensorRT — он работает до 5 раз быстрее. CoreML предназначен для устройств Apple, а TensorFlow Lite и Edge TPU — для Android и устройств Coral.

Как экспортировать модель в FP16?

Добавь --half. Для экспорта в половинной точности в большинстве форматов нужен GPU, поэтому также передай --device 0; исключение — CoreML, который позволяет экспортировать FP16 на CPU.

Можно ли экспортировать модель с динамическим размером батча?

Да. Добавь --dynamic. При экспорте в ONNX оси батча, высоты и ширины будут динамическими, а трассировка будет выполняться на CPU, поэтому не указывай --device 0. При экспорте в TensorRT размер изображения остается фиксированным, а меняется только размер батча: при этом всё равно нужен --device 0, а --batch-size задает максимальный размер батча, который принимает движок.

Как запустить экспортированную модель?

Передай экспортированный файл в detect.py --weights, val.py --weights или torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.onnx"). YOLOv5 выберет подходящий бэкенд по расширению файла.

Экспорт в TFLite, ONNX, CoreML и TensorRT#

📚 В этом руководстве объясняется, как экспортировать обученную модель YOLOv5 🚀 из PyTorch в различные форматы для развертывания, включая ONNX, TensorRT, CoreML и другие.

Перед началом#

Клонируй репозиторий и установи зависимости из requirements.txt в окружении Python>=3.8.0, включая PyTorch>=1.8. Модели и датасеты автоматически загружаются из последнего релиза YOLOv5.

git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install

Пример экспорта в TensorRT (требуется GPU) см. в разделе приложения к блокноту Colab.

Поддерживаемые форматы экспорта#

Инференс YOLOv5 официально поддерживается в 12 форматах:

Советы по производительности

Экспортируй модель в ONNX или OpenVINO, чтобы ускорить работу на CPU до 3 раз. См. тесты на CPU.
Экспортируй модель в TensorRT, чтобы ускорить работу на GPU до 5 раз. См. тесты на GPU.

Формат	`export.py --include`	Модель
PyTorch	-	`yolov5s.pt`
TorchScript	`torchscript`	`yolov5s.torchscript`
ONNX	`onnx`	`yolov5s.onnx`
OpenVINO	`openvino`	`yolov5s_openvino_model/`
TensorRT	`engine`	`yolov5s.engine`
CoreML	`coreml`	`yolov5s.mlpackage`
TensorFlow SavedModel	`saved_model`	`yolov5s_saved_model/`
TensorFlow GraphDef	`pb`	`yolov5s.pb`
TensorFlow Lite	`tflite`	`yolov5s.tflite`
TensorFlow Edge TPU	`edgetpu`	`yolov5s_edgetpu.tflite`
TensorFlow.js	`tfjs`	`yolov5s_web_model/`
PaddlePaddle	`paddle`	`yolov5s_paddle_model/`

Бенчмарки#

Тесты ниже запущены в Colab Pro с блокнотом-руководством по YOLOv5 . Чтобы повторить их:

python benchmarks.py --weights yolov5s.pt --imgsz 640 --device 0

GPU V100 в Colab Pro#

benchmarks: weights=/content/yolov5/yolov5s.pt, imgsz=640, batch_size=1, data=/content/yolov5/data/coco128.yaml, device=0, half=False, test=False
Checking setup...
YOLOv5 🚀 v6.1-135-g7926afc torch 1.10.0+cu111 CUDA:0 (Tesla V100-SXM2-16GB, 16160MiB)
Setup complete ✅ (8 CPUs, 51.0 GB RAM, 46.7/166.8 GB disk)

Benchmarks complete (458.07s)
                   Format  mAP@0.5:0.95  Inference time (ms)
0                 PyTorch        0.4623                10.19
1             TorchScript        0.4623                 6.85
2                    ONNX        0.4623                14.63
3                OpenVINO           NaN                  NaN
4                TensorRT        0.4617                 1.89
5                  CoreML           NaN                  NaN
6   TensorFlow SavedModel        0.4623                21.28
7     TensorFlow GraphDef        0.4623                21.22
8         TensorFlow Lite           NaN                  NaN
9     TensorFlow Edge TPU           NaN                  NaN
10          TensorFlow.js           NaN                  NaN

CPU в Colab Pro#

benchmarks: weights=/content/yolov5/yolov5s.pt, imgsz=640, batch_size=1, data=/content/yolov5/data/coco128.yaml, device=cpu, half=False, test=False
Checking setup...
YOLOv5 🚀 v6.1-135-g7926afc torch 1.10.0+cu111 CPU
Setup complete ✅ (8 CPUs, 51.0 GB RAM, 41.5/166.8 GB disk)

Benchmarks complete (241.20s)
                   Format  mAP@0.5:0.95  Inference time (ms)
0                 PyTorch        0.4623               127.61
1             TorchScript        0.4623               131.23
2                    ONNX        0.4623                69.34
3                OpenVINO        0.4623                66.52
4                TensorRT           NaN                  NaN
5                  CoreML           NaN                  NaN
6   TensorFlow SavedModel        0.4623               123.79
7     TensorFlow GraphDef        0.4623               121.57
8         TensorFlow Lite        0.4623               316.61
9     TensorFlow Edge TPU           NaN                  NaN
10          TensorFlow.js           NaN                  NaN

Экспорт обученной модели YOLOv5#

Эта команда экспортирует предварительно обученную модель YOLOv5s в форматы TorchScript и ONNX. yolov5s.pt — это «small», вторая по размеру модель из доступных. Также можно выбрать yolov5n.pt, yolov5m.pt, yolov5l.pt и yolov5x.pt вместе с их вариантами P6, например yolov5s6.pt, или собственную контрольную точку обучения, например runs/train/exp/weights/best.pt. Подробнее обо всех доступных моделях см. в таблице README.

python export.py --weights yolov5s.pt --include torchscript onnx

Совет

Добавь --half, чтобы экспортировать модели с точностью FP16 и уменьшить размер файлов.

Результат:

export: data=data/coco128.yaml, weights=['yolov5s.pt'], imgsz=[640, 640], batch_size=1, device=cpu, half=False, inplace=False, train=False, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=12, verbose=False, workspace=4, nms=False, agnostic_nms=False, topk_per_class=100, topk_all=100, iou_thres=0.45, conf_thres=0.25, include=['torchscript', 'onnx']
YOLOv5 🚀 v6.2-104-ge3e5122 Python-3.8.0 torch-1.12.1+cu113 CPU

Downloading https://github.com/ultralytics/yolov5/releases/download/v6.2/yolov5s.pt to yolov5s.pt...
100% 14.1M/14.1M [00:00<00:00, 274MB/s]

Fusing layers...
YOLOv5s summary: 213 layers, 7225885 parameters, 0 gradients

PyTorch: starting from yolov5s.pt with output shape (1, 25200, 85) (14.1 MB)

TorchScript: starting export with torch 1.12.1+cu113...
TorchScript: export success ✅ 1.7s, saved as yolov5s.torchscript (28.1 MB)

ONNX: starting export with onnx 1.12.0...
ONNX: export success ✅ 2.3s, saved as yolov5s.onnx (28.0 MB)

Export complete (5.5s)
Results saved to /content/yolov5
Detect:          python detect.py --weights yolov5s.onnx
Validate:        python val.py --weights yolov5s.onnx
PyTorch Hub:     model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5s.onnx')
Visualize:       https://netron.app/

Экспортированные модели будут сохранены рядом с исходной моделью PyTorch:

YOLO export locations

Для визуализации экспортированных моделей рекомендуется Netron Viewer:

YOLO model visualization

Примеры использования экспортированной модели#

detect.py запускает инференс на экспортированных моделях:

python detect.py --weights yolov5s.pt             # PyTorch
python detect.py --weights yolov5s.torchscript    # TorchScript
python detect.py --weights yolov5s.onnx           # ONNX Runtime or OpenCV DNN with --dnn
python detect.py --weights yolov5s_openvino_model # OpenVINO
python detect.py --weights yolov5s.engine         # TensorRT
python detect.py --weights yolov5s.mlpackage      # CoreML (macOS only)
python detect.py --weights yolov5s_saved_model    # TensorFlow SavedModel
python detect.py --weights yolov5s.pb             # TensorFlow GraphDef
python detect.py --weights yolov5s.tflite         # TensorFlow Lite
python detect.py --weights yolov5s_edgetpu.tflite # TensorFlow Edge TPU
python detect.py --weights yolov5s_paddle_model   # PaddlePaddle

val.py запускает валидацию экспортированных моделей:

python val.py --weights yolov5s.pt             # PyTorch
python val.py --weights yolov5s.torchscript    # TorchScript
python val.py --weights yolov5s.onnx           # ONNX Runtime or OpenCV DNN with --dnn
python val.py --weights yolov5s_openvino_model # OpenVINO
python val.py --weights yolov5s.engine         # TensorRT
python val.py --weights yolov5s.mlpackage      # CoreML (macOS only)
python val.py --weights yolov5s_saved_model    # TensorFlow SavedModel
python val.py --weights yolov5s.pb             # TensorFlow GraphDef
python val.py --weights yolov5s.tflite         # TensorFlow Lite
python val.py --weights yolov5s_edgetpu.tflite # TensorFlow Edge TPU
python val.py --weights yolov5s_paddle_model   # PaddlePaddle

Используй PyTorch Hub с экспортированными моделями YOLOv5:

import torch

# Model
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.pt")
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.torchscript")  # TorchScript
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.onnx")  # Среда выполнения ONNX
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s_openvino_model")  # OpenVINO
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.engine")  # TensorRT
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.mlpackage")  # CoreML (только для macOS)
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s_saved_model")  # TensorFlow SavedModel
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.pb")  # TensorFlow GraphDef
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.tflite")  # TensorFlow Lite
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s_edgetpu.tflite")  # TensorFlow Edge TPU
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s_paddle_model")  # PaddlePaddle

# Images
img = "https://ultralytics.com/images/zidane.jpg"  # или файл, Path, PIL, OpenCV, numpy, список

# Inference
results = model(img)

# Results
results.print()  # или .show(), .save(), .crop(), .pandas() и т. д.

Инференс через OpenCV DNN#

Инференс через OpenCV с моделями ONNX:

python export.py --weights yolov5s.pt --include onnx

python detect.py --weights yolov5s.onnx --dnn # detect
python val.py --weights yolov5s.onnx --dnn    # validate

Инференс на C++#

Примеры инференса YOLOv5 через OpenCV DNN на C++ с экспортированной моделью ONNX:

Примеры инференса YOLOv5 через OpenVINO на C++:

Инференс в веб-браузере с помощью TensorFlow.js#

https://aukerul-shuvo.github.io/YOLOv5_TensorFlow-JS/

Поддерживаемые среды#

Ultralytics предлагает готовые среды, в каждой из которых предварительно установлены необходимые зависимости, такие как CUDA, CUDNN, Python и PyTorch, чтобы ты мог сразу приступить к работе над проектами.

Бесплатные ноутбуки с GPU:
Google Cloud: краткое руководство по GCP
Amazon: краткое руководство по AWS
Azure: краткое руководство по AzureML
Docker: краткое руководство по Docker

Статус проекта#

Этот значок означает, что все тесты YOLOv5 GitHub Actions для непрерывной интеграции (CI) проходят успешно. Эти тесты CI тщательно проверяют функциональность и производительность YOLOv5 по ряду ключевых направлений: обучение, валидация, инференс, экспорт и сравнительное тестирование. Они обеспечивают стабильную и надёжную работу в macOS, Windows и Ubuntu. Тестирование проводится каждые 24 часа и после каждого нового коммита.

Часто задаваемые вопросы#

Для развертывания на CPU используй ONNX или OpenVINO — они работают до 3 раз быстрее PyTorch. Для GPU NVIDIA выбирай TensorRT — он работает до 5 раз быстрее. CoreML предназначен для устройств Apple, а TensorFlow Lite и Edge TPU — для Android и устройств Coral.
Добавь --half. Для экспорта в половинной точности в большинстве форматов нужен GPU, поэтому также передай --device 0; исключение — CoreML, который позволяет экспортировать FP16 на CPU.
Да. Добавь --dynamic. При экспорте в ONNX оси батча, высоты и ширины будут динамическими, а трассировка будет выполняться на CPU, поэтому не указывай --device 0. При экспорте в TensorRT размер изображения остается фиксированным, а меняется только размер батча: при этом всё равно нужен --device 0, а --batch-size задает максимальный размер батча, который принимает движок.
Передай экспортированный файл в detect.py --weights, val.py --weights или torch.hub.load("ultralytics/yolov5", "custom", "yolov5s.onnx"). YOLOv5 выберет подходящий бэкенд по расширению файла.

Участники

GLglenn-jocher⁴ RAraimbekovm¹ PDpderrenger¹

Создано 4 месяца назадОбновлено 2 недели назад

Get Started