Başla

Ultralytics YOLO ile Model Dışa Aktarımı

Ultralytics YOLO ecosystem and integrations

Giriş#

Model eğitiminin amacı genellikle modeli gerçek dünya uygulamalarında kullanmaya almaktır. Ultralytics YOLO26'nın Export modu, eğitilmiş modelini farklı biçimlere dönüştürerek çeşitli platformlarda ve cihazlarda çalıştırılmasını sağlar. Bu kılavuzda dışa aktarma kullanımı, argümanlar, desteklenen biçimler ve niceleme seçenekleri ele alınır.

Planlanan dışa aktarma desteği için yayımlanmamış YOLO27 önizlemesine göz at.



İzle: Dağıtım İçin Ultralytics YOLO26 Farklı Biçimlerde Nasıl Dışa Aktarılır | ONNX, TensorRT, CoreML 🚀

YOLO26'nın Dışa Aktarma Modunu Neden Seçmelisin?#

  • Çok yönlülük: ONNX, TensorRT, CoreML ve daha fazlası dâhil olmak üzere birden fazla biçime aktar.
  • Performans: TensorRT ile GPU'da 5 kata, ONNX veya OpenVINO ile CPU'da 3 kata kadar hız artışı elde et.
  • Uyumluluk: Modelini çok çeşitli donanım ve yazılım ortamlarında kullanıma al.
  • Kullanım Kolaylığı: Tek bir CLI komutuyla veya Python çağrısıyla dışa aktar.

Kullanım Örnekleri#

Bir YOLO26n modelini ONNX veya TensorRT gibi farklı bir biçime aktar.

Örnek
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Resmî bir modeli yükle
model = YOLO("path/to/best.pt")  # özel olarak eğitilmiş bir modeli yükle

# Modeli dışa aktar
model.export(format="onnx")

Bağımsız değişkenler#

Bu tabloda YOLO modellerini farklı biçimlere aktarmak için kullanılabilen argümanlar listelenmiştir. Bu argümanlar, dışa aktarılan modelin performansını, boyutunu ve hedef platform ve ortamla uyumluluğunu belirler.

Bağımsız değişkenTürVarsayılanAçıklama
formatstr'torchscript'Dışa aktarılan modelin hedef biçimi; örneğin 'onnx', 'torchscript', 'engine' (TensorRT) veya başka biçimler. Her biçim farklı dağıtım ortamlarıyla uyumluluk sağlar.
namestrNoneDonanım hedefi gerektiren biçimler için donanım hedefinin adı: Hailo mimarisi ('hailo8', 'hailo8l', 'hailo10h', 'hailo15h', 'hailo15l'; varsayılan olarak 'hailo8l' kullanılır), Rockchip RKNN yongası (varsayılan olarak 'rk3588' kullanılır), Huawei Ascend SoC (CANN --soc_version; varsayılan olarak 'Ascend310B4' kullanılır), Qualcomm QNN HTP hedefi (varsayılan olarak '73' kullanılır) veya AMD Xilinx Versal AI Edge Series Gen 2 aygıtı (varsayılan olarak 've2-xc2ve3858', VEK385 değerlendirme kiti kullanılır). Diğer modların kullandığı project/name çalıştırma adlandırma çiftinden farklıdır.
imgszint veya tuple640Model girdisi için istenen görüntü boyutu. Kare görüntüler için bir tam sayı (ör. 640×640 için 640) veya belirli boyutlar için bir demet (height, width) olabilir. Belirtilmezse dışa aktarma, yüklenen kontrol noktasında kayıtlı eğitim boyutunu kullanır: resmî YOLO26 kontrol noktalarında Cityscapes (yolo26n-sem.pt) üzerinde önceden eğitilmiş anlamsal modeller için 1024, derinlik için 768, sınıflandırma için 224, OBB için 1024 ve ADE20K (yolo26n-sem-ade20k.pt) üzerinde önceden eğitilmiş anlamsal modeller de dâhil olmak üzere diğer görevler için 640 kayıtlıdır; ince ayar yapılmış bir model ise eğitildiği imgsz değerini kaydeder. YAML dosyasından oluşturulan bir modelin kayıtlı eğitim boyutu yoktur ve 640 kullanılır.
optimizeboolFalseDEEPX için daha yüksek derleyici optimizasyonunu etkinleştirir; derleme süresini uzatırken çıkarım gecikmesini azaltır.
quantizeint veya strNoneNiceleme hassasiyeti: 16 (FP16, model boyutunu küçültür ve desteklenen donanımlarda çıkarımı hızlandırabilir) veya 8 (INT8/PTQ, modeli çok az doğruluk kaybıyla daha da sıkıştırır; öncelikle uç cihazlar için kullanılır; kalibrasyon data/fraction gerekir); 32, desteklendiğinde FP32'yi seçer; ayarlanmadığında hedef INT8 gibi bir niceleme gerektirmiyorsa FP32 kullanılır. quantize=8 ile eğitilmiş bir kontrol noktası her zaman INT8 dışa aktarır: onnx ve engine, kalibrasyon olmadan taşıdıkları aralıklardan dışa aktarım yapar; diğer biçimler veya hassasiyetler reddedilir. 'w8a8' ve 'w16a16', 8 ve 16 için takma adlardır; karma hassasiyetler olan 'w8a16' (16 bit etkinleştirmelerle INT8 ağırlıklar: CoreML, LiteRT, QNN) ve 'w8a32' (dinamik INT8: LiteRT) yalnızca bu biçimlerde kabul edilir. Kullanımdan kaldırılan half/int8 bayraklarının yerini alır (half=True → 16, int8=True → 8; kullanımdan kaldırma uyarısıyla hâlâ kabul edilir). Yalnızca hedef biçimin desteklediği hassasiyetlere izin verilir (aşağıya bakın).
dynamicboolFalseTorchScript, ONNX, OpenVINO, TensorRT, CoreML ve MNN dışa aktarımlarında dinamik girdi boyutlarına izin vererek değişen görüntü boyutlarını işleme esnekliğini artırır.
simplifyboolTrueONNX grafiği oluşturan dışa aktarımlarda (onnxslim ile) ara ONNX grafiğini basitleştirir (Dışa Aktarma Biçimleri bölümüne bak); çıkarım motorlarıyla performansı ve uyumluluğu artırabilir.
opsetintNoneONNX grafiği oluşturan dışa aktarımlar için ONNX opset sürümünü belirtir (bkz. Dışa Aktarma Biçimleri); farklı ONNX ayrıştırıcıları ve çalışma zamanlarıyla uyumluluk sağlar. Ayarlanmazsa, kurulu onnx sürümüyle sınırlandırılmış 18 opset sürümü kullanılır (PyTorch < 2.4 sürümlerinde daha düşük). RKNN, Ascend, AMD Xilinx, Hailo ve RT-DETR TensorFlow dışa aktarımları kendi opset sürümlerini ayarlar.
workspacefloat veya NoneNoneTensorRT optimizasyonları için maksimum çalışma alanı boyutunu GiB cinsinden ayarlayarak bellek kullanımı ile performansı dengeler. TensorRT'nin cihazın en yüksek kapasitesine kadar otomatik ayırma yapması için None değerini kullan.
nmsbool, isteğe bağlıNoneNone, harici NMS için ham bire çok tahminler dışa aktarır (YOLO26, Axelera üzerinde NMS içermeyen başlığını korur); True, desteklenen biçimlerde NMS'yi gömer; False, kullanılabilir olduğunda NMS içermeyen başlığı seçer. CoreML'de gömülü NMS, statik şekillerle detect, segment ve pose görevlerini destekler. Uçtan Uca Tespit kılavuzuna göz at.
conffloatNoneDışa aktarma sırasında NMS'nin oluşturulduğu her yerde kullanılan güven eşiği: nms=True dışa aktarımları; Hailo'nun uçtan uca olmayan detect dışa aktarımları; ve içeride nms=True değerini zorunlu kılan IMX detect, pose ve segment dışa aktarımları. Ayarlanmadığında varsayılan değer 0.25 olur.
ioufloat0.5Dışa aktarma sırasında NMS'nin oluşturulduğu her yerde kullanılan IoU eşiği: nms=True dışa aktarımları; Hailo'nun uçtan uca olmayan detect dışa aktarımları; ve içeride nms=True değerini zorunlu kılan IMX detect, pose ve segment dışa aktarımları.
max_detint300Dışa aktarılan modelin çıktısında tutulan en yüksek algılama sayısı. Yerel NMS işlem hattında algılama sınırı olmayan CoreML algılama dışında, her biçimdeki nms=True dışa aktarımları için geçerlidir. Ayrıca NMS'siz uçtan uca algılama dışa aktarımlarında (YOLO26, YOLOv10; kullanılabilir bağlantı noktası sayısıyla sınırlandırılır) ve IMX detect, pose ve segment dışa aktarımlarında da uygulanır.
agnostic_nmsboolFalseCoreML'in kendi NMS aşaması da dahil olmak üzere, standart nms=True işlem hattı üzerinden dışa aktarma sırasında NMS'nin oluşturulduğu her yerde sınıftan bağımsız NMS'yi etkinleştirir; yalnızca aynı sınıf içindekileri değil, farklı sınıflardaki örtüşen kutular arasında puanı daha düşük olanları da bastırır. Sınıftan bağımsız seçeneği olmayan ve bu bayraktan bağımsız olarak sınıf farkındalığını koruyan Hailo veya IMX'in kendi oluşturduğu NMS yapılandırmalarında bu ayar dikkate alınmaz. NMS'siz uçtan uca dışa aktarımlara (YOLO26, YOLOv10) da dahil edilir; bu durumda IoU eşiğine dayalı olarak farklı kutuları bastırmaz, yalnızca aynı algılamanın birden fazla sınıf etiketi altında görünmesini önler (IoU=1.0 yinelenenleri).
batchint1Dışa aktarılan modelin toplu çıkarım boyutunu veya predict modunda eşzamanlı olarak işleyeceği maksimum görüntü sayısını belirtir. Dışa aktarma argümanlarında batch bulunmayan biçimler batch 1 olarak dışa aktarılır ve diğer değerleri reddeder.
devicestrNoneDışa aktarma için kullanılacak cihazı belirtir: GPU (device=0), CPU (device=cpu), Apple silicon için MPS (device=mps), Huawei Ascend NPU (device=npu veya device=npu:0) ya da NVIDIA Jetson için DLA (device=dla:0 veya device=dla:1). TensorRT dışa aktarımları otomatik olarak GPU kullanır, ancak TensorRT 11 DLA'yı desteklemez. device=npu kullanan OpenVINO INT8 dışa aktarımları Intel NPU'ları için ayarlanmıştır.
verboseboolFalseformat='engine' dışa aktarımı sırasında TensorRT oluşturucu günlüğünün ayrıntı düzeyini VERBOSE olarak yükseltir. Diğer dışa aktarma biçimleri bu ayarı yok sayar.
datastrNoneKalibrasyon veri kümesi: YAML yolu (sınıflandırma dışı), NDJSON yolu veya URL, Platform veri kümesi URI'si (ul://owner/datasets/name) ya da web URL'si. Platform veri kümeleri bir API anahtarı ve Python 3.11+ gerektirir. Sınıflandırmada ayrıca veri kümesi dizini veya yerleşik veri kümesi adı da kabul edilir. Belirtilmediğinde ve INT8 etkin olduğunda Ultralytics, gerektiğinde göreve özel bir kalibrasyon veri kümesi seçer veya model görevinin varsayılan veri kümesini kullanır. quantize=8 ile eğitilmiş bir kontrol noktası kendi INT8 aralıklarını içerir ve kalibrasyon verisi gerektirmez.
splitstr'val'data içinden INT8 niceleme kalibrasyonu veri yükleyicisini oluşturmak için kullanılan veri kümesi bölümü ('train', 'val' veya 'test').
fractionfloat, int veya list1.0INT8 kalibrasyonu için kullanılan veri kümesi alt kümesi: oran, görüntü sayısı veya [train, val, test] değerleri. 1 bölümün tamamı demektir; 1 üzerindeki tam sayılar görüntü sayısıdır ve yalnızca isteğe bağlı test girdisi, hiçbiri anlamına gelen 0/0.0 değerlerini kabul eder. İki öğeli listelerde test bölümün tamamı olarak kalır.

Model boyutu, hızı ve doğruluğu arasında en iyi dengeyi yakalamak için dağıtım ortamına, donanım kısıtlamalarına ve performans hedeflerine uygun biçimi ve ayarları seç.

Dışa Aktarma Biçimleri#

YOLO26 için kullanılabilir dışa aktarma biçimleri aşağıdaki tabloda listelenmiştir. format bağımsız değişkenini kullanarak herhangi bir biçime aktarabilirsin; ör. format='onnx' veya format='engine'. Dışa aktarılan modeller üzerinde doğrudan tahmin veya doğrulama yapabilirsin; ör. yolo predict model=yolo26n.onnx. Dışa aktarma tamamlandıktan sonra modelin için kullanım örnekleri gösterilir. Modeller, yerel kurulum gerektirmeden Ultralytics Platform üzerinden doğrudan tarayıcıdan da dışa aktarılabilir.

Biçimformat bağımsız değişkeniModelÜst verilerBağımsız değişkenler
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device

nms=None, harici NMS için varsayılan olarak ham çıktılar üretir (YOLO26, Axelera üzerinde NMS içermeyen başlığını korur). Kullanılabilir NMS içermeyen bir başlık seçmek için nms=False değerini ayarla; desteklenmeyen biçimler yerel çıktı yoluna geri döner. Yukarıdaki nms girdileri, nms=True ile NMS gömebilen biçimleri belirtir.

Dışa aktarma bağımlılıklarının otomatik kurulumu

Çoğu biçim, ultralytics ile yüklenmeyen paketlere ihtiyaç duyar. Gerekli bir paket eksik olduğunda dışa aktarma işlemi, bunu çalışma zamanında uv veya pip ile, Linux'ta ise IMX için Java gibi sistem paketlerini apt ile yükler. Edge TPU derleyicisi, apt veya sudo olmadan indirilir. Örneğin bir kapsayıcı görüntüsünde, CI işinde veya üretim hizmetinde ortamı sabit tutmak için YOLO_AUTOINSTALL=False ayarını yap. Dışa aktarma işlemi eksik paketleri yine kontrol edip bildirir, ancak ortamı değiştirmez ve paketler yüklenene kadar başarısız olur.

export YOLO_AUTOINSTALL=False

Niceleme Seçenekleri#

Dışa aktarma hassasiyetini belirlemek için quantize bağımsız değişkenini kullan. Dize değerlerinde büyük-küçük harf duyarlılığı yoktur ve Ultralytics, kabul edilen diğer adları dışa aktarma öncesinde standart biçime dönüştürür:

İstenen değerlerStandart değerAnlam
8, "8", "int8", "w8a8"8INT8 ağırlıkları ve aktivasyonları
16, "16", "fp16", "w16a16"16FP16 ağırlıkları ve aktivasyonları
32, "32", "fp32", "w32a32"32FP32 dışa aktarımı; CoreML NMS ML Programs varsayılan olarak FP16 kullandığından bu durum, ayar yapılmamasıyla aynıdır
"w8a16""w8a16"16 bit aktivasyonlarla (FP16; LiteRT'de INT16) INT8 ağırlıkları
"w8a32""w8a32"FP32 aktivasyonlarla INT8 ağırlıkları (LiteRT dinamik INT8, kalibrasyon gerekmez)

Eski half=True ve int8=True bayrakları kullanımdan kaldırma uyarılarıyla kabul edilmeye devam eder ve quantize=16 ile quantize=8 değerlerine yönlendirilir.

Her dışa aktarma biçimi her hassasiyeti desteklemez. Açıkça belirtilen quantize istekleri ya istenen hassasiyeti üretir ya da dışa aktarma başlamadan başarısız olur:

BiçimFP32 (32/ayarlanmamış)FP16 (16)INT8 (8)W8A16 ("w8a16")Notlar
PyTorch✅UygulanamazUygulanamazUygulanamazYerel eğitim/denetim noktası biçimi.
TorchScript✅✅ Yalnızca GPU❌❌FP16 TorchScript dışa aktarımı device=0 gerektirir; CPU dışa aktarımı FP32'dir.
ONNX✅✅✅❌INT8, ONNX Runtime statik nicelemesini ve kalibrasyon verilerini kullanır.
OpenVINO✅✅✅❌INT8, eğitim sonrası niceleme için NNCF kullanır.
TensorRT✅✅✅❌INT8 için temsili kalibrasyon verileri gerekir.
CoreML✅¹✅✅✅CoreML INT8, ağırlık nicelemesidir; W8A16, FP16 aktivasyonlarla INT8 ağırlıkları kullanır. ¹ Ayarlanmamış NMS ML Programs varsayılan olarak FP16 kullanır ve segment/poz nms=True dışa aktarımları her zaman FP16'dır.
Core AI✅✅❌❌Varsayılan olarak FP32 kullanılır veya quantize=16 ile bir FP16 .aimodel varlığı seçilebilir; INT8 yolu yoktur.
TF SavedModel✅❌✅❌INT8, FP32 SavedModel'in yanındaki .tflite dosyalarına yazılır.
TF GraphDef✅❌❌❌Dışa aktarma sırasında hassasiyet dönüşümü yapılmaz.
Edge TPU❌❌✅ otomatik❌Edge TPU, INT8 gerektirir; ayarlanmamışsa otomatik olarak etkinleştirilir.
LiteRT✅❌✅✅Statik INT8 (8) ve "w8a16" (INT8 ağırlıklar + INT16 aktivasyonlar) kalibrasyon verileri kullanır; ayrıca "w8a32" dinamik INT8'i (kalibrasyon gerekmez) destekler. quantize=16 ayrı bir dışa aktarma değildir; FP32 model, GPU temsilcisi aracılığıyla çalışma zamanında FP16 olarak çalışır.
PaddlePaddle✅❌❌❌Dışa aktarma sırasında hassasiyet dönüşümü yapılmaz.
MNN✅✅✅❌INT8, MNN dönüştürmesi aracılığıyla ağırlık nicelemesi yapar.
NCNN✅✅❌❌Mobil/gömülü çalışma zamanı biçimi.
IMX500❌❌✅ otomatik❌IMX500 niceleme gerektirir; ayarlanmamışsa INT8 otomatik olarak etkinleştirilir.
RKNN❌✅ çipe bağlı✅❌RK3588/RK3576/RK3566/RK3568/RK3562/RK2118/RV1126B, FP16 veya INT8'i destekler; RV1103/RV1106 varyantları yalnızca INT8'i destekler.
ExecuTorch✅❌✅❌Statik INT8 (8), kalibrasyon verilerini kullanır ve algılama, segmentasyon, poz ve OBB başlığını FP32 biçiminde tutar.
Axelera❌❌✅ otomatik❌Axelera dışa aktarımı INT8 gerektirir; ayarlanmamışsa otomatik olarak etkinleştirilir.
DEEPX❌❌✅ otomatik❌DEEPX dışa aktarımı INT8 gerektirir; ayarlanmamışsa otomatik olarak etkinleştirilir.
Qualcomm QNN❌❌❌✅ otomatikQNN HTP dışa aktarımı, 16 bit aktivasyonlarla INT8 ağırlıklara sabitlenmiştir.
Hailo❌❌✅ otomatik❌Hailo dışa aktarımı INT8 gerektirir; ayarlanmamışsa otomatik olarak etkinleştirilir.
Huawei Ascend❌✅ otomatik❌❌Ascend AI Core evrişimleri yalnızca FP16/INT8 girdilerini kabul eder; bu nedenle ATC, FP16 derler. Ayarlanmamışsa otomatik olarak etkinleştirilir.
AMD Xilinx❌❌✅ otomatik❌AMD Xilinx dışa aktarımı Vitis AI INT8 (VINT8) gerektirir; ayarlanmamışsa otomatik olarak etkinleştirilir.
NXP❌❌✅ otomatik❌NXP i.MX95 dışa aktarımı, Neutron SDK 3.3.0 ile INT8 gerektirir; ayarlanmamışsa otomatik olarak etkinleştirilir.

INT8 ve W8A16 dışa aktarımları için, hedef tümleştirme varsayılan bir davranış belgelemiyor veya otomatik etkinleştirme yapmıyorsa, data="coco8.yaml" gibi data ile temsili kalibrasyon verileri sağla. LiteRT "w8a32" (dinamik INT8) şeması kalibrasyon verisi gerektirmez.

Niceleme Farkındalıklı Eğitim#

Yukarıdaki INT8 dışa aktarımları eğitim sonrası nicelemedir (PTQ): aralıklar, data üzerinde yapılan tek bir kalibrasyon geçişi sırasında gözlemlenir. Buna karşılık niceleme farkındalıklı eğitim (QAT), döngü içinde sahte nicelemeyle ince ayar yaparak INT8'i tolere edebilen ağırlıkları öğrenir ve yalnızca kalibrasyonun neden olduğu doğruluk kaybını telafi eder. Önceden eğitilmiş bir kontrol noktasında ince ayar yapmak için train öğesine quantize=8 ilet, ardından her zamanki gibi dışa aktar:

Örnek
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    quantize=8,
    epochs=5,
    batch=64,
    optimizer="AdamW",
    lr0=0.00001,
    lrf=0.1,
    warmup_epochs=0.5,
    cos_lr=True,
    mosaic=0.0,
)
model.export(format="engine", quantize=8)  # aralıklar denetim noktasıyla birlikte taşınır, kalibrasyon verisi gerekmez

Önceden eğitilmiş bir denetim noktasına ince ayar yaparken düşük bir öğrenme oranı kullan. QAT başlangıçta doğruluğu düşürebilir ve eğitim sonrası nicelemeye kıyasla sağladığı fayda modele, veri kümesine ve eğitim bütçesine bağlıdır. Dışa aktarılan modeli hem özgün denetim noktasına hem de eğitim sonrası nicelemeyle dışa aktarılan modele göre doğrula; eğitim sırasındaki sahte niceleme puanları dağıtım doğruluğunu kanıtlamaz.

QAT'nin ne kadar fayda sağladığı, dışa aktarma arka ucunun kendi kalibrasyonunun modeli ne kadar iyi işlediğine bağlıdır. Aşağıdaki değerler, imgsz=640 ve batch 1 ayarlarında TensorRT 10.16 motorlarıyla ölçülen COCO val2017 mAP50-95 değerleridir; her QAT kontrol noktası epochs=20 patience=3 ile eğitilmiştir:

ModelFP32 motoruPTQ INT8 motoruQAT INT8 motoru
yolo26n0.40320.39340.3935
yolo26s0.47940.44120.4711
yolo26m0.52690.46960.5137
yolo26l0.54400.48890.5307
yolo26x0.57010.51380.5527

QAT, tüm aralık boyunca FP32'ye kıyasla 0.008 ila 0.017 mAP50-95 kaybına yol açarken eğitim sonrası niceleme, yolo26n üzerinde 0.010; daha büyük modellerde ise 0.038 ila 0.057 kayba yol açar. Dolayısıyla kalibrasyonun zaten iyi çalıştığı en küçük modelde QAT neredeyse hiçbir şey kazandırmaz; diğer modellerde ise 0.030 ila 0.044 kazanç sağlar. Başka bir veri kümesinde, dışa aktarma biçiminde veya TensorRT sürümünde farklı sonuçlar bekle ve kendi ölçümünü yap.

QAT modelleri compile=False gerektirir; ModelOpt'un nicelemeli modülleri torch.compile desteğine sahip değildir.

Head'in çıkış katmanları, yani Conv bloklarının dışındaki yalın evrişimler ve doğrusal katmanlar, INT8 doğruluk kaybını sınırlamak için bilerek float bırakılır; TensorRT, nicelenmemiş katmanlarında FP16 karma hassasiyeti etkinleştirir. QAT, ilk kullanımda otomatik olarak kurulan NVIDIA TensorRT Model Optimizer üzerinden çalışır ve ortaya çıkan kontrol noktasını yüklemek için bu aracın kurulu olması gerekir. Bu aralıklar kontrol noktasıyla birlikte taşınır ve onnx ile engine dışa aktarımları bunları Q/DQ düğümleri olarak üretir; diğer biçimler bunun yerine kalibrasyon verilerini okur ve QAT kontrol noktasını reddeder.

Sırada ne var?#

Dışa aktarılan modeli nasıl çalıştıracağını öğrenmek için hedef dağıtım platformunun tümleştirme kılavuzunu bul: ONNX, TensorRT, CoreML ve daha fazlası tüm tümleştirmeler listesinde yer alır.

Sık Sorulan Sorular#

  • Bir YOLO26 modelini Python API'si veya CLI ile ONNX biçimine aktar:

    Örnek
    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("yolo26n.pt")  # Resmî bir modeli yükle
    model = YOLO("path/to/best.pt")  # özel olarak eğitilmiş bir modeli yükle
    
    # Modeli dışa aktar
    model.export(format="onnx")

    Farklı girdi boyutlarını işleme gibi gelişmiş seçenekler de dahil olmak üzere süreçle ilgili daha fazla bilgi için ONNX tümleştirme kılavuzuna bak.

  • Modeli dışa aktarmak için TensorRT kullanmak, NVIDIA GPU'larında önemli performans iyileştirmeleri sağlar. TensorRT'ye aktarılan YOLO26 modelleri GPU'da 5 kata kadar hızlanabilir; bu da TensorRT'yi gerçek zamanlı çıkarım uygulamaları için uygun hâle getirir.

    • Çok yönlülük: Modelleri belirli bir donanım yapılandırması için optimize et.
    • Hız: Gelişmiş optimizasyonlarla daha hızlı çıkarım elde et.
    • Uyumluluk: NVIDIA donanımıyla sorunsuz tümleştir.

    TensorRT tümleştirmesi hakkında daha fazla bilgi edinmek için TensorRT tümleştirme kılavuzuna bak.

  • INT8 niceleme, modeli sıkıştırır ve özellikle uç cihazlarda çıkarımı hızlandırır. Etkinleştirmek için quantize=8 kullan:

    Örnek
    from ultralytics import YOLO
    
    model = YOLO("yolo26n.pt")  # Bir model yükle
    model.export(format="onnx", quantize=8, data="coco8.yaml")

    INT8 niceleme ONNX, TensorRT, OpenVINO, CoreML, Rockchip RKNN ve AMD Xilinx gibi biçimlere uygulanabilir. En iyi niceleme sonuçları için data parametresini kullanarak temsili bir veri kümesi sağla. Kabul edilen quantize değerleri ve desteklenen biçimler için Niceleme Seçenekleri sayfasına bak.

  • Dinamik giriş boyutu, dışa aktarılan modelin değişen görüntü boyutlarını işlemesini sağlayarak farklı kullanım durumları için esneklik sunar ve işleme verimliliğini optimize eder. ONNX veya TensorRT gibi biçimlere dışa aktarırken dinamik giriş boyutunu etkinleştirmek, modelin farklı giriş şekillerini kabul etmesini sağlar.

    Bu özelliği etkinleştirmek için dışa aktarma sırasında dynamic=True bayrağını kullan:

    Örnek
    from ultralytics import YOLO
    
    model = YOLO("yolo26n.pt")
    model.export(format="onnx", dynamic=True)

    Dinamik girdi boyutlandırma, video işleme veya farklı kaynaklardan gelen görüntüleri işleme gibi girdi boyutlarının değişebileceği uygulamalarda özellikle kullanışlıdır.

    YOLO() ile yüklenen dinamik bir dışa aktarım, dışa aktarma imgsz değerinde tahmin yapar ve doğrulanır (kare olmayan dışa aktarımın uzun kenarı); PyTorch modeli ise eğitim imgsz değerini kullanır. Farklı bir boyutta çalıştırmak için imgsz değerini ilet.

  • PyTorch modelleri ve dinamik dışa aktarımlar varsayılan olarak minimum dikdörtgen dolgusu kullanırken statik dışa aktarımlar tam imgsz boyutuna dolgu uygular; bu nedenle güven eşiğine yakın tespitler farklı olabilir. Statik dışa aktarımla eşleşmek için yerel çıkarımda rect=False kullan veya desteklenen durumlarda dynamic=True ile dışa aktar.

  • Model performansı üzerinde en büyük etkiye sahip dışa aktarma argümanları şunlardır:

    • format: Dışa aktarılan modelin hedef biçimi (ör. onnx, torchscript, saved_model).
    • imgsz: Model girdisi için istenen görüntü boyutu (ör. 640 veya (height, width)).
    • quantize: 8/"int8", 16/"fp16", 32/"fp32" ya da desteklenen biçimlerde karma ağırlık/aktivasyon şemaları olan "w8a16" ve "w8a32" (LiteRT dinamik INT8) gibi niceleme hassasiyeti. Niceleme Seçenekleri bölümüne bak.
    • dynamic: ONNX, OpenVINO ve TensorRT gibi dinamik şekilleri destekleyen biçimlerde değişken girdi boyutlarını kabul eder.
    • nms: Harici NMS için ham çıktıları (None; YOLO26, Axelera üzerinde NMS içermeyen başlığını korur), gömülü NMS'yi (True) veya NMS içermeyen başlığı (False) seçer.
    • device: Dışa aktarma sırasında modeli izlemek için kullanılan cihaz; ilk CUDA GPU için cpu veya 0 gibi. FP16 TorchScript için GPU gerekir.

    Belirli donanım platformlarına dağıtım için NVIDIA GPU'larda TensorRT, Apple cihazlarında CoreML veya Google Coral cihazlarında Edge TPU gibi özel dışa aktarma biçimlerini kullanmayı değerlendirebilirsin.

  • YOLO modelini ONNX veya TensorRT gibi biçimlere dışa aktardığında, çıktı tensörünün yapısı modelin görevine bağlıdır. Özel çıkarım uygulamaları için bu çıktıları anlamak önemlidir.

    YOLO26 detection modelleri (ör. yolo26n.pt), nms=False ile dışa aktarıldığında desteklenen biçimlerde [x1, y1, x2, y2, confidence, class_id] değerleri içeren ve (batch_size, max_detections, 6) biçiminde şekillenen NMS içermeyen çıktılar üretir. Varsayılan max_det=300 ile bu genellikle (batch_size, 300, 6) olur. Uçtan uca operatörleri desteklenmediğinde, bazı kısıtlı biçimler otomatik olarak geleneksel çıktı düzenine geri döner.

    Varsayılan olarak (nms=None), YOLO26 dahil tespit modelleri ham bire çok tahminler dışa aktarır (YOLO26, Axelera üzerinde NMS içermeyen başlığını korur). Çıktı genellikle kanalların kutu koordinatlarını ve sınıf başına skorları temsil ettiği, (batch_size, 4 + num_classes, num_predictions) şeklinde tek bir tensördür; num_predictions ise dışa aktarma giriş çözünürlüğüne bağlıdır (dinamik olabilir). Uçtan Uca Tespit kılavuzu, hangi biçimlerin uçtan uca çıktıyı koruduğunu açıklar.

    Segmentasyon modellerinde (ör. yolo26n-seg.pt) genellikle iki çıktı alırsın: ilki, (batch_size, 4 + num_classes + mask_dim, num_predictions) biçiminde şekillenen tensördür (kutular, sınıf skorları ve maske katsayıları); ikincisi, örnek maskelerini oluşturmak için katsayılarla birlikte kullanılan maske prototiplerini içeren ve (batch_size, mask_dim, proto_h, proto_w) biçiminde şekillenen tensördür. Boyutlar dışa aktarma giriş çözünürlüğüne bağlıdır (dinamik de olabilir).

    Pose modellerinde (ör. yolo26n-pose.pt) çıktı tensörü genellikle (batch_size, 4 + num_classes + keypoint_dims, num_predictions) biçimindedir; keypoint_dims pose tanımına (ör. anahtar nokta sayısına ve güven değerinin dâhil edilip edilmediğine), num_predictions ise dışa aktarma giriş çözünürlüğüne bağlıdır (dinamik de olabilir).

    ONNX çıkarım örnekleri, her model türü için bu çıktıların nasıl işleneceğini gösterir.

  • Ultralytics şu anda YOLO modelleri için özel bir C++ çıkarım API'si sunmuyor. C++ dağıtımları için modeli ONNX, TensorRT, TorchScript veya MNN gibi bir çalışma zamanı biçimine dışa aktar, ardından dışa aktarılan yapıyı ilgili çalışma zamanının yerel C++ API'siyle yükle.

    Örneğin, bir detection modelini yolo export model=yolo26n.pt format=onnx ile dışa aktar ve .onnx dosyasını ONNX Runtime C++ ile çalıştır ya da format=engine ile dışa aktar ve TensorRT motorunu bir TensorRT C++ uygulamasından çalıştır. Özel C++ son işleme kullandığında, görevine ve dışa aktarma ayarlarına uygun çıktı tensörü düzenini kullan; varsayılan YOLO26 detection dışa aktarımları, harici NMS gerektiren ham tahmin tensörleri döndürür. NMS içermeyen, (batch, max_det, 6) biçimindeki detection sonuçları için nms=False ile, desteklenen biçimlere NMS eklemek içinse nms=True ile dışa aktar.

  • quantize=16 (FP16) veya quantize=8 (INT8) ile dışa aktardığında, model boyutunu küçültmek ve performansı artırmak için tensörlerin çoğu daha düşük hassasiyete dönüştürülür. Ancak nms=False etkinleştirildiğinde, sınıf indeksleri dâhil son işleme doğrudan dışa aktarılan grafiğe eklenir.

    output0 tensörü, dahili olarak kayan noktalı değerlerle temsil edilen sınıf indekslerini içerir. FP16, sınırlı mantis hassasiyeti nedeniyle 2048'in üzerindeki tam sayı değerlerini güvenilir biçimde temsil edemez. Olası hassasiyet kaybını veya yanlış sınıf kimliklerini önlemek için output0 bilerek FP32 olarak tutulur.

    Tam FP16 çıktıları gerekiyorsa, bir GPU'da nms=None ile dışa aktar ve son işlemeyi harici olarak gerçekleştir. CPU'da yapılan FP16 ONNX dışa aktarımlarında, yalnızca dahili grafik dönüştürülür; girişler ve çıktılar her durumda FP32 olarak kalır.

Yorumlar447

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. yubaobao-GPUGitHub

    你好,请问为什么我转onnx的时候会显示end2end参数非法 (ywh_26) root@ai-avcon:/data/ywh_folder/yolo/yolo26# python to_onnx.py WARNING ⚠️ Ultralytics settings reset to default values. This may be due to a possible problem with your settings or a recent ultralytics package update. View Ultralytics Settings with 'yolo settings' or at '/root/.config/Ultralytics/settings.json' Update Settings with 'yolo settings key=value', i.e. 'yolo settings runs_dir=path/to/dir'. For help see https://docs.ultralytics.com/quickstart/#ultralytics-settings. Traceback (most recent call last): File "/data/ywh_folder/yolo/yolo26/to_onnx.py", line 12, in model.export( File "/data/ywh_folder/yolo/yolo26/ultralytics/engine/model.py", line 710, in export return Exporter(overrides=args, _callbacks=self.callbacks)(model=self.model) File "/data/ywh_folder/yolo/yolo26/ultralytics/engine/exporter.py", line 312, in init self.args = get_cfg(cfg, overrides) File "/data/ywh_folder/yolo/yolo26/ultralytics/cfg/init.py", line 308, in get_cfg check_dict_alignment(cfg, overrides) File "/data/ywh_folder/yolo/yolo26/ultralytics/cfg/init.py", line 505, in check_dict_alignment raise SyntaxError(string + CLI_HELP_MSG) from e SyntaxError: 'end2end' is not a valid YOLO argument.

    我是用的8.4.6版本的ultralytics

    1
    1. Glenn JocherUltralytics

      ultralytics==8.4.6 还不支持 end2end 这个导出参数(它是给支持 NMS-free 的新模型/新版本用的),所以你这边要么把 model.export() 里的 end2end=... 去掉,要么升级到最新 Ultralytics;另外你的报错路径显示实际导入的是本地仓库 .../yolo26/ultralytics,建议先跑一次 yolo checks 并把文本输出贴上来确认是否存在多套安装/路径冲突(参数列表可参考 Model.export() 参考文档)。

      pip install -U ultralytics
      yolo checks
  2. qcnameGitHub

    您好,使用.pt和导出为.onnx进行yolov8模型的图片中目标检测时,参数设置一致,但是最终检测框数量,位置不完全一致。比如.onnx比.pt多画一个或者检测到.pt检测不出来的类别,请问是什么问题导致的呢?

    1
    1. Paula DerrengerUltralytics

      @nacenace 您好,

      感谢您提出这个问题!在导出模型时遇到检测结果不一致的情况确实令人困惑。以下是一些可能的原因和解决方法:

      1. 版本一致性:请确保您使用的是最新版本的 torch 和 ultralytics。您可以通过以下命令进行升级:

        pip install --upgrade torch ultralytics
      2. 模型导出参数:导出为 ONNX 时,某些参数可能会影响模型的行为。请确保在导出时使用了适当的参数,例如 dynamic、simplify 等。以下是一个导出为 ONNX 的示例:

        from ultralytics import YOLO
        
        # 加载模型
        model = YOLO("path/to/best.pt")
        
        # 导出模型
        model.export(format="onnx", dynamic=True, simplify=True)
      3. 推理设置:在进行推理时,确保使用相同的图像尺寸和其他推理参数。以下是一个推理示例:

        # 使用 .pt 模型进行推理
        results_pt = model.predict(source="path/to/image.jpg", imgsz=640)
        
        # 使用 .onnx 模型进行推理
        model_onnx = YOLO("path/to/model.onnx")
        results_onnx = model_onnx.predict(source="path/to/image.jpg", imgsz=640)
      4. 最小可复现示例:为了更好地帮助您解决问题,请提供一个最小可复现的代码示例。您可以参考我们的最小可复现示例指南来创建一个示例。

      请尝试以上建议,如果问题仍然存在,请提供更多详细信息和代码示例,以便我们进一步调查。

      希望这些信息对您有所帮助!如果有任何其他问题,请随时告知。

      祝好, Ultralytics 团队

    2. Glenn JocherUltralytics

      您好,感谢您的反馈。导出为不同格式(如ONNX)时,检测结果可能会有所不同,通常是由于模型转换过程中精度损失或推理引擎差异导致的。建议您确保使用最新版本的Ultralytics和相关库,并尝试调整导出参数,如dynamic=True或half=True。更多详情请参考导出文档。

  3. Ibraheem-AhmadGitHub

    Hello! Would anyone be able to tell me why this code does not work: model.export(format=='onnx', int8 = True, dyamic = True, imgsz = (width,height))

    the error I get is "TypeError: Model.export() takes 1 positional argument but 2 were given"

    1
    1. Glenn JocherUltralytics

      @Ibraheem-Ahmad hello! It looks like there's a small typo in your code that's causing the issue. In Python, when you're calling a function and passing arguments, you should use = for assignment rather than ==, which is used for comparison. Also, there's a typo in dyamic, it should be dynamic. Here's the corrected line of code:

      model.export(format='onnx', int8=True, dynamic=True, imgsz=(width, height))

      This should work without any errors. If you have any more questions or run into issues, feel free to ask. Happy coding! 😊

    2. Glenn JocherUltralytics

      @Aisha-Hassan1 hey there! 🌟 To pass multiple pictures for processing, you can use a directory, list, or wildcard as your source. For example:

      # For a directory full of images
      model.predict(source='path/to/images/') 
      
      # For specific images
      model.predict(source=['path/to/image1.jpg', 'path/to/image2.jpg'])
      
      # Using a wildcard
      model.predict(source='path/to/images/*.jpg')

      As for how many pictures, there's no strict limit—it depends on your system's capabilities. Just ensure your images comply with the model's input size, which you can adjust with the imgsz parameter if necessary. Happy coding! 😊

      1
    3. Aisha-Hassan1GitHub

      When I don't put batch_size, the result is batch_size=1 .... code => [ Ultralytics YOLOv8.1.29 🚀 Python-3.11.5 torch-2.2.1+cpu CPU (Intel Core(TM) i5-3320M 2.60GHz) YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs

      PyTorch: starting from 'yolov8n.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (6.2 MB)

      ONNX: starting export with onnx 1.15.0 opset 17... ONNX: export success ✅ 2.1s, saved as 'yolov8n.onnx' (12.1 MB)

      Export complete (5.9s) Results saved to C:\Users\shosho Predict: yolo predict task=detect model=yolov8n.onnx imgsz=640 int8 Validate: yolo val task=detect model=yolov8n.onnx imgsz=640 data=coco.yaml int8 Visualize: https://netron.app

      ] .........batch_size = 4 model.export(format='onnx', int8=True, dynamic=True, batch=batch_size) res=>[Ultralytics YOLOv8.1.29 🚀 Python-3.11.5 torch-2.2.1+cpu CPU (Intel Core(TM) i5-3320M 2.60GHz) YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs

      PyTorch: starting from 'yolov8n.pt' with input shape (4, 3, 640, 640) BCHW and output shape(s) (4, 84, 8400) (6.2 MB)

      ONNX: starting export with onnx 1.15.0 opset 17... ONNX: export success ✅ 3.6s, saved as 'yolov8n.onnx' (12.1 MB)

      Export complete (11.2s) Results saved to C:\Users\shosho Predict: yolo predict task=detect model=yolov8n.onnx imgsz=640 int8 Validate: yolo val task=detect model=yolov8n.onnx imgsz=640 data=coco.yaml int8 Visualize: https://netron.app 'yolov8n.onnx'] Is this the number of photos I should enter?

    4. Aisha-Hassan1GitHub

      import cv2 from ultralytics import YOLO

      model = YOLO('yolov8n.pt') model.export(format='onnx', int8=True, dynamic=True) predicted_images = model.predict(source='G:/img') for i, result in enumerate(predicted_images): print(result) image = result.orig_img save_path = f'predicted_image_{i}.jpg'
      cv2.imwrite(save_path, image)
      print(f"Done{save_path}")

      The code works for me and saves the images, but I have two questions

      1- How will i deal with an onnx file with JS and send it an array of images? 2- I want to export yolov5n-seg.pt to onnx to put a mask on the images?

    5. Glenn JocherUltralytics

      @Aisha-Hassan1 hey there! 😊

      1. To deal with an ONNX file in JS and send it an array of images, you can use onnxjs for browser environments or onnxruntime-node for Node.js. Here’s an example using onnxjs:
      async function runModel(inputImages) {
        const session = new onnx.InferenceSession();
        await session.loadModel("path/to/your/model.onnx");
        
        const inputTensors = inputImages.map(image => // convert your images to tensors);
        
        // Assuming you're working with one input named 'input'
        const feeds = { input: inputTensors };
        const results = await session.run(feeds);
        
        return results;
      }
      1. For exporting yolov5n-seg.pt to ONNX with a mask, ensure your model supports segmentation tasks, then follow similar steps to exporting a detection model but make sure the output includes the segmentation masks. Your export code seems fine, but replace yolov8n.pt with yolov5n-seg.pt. Check model compatibility and output processing as per your needs!

      If you need any more guidance, don't hesitate to ask. Have fun coding! ✨

      1
    6. Aisha-Hassan1GitHub

      The yolov5n-seg.pt export part show this error........[ ModuleNotFoundError Traceback (most recent call last) File G:\anaconda3\Lib\site-packages\ultralytics\nn\tasks.py:714, in torch_safe_load(weight) 707 with temporary_modules( 708 { 709 "ultralytics.yolo.utils": "ultralytics.utils", (...) 712 } 713 ): # for legacy 8.0 Classify and Pose models --> 714 ckpt = torch.load(file, map_location="cpu") 716 except ModuleNotFoundError as e: # e.name is missing module name

      File G:\anaconda3\Lib\site-packages\torch\serialization.py:1026, in load(f, map_location, pickle_module, weights_only, mmap, **pickle_load_args) 1025 raise pickle.UnpicklingError(UNSAFE_MESSAGE + str(e)) from None -> 1026 return _load(opened_zipfile, 1027 map_location, 1028 pickle_module, 1029 overall_storage=overall_storage, 1030 **pickle_load_args) 1031 if mmap:

      File G:\anaconda3\Lib\site-packages\torch\serialization.py:1438, in _load(zip_file, map_location, pickle_module, pickle_file, overall_storage, **pickle_load_args) 1437 unpickler.persistent_load = persistent_load -> 1438 result = unpickler.load() 1440 torch._utils._validate_loaded_sparse_tensors()

      File G:\anaconda3\Lib\site-packages\torch\serialization.py:1431, in _load..UnpicklerWrapper.find_class(self, mod_name, name) 1430 mod_name = load_module_mapping.get(mod_name, mod_name) -> 1431 return super().find_class(mod_name, name)

      ModuleNotFoundError: No module named 'models'

      The above exception was the direct cause of the following exception:

      TypeError Traceback (most recent call last) Cell In[2], line 1 ----> 1 model = YOLO('yolov5n-seg.pt')

      File G:\anaconda3\Lib\site-packages\ultralytics\models\yolo\model.py:23, in YOLO.init(self, model, task, verbose) 20 self.dict = new_instance.dict 21 else: 22 # Continue with default YOLO initialization ---> 23 super().init(model=model, task=task, verbose=verbose)

      File G:\anaconda3\Lib\site-packages\ultralytics\engine\model.py:142, in Model.init(self, model, task, verbose) 140 self._new(model, task=task, verbose=verbose) 141 else: --> 142 self._load(model, task=task) 144 self.model_name = model

      File G:\anaconda3\Lib\site-packages\ultralytics\engine\model.py:229, in Model._load(self, weights, task) 227 suffix = Path(weights).suffix 228 if suffix == ".pt": --> 229 self.model, self.ckpt = attempt_load_one_weight(weights) 230 self.task = self.model.args["task"] 231 self.overrides = self.model.args = self._reset_ckpt_args(self.model.args)

      File G:\anaconda3\Lib\site-packages\ultralytics\nn\tasks.py:788, in attempt_load_one_weight(weight, device, inplace, fuse) 786 def attempt_load_one_weight(weight, device=None, inplace=True, fuse=False): 787 """Loads a single model weights.""" --> 788 ckpt, weight = torch_safe_load(weight) # load ckpt 789 args = {**DEFAULT_CFG_DICT, **(ckpt.get("train_args", {}))} # combine model and default args, preferring model args 790 model = (ckpt.get("ema") or ckpt["model"]).to(device).float() # FP32 model

      File G:\anaconda3\Lib\site-packages\ultralytics\nn\tasks.py:718, in torch_safe_load(weight) 716 except ModuleNotFoundError as e: # e.name is missing module name 717 if e.name == "models": --> 718 raise TypeError( 719 emojis( 720 f"ERROR ❌️ {weight} appears to be an Ultralytics YOLOv5 model originally trained " 721 f"with https://github.com/ultralytics/yolov5.\nThis model is NOT forwards compatible with " 722 f"YOLOv8 at https://github.com/ultralytics/ultralytics." 723 f"\nRecommend fixes are to train a new model using the latest 'ultralytics' package or to " 724 f"run a command with an official YOLOv8 model, i.e. 'yolo predict model=yolov8n.pt'" 725 ) 726 ) from e 727 LOGGER.warning( 728 f"WARNING ⚠️ {weight} appears to require '{e.name}', which is not in ultralytics requirements." 729 f"\nAutoInstall will run now for '{e.name}' but this feature will be removed in the future." 730 f"\nRecommend fixes are to train a new model using the latest 'ultralytics' package or to " 731 f"run a command with an official YOLOv8 model, i.e. 'yolo predict model=yolov8n.pt'" 732 ) 733 check_requirements(e.name) # install missing module

      TypeError: ERROR yolov5n-seg.pt appears to be an Ultralytics YOLOv5 model originally trained with https://github.com/ultralytics/yolov5. This model is NOT forwards compatible with YOLOv8 at https://github.com/ultralytics/ultralytics. Recommend fixes are to train a new model using the latest 'ultralytics' package or to run a command with an official YOLOv8 model, i.e. 'yolo predict model=yolov8n.pt'

      ] part of the code in JS ...[

      ] show erro .........Access to fetch at 'file:///G:/pg_betch/yolov8n.onnx' from origin 'null' has been blocked by CORS policy: Cross origin requests are only supported for protocol schemes: http, data, isolated-app, chrome-extension, chrome, https, chrome-untrusted. session.ts:61 GET file:///G:/pg_betch/yolov8n.onnx net::ERR_FAILED

      (anonymous) @ session.ts:61 (anonymous) @ onnx.min.js:14 (anonymous) @ onnx.min.js:14 a @ onnx.min.js:14 Promise.then (async) s @ onnx.min.js:14 (anonymous) @ onnx.min.js:14 r @ onnx.min.js:14 (anonymous) @ session.ts:48 t.event @ instrument.ts:294 (anonymous) @ session.ts:48 (anonymous) @ onnx.min.js:14 (anonymous) @ onnx.min.js:14 (anonymous) @ onnx.min.js:14 r @ onnx.min.js:14 e.loadModel @ onnx.min.js:14 t.loadModel @ inference-session-impl.ts:27 runModel @ index.html:11 (anonymous) @ index.html:27 session.ts:61

         Uncaught (in promise) TypeError: Failed to fetch
      at e.<anonymous> (session.ts:61:34)
      at onnx.min.js:14:255680
      at Object.next (onnx.min.js:14:255785)
      at a (onnx.min.js:14:254499)

      (anonymous) @ session.ts:61 (anonymous) @ onnx.min.js:14 (anonymous) @ onnx.min.js:14 a @ onnx.min.js:14 Promise.then (async) (anonymous) @ index.html:27

    7. Glenn JocherUltralytics

      Hey there! It looks like you're encountering two different issues here:

      1. Using an ONNX model with JavaScript: For running ONNX models in a browser with JavaScript, you're on the right track with onnx.js. However, loading local files directly can lead to CORS policy violations, as seen in your error. To fix this, serve your ONNX model from a server or use a cloud storage URL with proper CORS settings. Ensure your server or cloud storage is configured to allow such requests.

      2. Exporting YOLOv5n-seg.pt to ONNX: The error suggests that the file yolov5n-seg.pt might be confused as a YOLOv5 model and you're trying to load it using YOLOv8, which leads to compatibility issues. If yolov5n-seg.pt is indeed a YOLOv5 model, ensure you're using the correct toolchain for export. For segmentation models with YOLOv8 (assuming yolov8n-seg.pt exists and it's what you meant), the export command you've used seems correct. Make sure you're within the Ultralytics ecosystem for YOLOv8 and its segmentation models, and check if there's a typo in the filename or a version mismatch. Correct model paths and compatible Ultralytics YOLO versions are crucial.

      For working with segmentation models and applying masks to images post-export, you'll typically handle the output tensors from the ONNX model to extract segmentation masks and overlay them on the original images. This step will heavily depend on the output structure of your specific model.

      Hope that helps! Keep experimenting, and feel free to reach out if you hit more snags. 😊

      1
    8. Aisha-Hassan1GitHub

      Can you help me how to handle the output tensors from the ONNX model to extract segmentation masks and overlay them on the original images ?

    9. Glenn JocherUltralytics

      Hey there! 🙌 To handle output tensors from an ONNX model for segmentation tasks, you'll typically:

      1. Run the Model: First, feed your input image to the ONNX model using your preferred ONNX runtime environment. This step returns the output tensors.

      2. Process Output Tensors: For segmentation models, the output tensor usually represents either a pixel-wise class prediction or a set of masks for each detected object. You'll need to decode these tensors to get the segmentation masks. The exact processing will depend on your model's output format.

      3. Overlay Masks on Original Images: Once you have the segmentation masks, you can overlay them on your original images. Here's a quick example in Python, assuming you have a mask:

      import cv2
      import numpy as np
      
      # Assuming 'image' is your original image and 'mask' is the segmentation mask
      # Ensure the mask is a binary mask (0 or 1) where 1 represents the segmented object
      overlay = cv2.addWeighted(image, 1, np.dstack((mask, mask, mask)) * 255, 0.5, 0)
      cv2.imwrite('segmented_image.jpg', overlay)

      For exporting yolov5n-seg.pt or similar models to ONNX, you seem to have encountered an incompatibility issue indicating that you might be trying to load a YOLOv5 model with a YOLOv8 setup. Ensure you're using the proper version and tools for your specific YOLO model. YOLOv8 now has its dedicated ecosystem and might not directly support models trained with previous versions without conversion or specific handling.

      If YOLOv5 segmentation is what you need and you're dealing with yolov5n-seg.pt, consider checking the YOLOv5 documentation for the precise export guidance. For segmentation tasks, you might need to adjust your approach tailored to the model's specific output layer design.

      Hope this helps! Let me know if there's anything else I can do for you. 😊

    10. Aisha-Hassan1GitHub

      Thank you very much for your help 1-Using an ONNX model with JavaScript:

      Document
      <script>
          const labels = [
          "person",
          "bicycle",
          "car",
          "motorcycle",
          "airplane",
          "bus",
          "train",
          "truck",
          "boat",
          "traffic light",
          "fire hydrant",
          "stop sign",
          "parking meter",
          "bench",
          "bird",
          "cat",
          "dog",
          "horse",
          "sheep",
          "cow",
          "elephant",
          "bear",
          "zebra",
          "giraffe",
          "backpack",
          "umbrella",
          "handbag",
          "tie",
          "suitcase",
          "frisbee",
          "skis",
          "snowboard",
          "sports ball",
          "kite",
          "baseball bat",
          "baseball glove",
          "skateboard",
          "surfboard",
          "tennis racket",
          "bottle",
          "wine glass",
          "cup",
          "fork",
          "knife",
          "spoon",
          "bowl",
          "banana",
          "apple",
          "sandwich",
          "orange",
          "broccoli",
          "carrot",
          "hot dog",
          "pizza",
          "donut",
          "cake",
          "chair",
          "couch",
          "potted plant",
          "bed",
          "dining table",
          "toilet",
          "tv",
          "laptop",
          "mouse",
          "remote",
          "keyboard",
          "cell phone",
          "microwave",
          "oven",
          "toaster",
          "sink",
          "refrigerator",
          "book",
          "clock",
          "vase",
          "scissors",
          "teddy bear",
          "hair drier",
          "toothbrush",
          ];
          const modelName = "yolov8n-seg.onnx";
          const modelInputShape = [4, 3, 640, 640];
          let mySession;
          const useState = (defaultValue) => {
              let value = defaultValue;
              const getValue = () => value;
              const setValue = (newValue) => (value = newValue);
              return [getValue, setValue];
            };
            const numClass = labels.length;
            const [session, setSession] = useState(null);
         
            cv["onRuntimeInitialized"] = async () => {
              // create session
              const [yolov8] = await Promise.all([
                  ort.InferenceSession.create(modelName),
              ]);
      
              mySession = setSession({ net: yolov8 });
      
              const inputImages = [
                  "img/bb.jpg",
                  "img/iam.jpg"
                  
              ];
      
             const inputTensors = await Promise.all(inputImages.map(async (imageUrl) => {
                  const response = await fetch(imageUrl);
                  if (!response.ok) {
                      throw new Error(`Failed to fetch image: ${imageUrl}`);
                  }
                  const blob = await response.blob();
                  const image = await cv.imreadAsync(blob); 
                  const tensor = cv.tensorFromImageData(image);
                  image.delete();
                  return tensor;
              }));
      
              // Assuming you're working with one input named 'input'
              const feeds = { input: inputTensors };
              const results = await yolov8.run(feeds);
              console.log(results);
      
              // Assuming you need to handle the results here
              // Handle results...
      
              
             
      
              
          };
          </script>

      problem of code In partial convert your images to tensors

      Do you have a solution to the problem?

    11. Glenn JocherUltralytics

      @Aisha-Hassan1 hey there! Thanks for reaching out 🌟. It looks like you're having a bit of trouble converting images to tensors in your JavaScript code while working with an ONNX model.

      For the conversion part, using OpenCV.js to convert images to tensors might not directly align with the expected input format for ONNX models. Instead, you'll typically need to preprocess the images into a format that matches the expected input tensor of your ONNX model, including resizing images and normalizing pixel values if required.

      A simplified approach (without OpenCV.js) could involve using standard JavaScript or browser APIs to load and preprocess your images before converting them into tensors. Unfortunately, detailed code for image preprocessing highly depends on the specific requirements of your ONNX model, such as input dimensions and pixel-value scaling.

      Regarding overlaying segmentation masks (like from yolov5n-seg.pt exported as ONNX) onto images using JavaScript:

      1. Once you have your segmentation output from the model, it'll typically be a tensor where each value corresponds to a class prediction per pixel or a probability distribution across classes for each pixel.
      2. Convert this segmentation mask tensor back into an image format, applying any necessary thresholding to identify your classes of interest.
      3. Overlay this processed mask onto your original image. You can achieve this by manipulating the DOM directly in JavaScript or using canvas operations to blend images.

      Both the conversion and overlay steps are somewhat intricate and depend heavily on the details of your model's output format as well as the web environment you're working in (pure JavaScript in the browser, Node.js, etc.).

      For precise assistance, we might need more details on the output format of your segmentation model and the specific environment you're working in. Meanwhile, the Ultralytics Docs and YOLOv8's export mode provide a great starting point for deploying models efficiently across various platforms 🚀.

      Hope this helps a bit! Keep exploring and don't hesitate to share more details or ask further questions. Happy coding!

    12. Aisha-Hassan1GitHub

      I would like answers to two other questions, please

      1- If I want to enter an array of images in js to use batch, should I export onnx this way ? model.export(format='onnx', int8=True, dynamic=True) or Do I have to limit the number of photos like this? model.export(format='onnx', int8=True, dynamic=True, batch =number of images)

      2- I want to run onnx in the GPU, what should I do?

    13. Glenn JocherUltralytics

      Hey there! 😀 Glad you're exploring YOLOv8's capabilities. Let's dive into your questions:

      1. Array of Images for Batch Inference in JS:

        • Utilizing dynamic=True during export is the way to go if you plan on varying the batch size dynamically. There's no need to specify the batch size at export time for ONNX models, as dynamic=True enables the model to handle variable batch sizes. So, your first export command is spot on:
          model.export(format='onnx', int8=True, dynamic=True)
        • This setup allows you to feed different batch sizes at runtime without having to re-export the model for each specific batch size.
      2. Running ONNX on GPU:

        • To run ONNX models on the GPU, ensure you have an ONNX runtime that supports GPU inference, such as ONNX Runtime-GPU. When initializing your inference session in your code, specify the GPU device. Here's a quick example if you're using Python:
          import onnxruntime as ort
          
          # Specify the GPU device
          ort_session = ort.InferenceSession("your_model.onnx", providers=['CUDAExecutionProvider'])
          
          # Now you can run inference with ort_session and it should use the GPU
        • For JavaScript, the availability of GPU inference might be limited and typically runs on the CPU. ONNX.js primarily supports WebGL for some level of GPU acceleration in the browser, but true GPU computing might not be feasible directly in JS as it depends on the browser's capabilities and the onnxruntime-web package's support.

      I hope this clears up your questions! Keep experimenting with YOLOv8, and don't hesitate to reach out if you have more questions. Happy coding! 🚀

    14. Aisha-Hassan1GitHub

      thank you so much code

      ![](img/bb.jpg) ![](img/iam.jpg)
      <script>
          var inputTensors=[];
          const modelInputShape = [1, 3, 640, 640];
          const divStride = (stride, width, height) => {
              if (width % stride !== 0) {
                if (width % stride >= stride / 2)
                  width = (Math.floor(width / stride) + 1) * stride;
                else width = Math.floor(width / stride) * stride;
              }
              if (height % stride !== 0) {
                if (height % stride >= stride / 2)
                  height = (Math.floor(height / stride) + 1) * stride;
                else height = Math.floor(height / stride) * stride;
              }
              return [width, height];
            };
          const preprocessing = (source, modelWidth, modelHeight, stride = 32) => {
              //const mat = cv.imread(source); // read from img tag
              const mat = cv.imread(document.getElementById(source));
              const matC3 = new cv.Mat(mat.rows, mat.cols, cv.CV_8UC3); // new image matrix
              cv.cvtColor(mat, matC3, cv.COLOR_RGBA2BGR); // RGBA to BGR
          
              const [w, h] = divStride(stride, matC3.cols, matC3.rows);
              cv.resize(matC3, matC3, new cv.Size(w, h));
          
              // padding image to [n x n] dim
              const maxSize = Math.max(matC3.rows, matC3.cols); // get max size from width and height
              const xPad = maxSize - matC3.cols, // set xPadding
                xRatio = maxSize / matC3.cols; // set xRatio
              const yPad = maxSize - matC3.rows, // set yPadding
                yRatio = maxSize / matC3.rows; // set yRatio
              const matPad = new cv.Mat(); // new mat for padded image
              cv.copyMakeBorder(
                matC3,
                matPad,
                0,
                yPad,
                0,
                xPad,
                cv.BORDER_CONSTANT,
                [0, 0, 0, 255]
              ); // padding black
          
              const input = cv.blobFromImage(
                matPad,
                1 / 255.0, // normalize
                new cv.Size(modelWidth, modelHeight), // resize to model input size
                new cv.Scalar(0, 0, 0),
                true, // swapRB
                false // crop
              ); // preprocessing image matrix
          
              // release mat opencv
              mat.delete();
              matC3.delete();
              matPad.delete();
              
          
              return [input, xRatio, yRatio];
            };
          const inputImages = [
          "image1",
          "image2"
          ];
          async function runModel(inputImages) {
              const [yolov8] = await Promise.all([
                  ort.InferenceSession.create("yolov8n-seg.onnx")
              ]);
              const [modelWidth, modelHeight] = modelInputShape.slice(2);
              for(let i=0 ; i<inputImages.length; i++){
                  const [input, xRatio, yRatio] = preprocessing(
                  inputImages[i],
                  modelWidth,
                  modelHeight
                  );
                  const tensor = new ort.Tensor("float32", input.data32F, modelInputShape);
                  inputTensors[i]=tensor;
                  console.log(inputTensors)
              }
              const { output0, output1 } = await yolov8.run({images:inputTensors});
              console.log(output0);
          };
          runModel(inputImages)
          </script>

      In the runModel function, I send it an array of images, and it makes an error in part

      const { output0, output1 } = await yolov8.run({images:inputTensors})

      Because inputTensors is an array

      This is the form of error Uncaught (in promise) TypeError: Cannot read properties of undefined (reading 'byteLength') at t.run (wasm-core-impl.ts:219:31) at t.run (proxy-wrapper.ts:215:17) at t.OnnxruntimeWebAssemblySessionHandler.run (session-handler.ts:84:15) at i.run (inference-session-impl.js:94:44) at runModel (main.html:94:55) t.run@wasm-core-impl.ts:219 t.run@proxy-wrapper.ts:215 run@session-handler.ts:84 run@inference-session-impl.js:94 runModel@main.html:94 await in runModel (async) (anonymous)@main.html:97

      What is the solution to enter an array of images into the model?

    15. Glenn JocherUltralytics

      Hey there! Thanks for bringing this to our attention 🌟. When using an array of objects for inference with YOLOv8 in JavaScript, you'd typically batch the input images before sending them to the model. If you find that only the first object in your array is being processed, it might be related to how you're structuring the input data for the ONNX model.

      For batch processing, ensure all your images are preprocessed (resized and normalized) correctly and then stacked into a single tensor that matches the ONNX model's expected input shape. The shape for a batch of images usually follows the format [batch_size, channels, height, width]. It sounds like you might need to adjust how you're constructing inputTensors to fit this expectation.

      Regarding running ONNX on a GPU, note that ONNX.js primarily targets web environments where direct access to the GPU through Web APIs (e.g., WebGL) might not fully leverage all GPU capabilities like a desktop environment would. If you're using ONNX in a server-side JavaScript environment (like with Node.js and onnxruntime-node), specifying the GPU for inference would depend on the capabilities of your specific backend setup and the ONNX runtime you're using. Onnxruntime-web currently doesn't offer direct control over executing models on GPU vs. CPU—it automatically utilizes available hardware acceleration like WebGL.

      Here's a simplified structure for how you might handle batching:

      async function runBatchModel(session, inputTensors) {
          // Ensure inputTensors is a batched tensor of the right shape
          const results = await session.run({input: inputTensors});
          // Process results...
      }

      Remember to adjust the runBatchModel function based on how your specific model expects inputs. Happy coding and don't hesitate to reach out if you have more questions! 😊

    16. Glenn JocherUltralytics

      @Aisha-Hassan1 hey there! 🌟 The inputTensors is expected to be an array of ort.Tensor objects where each tensor represents an image that has been correctly processed (resized, normalized) to match the input shape that your model expects.

      For instance, if you're preprocessing images for batch inference, each ort.Tensor would hold image data shaped according to the model's input specifications, typically [batch_size, channels, height, width]. If your model expects a single image of shape [1, 3, 640, 640], preprocess each image accordingly, and then stack them into an array.

      Here's a quick example on how you might prepare a single image:

      const imageTensor = new ort.Tensor("float32", processedImageData, [1, 3, height, width]);

      And when you have multiple images prepared as tensors (imageTensor1, imageTensor2, ...), you can put them in an array:

      const inputTensors = [imageTensor1, imageTensor2];

      Make sure each tensor in inputTensors follows the model's expected input shape. Keep up the great work with ONNX models, and happy coding! 😄

    17. Aisha-Hassan1GitHub

      erro ... wasm-core-impl.ts:219 Uncaught (in promise) TypeError: Cannot read properties of undefined (reading 'byteLength') at t.run (wasm-core-impl.ts:219:31) at t.run (proxy-wrapper.ts:215:17) at t.OnnxruntimeWebAssemblySessionHandler.run (session-handler.ts:84:15) at i.run (inference-session-impl.js:94:44) at runModel (main.html:96:55) ........

      when inputTensors => array const inputTensors = [imageTensor1, imageTensor2];

    18. Aisha-Hassan1GitHub

      [batch_size, channels, height, width]. If your model expects not a single image of shape ???

    19. Glenn JocherUltralytics

      Hey there! 👋 When converting a YOLOv8 model for batch processing, you generally don't need to specify the batch size during export, especially with dynamic batching enabled. 🔄 Your export command:

      model.export(format='onnx', int8=True, dynamic=True)

      is perfectly fine for creating an ONNX model that can handle arrays of images. Just ensure your data is prepped correctly when making actual predictions! 📊

      For GPU acceleration with ONNX, leveraging frameworks like ONNX Runtime with CUDA support would be the way to go! 🔥 Make sure your environment is set up for GPU use, and you're specifying the execution provider accordingly.

      Feel free to check out more on dynamic batching and ONNX export on the Ultralytics docs page! Hope this helps, and happy coding! 🚀

    20. Aisha-Hassan1GitHub

      code

      const inputs = { images: [inputTensors[0], inputTensors[1]] };

      const { output0, output1 } = await yolov8.run(inputs);

      erro

      Uncaught (in promise) TypeError: Cannot read properties of undefined (reading 'byteLength') at t.run (wasm-core-impl.ts:219:31) at t.run (proxy-wrapper.ts:215:17) at t.OnnxruntimeWebAssemblySessionHandler.run (session-handler.ts:84:15) at i.run (inference-session-impl.js:94:44) at runModel (main.html:107:53)

    21. Glenn JocherUltralytics

      Hey there! 👋 It looks like there might be a slight mix-up in how you're constructing the input to your model run. When dealing with arrays of tensors in ONNX.js, you should pass a single tensor that concatenates your image tensors along the batch dimension if the model is set up for batch processing.

      For your issue with inputTensors causing an error about byteLength, it's likely because the model expects one tensor that combines all input images. Instead of:

      const inputs = {
          images: [inputTensors[0], inputTensors[1]]
      };

      You should concatenate your inputTensors into one tensor if your model expects a batch input. Unfortunately, directly passing an array like this might not work as expected with ONNX.js since it seems to expect the input as a single tensor representing the batch. The error you're encountering (TypeError: Cannot read properties of undefined (reading 'byteLength')) usually occurs when the input format to the session.run method is not as expected.

      This could look different based on how your model is trained and how ort.Tensor handles batches. Ensure your model is trained with dynamic batch size if you want to process multiple images in a single forward pass. If you're not sure how to concatenate tensors in JavaScript (as direct tensor concatenation might not be as straightforward as in Python), you might have to loop over your images and process them one at a time, or look into adjusting your model to accept variable batch sizes more gracefully.

      Given your current setup, if your model does not explicitly support batched inputs, you might need to process each image individually:

      for(const tensor of inputTensors) {
          const inputs = { images: tensor };
          const outputs = await yolov8.run(inputs);
          // Process the outputs for each image here
      }

      Remember, different models expect the input in specific formats, including batch size. Ensure your preprocessing aligns with these expectations! 🚀

  4. SugarSolGitHub

    请问一下,YOLO26 在导出 onnx 时,imgsz参数取(384, 672)和(640, 640) 推理结果差异很大,是什么原因导致的呢?

    1. Glenn JocherUltralytics

      这是正常现象,imgsz 会直接改变导出时的输入分辨率和输出候选框数量,而 (384, 672) 与 (640, 640) 还会带来不同的缩放/补边比例;如果你的 ONNX 部署前处理没有与导出尺寸严格一致,尤其是 letterbox、归一化和 NMS,结果就会明显不同。建议尽量让训练、验证、导出和推理使用同一 imgsz,或导出时启用 dynamic=True 并保持完全一致的前后处理,更多说明可参考 导出文档 和 ONNX 集成说明;如果方便,也欢迎直接在这里补一个最小可复现示例,我们再一起看。

    2. SugarSolGitHub

      我使用的是官方提供的coco预训练权重直接导出onnx的,导出和预测都是使用的官方提供的代码,并未做任何修改,不同之处只有导出时的尺寸不同。奇怪的是,这种现象在YOLOv8中并未发现。

    3. Glenn JocherUltralytics(düzenlendi)

      这更像是 YOLO26 的导出特性而不是 ONNX 本身的问题:YOLO26 的检测头是原生端到端(NMS-free)的,而 YOLOv8 是传统 NMS 流程,所以更换 imgsz 时两者的一致性表现不一定相同;建议先在相同 imgsz 下对比 .pt 与 .onnx 的结果。end2end 参数现已弃用并映射为 nms:默认(不设置 nms)导出与 YOLOv8 类似的原始预测,nms=False 导出 NMS-free 输出,nms=True 在支持的格式中内置 NMS,详见 导出文档 和 End-to-End 检测指南;如果方便,请贴出完整的导出/推理命令和 yolo checks 输出,我们再继续定位。

    4. SugarSolGitHub

      YOLO26导出的onnx在相同形状下end2end与非end2end的推理输出是一致的。而.pt与.onnx的结果只有在导出为(640,640)的情况下一致,在此形状下的输出也与YOLOv8是一致的。下面是我的导出和预测脚本: from ultralytics import YOLO model = YOLO("./yolo26n.pt") path = model.export(format="onnx", imgsz=(384, 672), end2end=False) model = YOLO("./yolo26n.onnx") results = model("../../coco128/train2017/000000000049.jpg") results[0].save() 下面是不同形状的推理结果: (384,672): image 1/1 /home/easyits/ai/wpf/Employee/100/ultralytics/tools/../../coco128/train2017/000000000049.jpg: 384x672 1 person, 2 horses, 1 potted plant, 136.5ms Speed: 18.2ms preprocess, 136.5ms inference, 47.0ms postprocess per image at shape (1, 3, 384, 672) (640,640): image 1/1 /home/easyits/ai/wpf/Employee/100/ultralytics/tools/../../coco128/train2017/000000000049.jpg: 640x640 4 persons, 2 horses, 103.7ms Speed: 7.5ms preprocess, 103.7ms inference, 16.5ms postprocess per image at shape (1, 3, 640, 640)

    5. Glenn JocherUltralytics

      你这个脚本里最需要先排除的是“对比条件不一致”:.pt 推理如果没显式传 imgsz=(384, 672),通常还是按默认 640 跑,而导出的 .onnx 输入已经固定成 (384, 672),所以这不算同尺度对比;建议先让 .pt 和 .onnx 在完全相同的 imgsz 下分别执行 predict 或直接 val,导出模型本身也支持直接验证,可参考 检测任务中的导出说明;如果这样仍只有 YOLO26 在非 640 下不一致,请把两边的完整日志和 yolo checks 输出贴上来,我们继续查。

    6. SugarSolGitHub

      抱歉,表达不是很清楚,我想表达的是导出和预测使用的是这样的命令,我在不同imgsz和end2end的组合下都对同一张图片进行了预测,确实是只有YOLO26在非640形状下与640形状下的结果不一致,只与imgsz有关,与是否为end2end无关。

    7. Glenn JocherUltralytics

      感谢补充,这里基本可以定位到“矩形 ONNX 导出”的当前限制了:从当前 Exporter 实现参考 看,非 PyTorch 后端对非方形 imgsz 不保证与 .pt 完全一致,导出完成时也会提示非方形 imgsz 的 non-PyTorch val 不可用,所以你看到 (384, 672) 与 640,640 结果分叉、且与 end2end 无关,是符合现状的;如果目标是尽量和 .pt 对齐,建议优先用方形尺寸导出,例如 imgsz=640 或 672,如果你希望我们继续跟进矩形输入场景,也请新开一个 issue 并附上完整日志和 yolo checks 输出。

    8. SugarSolGitHub

      感谢您的回复,我提了issue#24428,并附上了完整日志和yolo checks输出。

    9. Glenn JocherUltralytics

      感谢,已收到;这个问题我们就集中在 #24428 里继续跟进,后续如能补充同一张图在 .pt/.onnx 下显式指定相同 imgsz 的 model.predict() 或 model.val() 对比结果,会更有助于确认是否是矩形导出的边界情况。

  5. nwpu-caikunGitHub

    I trained an image classification model. How can I perform incremental learning to add new class? Are there any methods other than retraining the model? big thanks

    908637049 @.***

    1. Glenn JocherUltralytics

      Adding a new class changes the classifier head, so there isn’t a “no-training” way to truly add classes incrementally in Ultralytics YOLO classification; the recommended approach is to fine-tune from your existing checkpoint on a dataset that includes both the original classes and the new class to avoid catastrophic forgetting (see the Classification docs). Please remove the phone/email and keep details here in the discussion (public) so the team can help.

      from ultralytics import YOLO
      
      model = YOLO("path/to/best.pt")  # your previous classifier
      model.train(data="path/to/cls_dataset")  # dataset now includes the new class
  6. nwpu-caikunGitHub

    we use a customed dataset to train a image classify model,when calculate the result conf,we meet a problem。 in the last layer, we manualy calculate the conf by logits output, and then ,softmax to generate the conf ,but the conf number is very low。 however,we try to print the rusult.prob, (results = model(image_path, verbose=False),results_probs_obj = results[0].probs ) we found the result.probs is not equal to manualy conf we calculate. the result.probs is much higher than manualy conf. result.probs is 99.998%, and manualy conf is only 6.1982%. what the difference between them? how the model calculate the conf, and get the 99.998% conf?

    1. Glenn JocherUltralytics

      results[0].probs is already the final per-class probability vector (Softmax has been applied in the classification head during inference), so if you “manual softmax” a tensor that’s already probabilities you’ll get very different (often much smaller) numbers like your ~6%; if you want to reproduce Ultralytics’ confidence from logits, make sure you’re using the raw logits output (the classification head returns (probs, logits) in inference) and compute torch.softmax(logits, dim=1) once—see the Results/Probs API reference and the Classify head forward behavior.

    2. nwpu-caikunGitHub

      how do I get the raw logits output after model(image), has any methods? when I get the raw logits output ,I can manual calculate the probs? thanks!

    3. Glenn JocherUltralytics

      model(image_path) goes through ClassificationPredictor.postprocess(), which intentionally keeps only the first element (preds[0]) when the model returns a tuple, so the raw logits aren’t exposed in Results; to get logits you need to run a PyTorch forward pass on the preprocessed tensor. (docs.ultralytics.com)

      import cv2
      import torch
      from ultralytics import YOLO
      
      model = YOLO("path/to/best.pt")  # classification .pt
      _ = model("path/to/image.jpg", verbose=False)  # init predictor/transforms once
      
      img0 = cv2.imread("path/to/image.jpg")  # BGR
      im = model.predictor.preprocess([img0])
      
      with torch.no_grad():
          probs, logits = model.model(im)  # head returns (probs, logits) in inference
          probs_manual = torch.softmax(logits, dim=1)

      Note this tuple output is only available for PyTorch models; in export mode the head returns probabilities only. (docs.ultralytics.com)

  7. sidsheteGitHub

    I have trained model for instance segmentation and I ma trying to export to run on DPU. Here is the code mentioned below

    from ultralytics import YOLO

    best_weights_path = "../weights/yolo11_s/yolo11_s.pt" data_yaml = "../yolo_seg/dataset.yaml"

    model = YOLO(best_weights_path)

    Export for DPU (INT8)

    model.export( format="onnx", data=data_yaml,
    int8=True,
    simplify=True, nms=False
    )

    I get the following error.

    UnpicklingError Traceback (most recent call last) Cell In[18], line 6 3 best_weights_path = "../weights/yolo11_s/yolo11_s.pt" 4 calib_data_yaml = "../dataset.yaml" ----> 6 model = YOLO(best_weights_path) 8 # Export for DPU (INT8) 9 model.export( 10 format="onnx", 11 data=calib_data_yaml, # calibration dataset required for INT8 (...) 14 nms=False # often applied post-inference 15 )

    File ~/testing_env/lib/python3.10/site-packages/ultralytics/models/yolo/model.py:23, in YOLO.init(self, model, task, verbose) 20 self.dict = new_instance.dict 21 else: 22 # Continue with default YOLO initialization ---> 23 super().init(model=model, task=task, verbose=verbose)

    File ~/testing_env/lib/python3.10/site-packages/ultralytics/engine/model.py:151, in Model.init(self, model, task, verbose) 149 self._new(model, task=task, verbose=verbose) 150 else: --> 151 self._load(model, task=task)

    File ~/testing_env/lib/python3.10/site-packages/ultralytics/engine/model.py:240, in Model._load(self, weights, task) 237 weights = checks.check_model_file_from_stem(weights) # add suffix, i.e. yolov8n -> yolov8n.pt 239 if Path(weights).suffix == ".pt": --> 240 self.model, self.ckpt = attempt_load_one_weight(weights) 241 self.task = self.model.args["task"] 242 self.overrides = self.model.args = self._reset_ckpt_args(self.model.args)

    File ~/testing_env/lib/python3.10/site-packages/ultralytics/nn/tasks.py:806, in attempt_load_one_weight(weight, device, inplace, fuse) 804 def attempt_load_one_weight(weight, device=None, inplace=True, fuse=False): 805 """Loads a single model weights.""" --> 806 ckpt, weight = torch_safe_load(weight) # load ckpt 807 args = {**DEFAULT_CFG_DICT, **(ckpt.get("train_args", {}))} # combine model and default args, preferring model args 808 model = (ckpt.get("ema") or ckpt["model"]).to(device).float() # FP32 model

    File ~/testing_env/lib/python3.10/site-packages/ultralytics/nn/tasks.py:732, in torch_safe_load(weight) 724 try: 725 with temporary_modules( 726 { 727 "ultralytics.yolo.utils": "ultralytics.utils", (...) 730 } 731 ): # for legacy 8.0 Classify and Pose models --> 732 ckpt = torch.load(file, map_location="cpu") 734 except ModuleNotFoundError as e: # e.name is missing module name 735 if e.name == "models":

    File ~/testing_env/lib/python3.10/site-packages/torch/serialization.py:1524, in load(f, map_location, pickle_module, weights_only, mmap, **pickle_load_args) 1516 return _load( 1517 opened_zipfile, 1518 map_location, (...) 1521 **pickle_load_args, 1522 ) 1523 except pickle.UnpicklingError as e: -> 1524 raise pickle.UnpicklingError(_get_wo_message(str(e))) from None 1525 return _load( 1526 opened_zipfile, 1527 map_location, (...) 1530 **pickle_load_args, 1531 ) 1532 if mmap:

    UnpicklingError: Weights only load failed. This file can still be loaded, to do so you have two options, do those steps only if you trust the source of the checkpoint. (1) In PyTorch 2.6, we changed the default value of the weights_only argument in torch.load from False to True. Re-running torch.load with weights_only set to False will likely succeed, but it can result in arbitrary code execution. Do it only if you got the file from a trusted source. (2) Alternatively, to load with weights_only=True please check the recommended steps in the following error message. WeightsUnpickler error: Unsupported global: GLOBAL ultralytics.nn.modules.block.C3k2 was not an allowed global by default. Please use torch.serialization.add_safe_globals([ultralytics.nn.modules.block.C3k2]) or the torch.serialization.safe_globals([ultralytics.nn.modules.block.C3k2]) context manager to allowlist this global if you trust this class/function.

    1. Glenn JocherUltralytics(düzenlendi)

      That error is coming from PyTorch 2.6's new default torch.load(weights_only=True), which blocks custom Ultralytics layers like ultralytics.nn.modules.block.C3k2. First upgrade with pip install -U ultralytics; if you still hit it and trust the checkpoint, either pin PyTorch <2.6 or allowlist C3k2 before calling YOLO():

      import torch
      from ultralytics import YOLO
      from ultralytics.nn.modules.block import C3k2
      
      torch.serialization.add_safe_globals([C3k2])  # only if you trust the .pt source
      model = YOLO("../weights/yolo11_s/yolo11_s.pt")

      Also note that INT8 ONNX export is supported in current Ultralytics: use quantize=8 (the older int8=True is mapped to it) together with data pointing to your calibration dataset. If your DPU toolchain needs its own quantizer, you can instead export FP32 ONNX and quantize with your vendor toolchain; see the supported export args in the Export mode docs and ONNX export guide.

      If you paste !yolo checks (and restart the notebook kernel if you recently upgraded PyTorch/Ultralytics), I can confirm the exact version combo that's triggering this on your side.

  8. GeThi255GitHub

    Hi, export to "tflite" and other is not working with python 3.13, 3.10. or 3.08 due to incompatibility of e.g. tensorflow version (Ultralytics requirement ['tensorflow>=2.0.0,<=2.19.0'] ). Tested on windows 11 and Raspi. Could you please check. Thanks Gerd

  9. 404-NOTFOUND-CoderGitHub

    Title: int8 argument not supported when exporting to ONNX in Ultralytics 8.3.162

    Description:

    I encountered an error when trying to export a trained YOLOv8 model to ONNX format with the following code:

    model = YOLO('/kb210/wrs/tennis-analysis/tennis_analysis/training/runs/detect/train27/weights/best.pt') model.export(format="onnx", imgsz=(1024,1280), nms=True, int8=True, dynamic=True) The error traceback is as follows:

    Traceback (most recent call last): File "/kb210/wrs/tennis-analysis/tennis_analysis/yolo_inference.py", line 15, in model.export(format="onnx", imgsz=(1024,1280), nms=True, int8=True, dynamic=True) File "/kb210/conda/envs/tennis_analysis/lib/python3.9/site-packages/ultralytics/engine/model.py", line 819, in export return Exporter(overrides=args, _callbacks=self.callbacks)(model=self.model) File "/kb210/conda/envs/tennis_analysis/lib/python3.9/site-packages/ultralytics/engine/exporter.py", line 311, in call validate_args(fmt, self.args, fmt_keys) File "/kb210/conda/envs/tennis_analysis/lib/python3.9/site-packages/ultralytics/engine/exporter.py", line 171, in validate_args assert arg in valid_args, f"ERROR ❌️ argument '{arg}' is not supported for format='{format}'" AssertionError: ERROR ❌️ argument 'int8' is not supported for format='onnx' From the error message, it seems that the int8=True argument is not supported for ONNX export. However, I believe INT8 quantization could be useful for optimizing models even before deployment to certain runtimes (e.g., TensorRT).

    Question:

    Is there any plan to support INT8 during ONNX export? If not, what would be the recommended way to apply INT8 quantization after exporting to ONNX?

    Environment:

    Ultralytics version: 8.3.162 Python version: 3.9.19 PyTorch version: 1.13.1 OS: Linux Hardware: Intel Xeon E5-2680 v4 2.40GHz Thanks for your help!

  10. rememberBrGitHub

    Does using dynamic=True on Nvidia's Jetson development board not include batch dimension? It seems that only w and h have become dynamic dimensions, while batch is fixed at 1?