ile Model İhracatı Ultralytics YOLO

Giriş

Bir modeli eğitmenin nihai amacı, onu gerçek dünya uygulamaları için dağıtmaktır. Ultralytics YOLOv8 adresindeki Dışa Aktarma modu, eğittiğiniz modeli farklı formatlara aktarmak için çok yönlü seçenekler sunarak çeşitli platform ve cihazlara dağıtılabilir hale getirir. Bu kapsamlı kılavuz, maksimum uyumluluk ve performansın nasıl elde edileceğini göstererek model dışa aktarmanın nüansları konusunda size yol göstermeyi amaçlamaktadır.

İzle: Özel Eğitilmiş Ultralytics YOLOv8 Modeli Nasıl Dışa Aktarılır ve Web Kamerasında Canlı Çıkarım Nasıl Çalıştırılır.

Neden YOLOv8'un Dışa Aktarma Modunu Seçmelisiniz?

• Çok yönlülük: ONNX , TensorRT, CoreML ve daha fazlası dahil olmak üzere birden fazla formata aktarın.
• Performans: TensorRT ile 5 kata kadar GPU hızlandırması ve ONNX veya OpenVINO ile 3 kata kadar CPU hızlandırması elde edin.
• Uyumluluk: Modelinizi çok sayıda donanım ve yazılım ortamına evrensel olarak dağıtılabilir hale getirin.
• Kullanım Kolaylığı: Hızlı ve basit model dışa aktarımı için basit CLI ve Python API.

Dışa Aktarma Modunun Temel Özellikleri

İşte öne çıkan işlevlerden bazıları:

• Tek Tıkla Dışa Aktarma: Farklı formatlara dışa aktarma için basit komutlar.
• Toplu Dışa Aktarma: Toplu çıkarım yapabilen modelleri dışa aktarın.
• Optimize Edilmiş Çıkarım: Dışa aktarılan modeller daha hızlı çıkarım süreleri için optimize edilmiştir.
• Eğitici Videolar: Sorunsuz bir dışa aktarma deneyimi için derinlemesine kılavuzlar ve öğreticiler.

Kullanım Örnekleri

Export a YOLOv8n model to a different format like ONNX or TensorRT. See the Arguments section below for a full list of export arguments.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Argümanlar

Bu tabloda, YOLO modellerini farklı formatlara aktarmak için kullanılabilecek yapılandırmalar ve seçenekler ayrıntılı olarak açıklanmaktadır. Bu ayarlar, dışa aktarılan modelin performansını, boyutunu ve çeşitli platformlar ve ortamlar arasındaki uyumluluğunu optimize etmek için kritik öneme sahiptir. Doğru yapılandırma, modelin amaçlanan uygulamada optimum verimlilikle dağıtıma hazır olmasını sağlar.

Bu parametrelerin ayarlanması, dışa aktarma işleminin dağıtım ortamı, donanım kısıtlamaları ve performans hedefleri gibi belirli gereksinimlere uyacak şekilde özelleştirilmesine olanak tanır. Uygun format ve ayarların seçilmesi, model boyutu, hız ve doğruluk arasında en iyi dengeyi sağlamak için çok önemlidir.

Dışa Aktarma Biçimleri

Mevcut YOLOv8 dışa aktarma formatları aşağıdaki tabloda yer almaktadır. kullanarak herhangi bir formata dışa aktarabilirsiniz. format argümanı, yani format='onnx' veya format='engine'. Doğrudan dışa aktarılan modeller üzerinde tahmin veya doğrulama yapabilirsiniz, örn. yolo predict model=yolov8n.onnx. Dışa aktarma tamamlandıktan sonra modeliniz için kullanım örnekleri gösterilir.

SSS

Bir YOLOv8 modelini ONNX formatına nasıl aktarabilirim?

Bir YOLOv8 modelini ONNX formatına aktarmak Ultralytics ile kolaydır. Modelleri dışa aktarmak için hem Python hem de CLI yöntemleri sağlar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

For more details on the process, including advanced options like handling different input sizes, refer to the ONNX section.

Model aktarımı için TensorRT adresini kullanmanın faydaları nelerdir?

Model dışa aktarımı için TensorRT kullanılması önemli performans iyileştirmeleri sunar. TensorRT adresine aktarılan YOLOv8 modelleri 5 kata kadar GPU hızlanmasına ulaşabilir ve bu da onu gerçek zamanlı çıkarım uygulamaları için ideal hale getirir.

• Çok yönlülük: Modelleri belirli bir donanım kurulumu için optimize edin.
• Hız: Gelişmiş optimizasyonlar sayesinde daha hızlı çıkarım elde edin.
• Uyumluluk: NVIDIA donanımı ile sorunsuz bir şekilde entegre olur.

To learn more about integrating TensorRT, see the TensorRT integration guide.

YOLOv8 modelimi dışa aktarırken INT8 nicelemeyi nasıl etkinleştiririm?

INT8 niceleme, modeli sıkıştırmak ve özellikle uç cihazlarda çıkarımı hızlandırmak için mükemmel bir yoldur. INT8 nicelemeyi nasıl etkinleştirebileceğiniz aşağıda açıklanmıştır:

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # Load a model
model.export(format="onnx", int8=True)

yolo export model=yolov8n.pt format=onnx int8=True   # export model with INT8 quantization

INT8 quantization can be applied to various formats, such as TensorRT and CoreML. More details can be found in the Export section.

Modelleri dışa aktarırken dinamik girdi boyutu neden önemlidir?

Dinamik giriş boyutu, dışa aktarılan modelin değişen görüntü boyutlarını işlemesine olanak tanıyarak esneklik sağlar ve farklı kullanım durumları için işleme verimliliğini optimize eder. ONNX veya TensorRT gibi formatlara dışa aktarırken dinamik giriş boyutunun etkinleştirilmesi, modelin farklı giriş şekillerine sorunsuz bir şekilde adapte olabilmesini sağlar.

Bu özelliği etkinleştirmek için dynamic=True dışa aktarma sırasında bayrak:

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="onnx", dynamic=True)

yolo export model=yolov8n.pt format=onnx dynamic=True

Ek bağlam için dinamik giriş boyutu yapılandırmasına bakın.

Model performansını optimize etmek için dikkate alınması gereken temel ihracat argümanları nelerdir?

Dışa aktarma argümanlarını anlamak ve yapılandırmak, model performansını optimize etmek için çok önemlidir:

• format: Dışa aktarılan model için hedef format (örn, onnx, torchscript, tensorflow).
• imgsz: Model girdisi için istenen görüntü boyutu (örn, 640 veya (height, width)).
• half: FP16 nicelemeyi etkinleştirerek model boyutunu azaltır ve potansiyel olarak çıkarımı hızlandırır.
• optimize: Mobil veya kısıtlı ortamlar için özel optimizasyonlar uygular.
• int8: INT8 nicelemeyi etkinleştirir, uç dağıtımlar için oldukça faydalıdır.

For a detailed list and explanations of all the export arguments, visit the Export Arguments section.

📅 Created 10 months ago ✏️ Updated 2 days ago

Yorumlar