Xuất mô hình với Ultralytics YOLO

Giới thiệu

Mục tiêu cuối cùng của việc đào tạo một mô hình là triển khai nó cho các ứng dụng trong thế giới thực. Chế độ xuất trong Ultralytics YOLO11 cung cấp nhiều tùy chọn đa dạng để xuất mô hình đã đào tạo của bạn sang các định dạng khác nhau, giúp triển khai trên nhiều nền tảng và thiết bị khác nhau. Hướng dẫn toàn diện này nhằm hướng dẫn bạn qua các sắc thái của việc xuất mô hình, giới thiệu cách đạt được khả năng tương thích và hiệu suất tối đa.

Đồng hồ: Làm thế nào để xuất khẩu đào tạo tùy chỉnh Ultralytics YOLO Mô hình hóa và chạy suy luận trực tiếp trên Webcam.

Tại sao chọn YOLO11 Chế độ xuất khẩu của?

• Tính linh hoạt: Xuất sang nhiều định dạng bao gồm ONNX , TensorRT , CoreML và nhiều hơn nữa.
• Hiệu suất: Tăng lên đến 5x GPU tăng tốc với TensorRT và 3x CPU tăng tốc với ONNX hoặc OpenVINO .
• Khả năng tương thích: Giúp mô hình của bạn có thể triển khai rộng rãi trên nhiều môi trường phần cứng và phần mềm.
• Dễ sử dụng: Đơn giản CLI Và Python API để xuất mô hình nhanh chóng và dễ dàng.

Các tính năng chính của chế độ xuất khẩu

Sau đây là một số chức năng nổi bật:

• Xuất chỉ bằng một cú nhấp chuột: Các lệnh đơn giản để xuất sang các định dạng khác nhau.
• Xuất hàng loạt: Xuất các mô hình có khả năng suy luận hàng loạt.
• Suy luận được tối ưu hóa: Các mô hình xuất ra được tối ưu hóa để có thời gian suy luận nhanh hơn.
• Video hướng dẫn: Hướng dẫn và bài hướng dẫn chuyên sâu để có trải nghiệm xuất dữ liệu suôn sẻ.

Ví dụ sử dụng

Xuất mô hình YOLO11n sang một định dạng khác như ONNX hoặc TensorRT . Xem phần Đối số bên dưới để biết danh sách đầy đủ các đối số xuất.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Lập luận

Bảng này trình bày chi tiết các cấu hình và tùy chọn có sẵn để xuất YOLO mô hình sang các định dạng khác nhau. Các thiết lập này rất quan trọng để tối ưu hóa hiệu suất, kích thước và khả năng tương thích của mô hình được xuất trên nhiều nền tảng và môi trường khác nhau. Cấu hình phù hợp đảm bảo rằng mô hình đã sẵn sàng để triển khai trong ứng dụng dự định với hiệu quả tối ưu.

Việc điều chỉnh các thông số này cho phép tùy chỉnh quy trình xuất để phù hợp với các yêu cầu cụ thể, chẳng hạn như môi trường triển khai, hạn chế phần cứng và mục tiêu hiệu suất. Việc lựa chọn định dạng và cài đặt phù hợp là điều cần thiết để đạt được sự cân bằng tốt nhất giữa kích thước mô hình, tốc độ và độ chính xác .

Định dạng xuất khẩu

Có sẵn YOLO11 định dạng xuất khẩu nằm trong bảng dưới đây. Bạn có thể xuất khẩu sang bất kỳ định dạng nào bằng cách sử dụng format lập luận, tức là format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc xác thực trực tiếp trên các mô hình đã xuất, tức là yolo predict model=yolo11n.onnx. Các ví dụ sử dụng sẽ được hiển thị cho mô hình của bạn sau khi quá trình xuất hoàn tất.

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi xuất khẩu một YOLO11 mô hình để ONNX định dạng?

Xuất khẩu một YOLO11 mô hình để ONNX định dạng là đơn giản với Ultralytics . Nó cung cấp cả hai Python Và CLI phương pháp xuất mô hình.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Để biết thêm chi tiết về quy trình, bao gồm các tùy chọn nâng cao như xử lý các kích thước đầu vào khác nhau, hãy tham khảo phần ONNX .

Lợi ích của việc sử dụng là gì? TensorRT để xuất khẩu mô hình?

Sử dụng TensorRT để xuất mô hình mang lại những cải tiến hiệu suất đáng kể. YOLO11 mô hình xuất khẩu sang TensorRT có thể đạt tới 5x GPU tăng tốc, lý tưởng cho các ứng dụng suy luận thời gian thực.

• Tính linh hoạt: Tối ưu hóa mô hình cho thiết lập phần cứng cụ thể.
• Tốc độ: Đạt được khả năng suy luận nhanh hơn thông qua các tối ưu hóa nâng cao.
• Khả năng tương thích: Tích hợp trơn tru với NVIDIA phần cứng.

Để tìm hiểu thêm về việc tích hợp TensorRT , hãy xem hướng dẫn tích hợp TensorRT .

Làm thế nào để tôi kích hoạt lượng tử hóa INT8 khi xuất YOLO11 người mẫu?

Lượng tử hóa INT8 là một cách tuyệt vời để nén mô hình và tăng tốc suy luận, đặc biệt là trên các thiết bị biên. Sau đây là cách bạn có thể bật lượng tử hóa INT8:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a model
model.export(format="engine", int8=True)

yolo export model=yolo11n.pt format=engine int8=True   # export TensorRT model with INT8 quantization

Lượng tử hóa INT8 có thể được áp dụng cho nhiều định dạng khác nhau, chẳng hạn như TensorRT Và CoreML . Bạn có thể tìm thấy thêm thông tin chi tiết trong phần Xuất .

Tại sao kích thước đầu vào động lại quan trọng khi xuất mô hình?

Kích thước đầu vào động cho phép mô hình xuất ra xử lý các kích thước hình ảnh khác nhau, mang lại sự linh hoạt và tối ưu hóa hiệu quả xử lý cho các trường hợp sử dụng khác nhau. Khi xuất sang các định dạng như ONNX hoặc TensorRT , việc kích hoạt kích thước đầu vào động đảm bảo rằng mô hình có thể thích ứng liền mạch với các hình dạng đầu vào khác nhau.

Để kích hoạt tính năng này, hãy sử dụng dynamic=True cờ trong quá trình xuất khẩu:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="onnx", dynamic=True)

yolo export model=yolo11n.pt format=onnx dynamic=True

Để biết thêm bối cảnh, hãy tham khảo cấu hình kích thước đầu vào động .

Những lập luận xuất khẩu quan trọng cần xem xét để tối ưu hóa hiệu suất mô hình là gì?

Việc hiểu và cấu hình các đối số xuất là rất quan trọng để tối ưu hóa hiệu suất mô hình:

• format: Định dạng mục tiêu cho mô hình được xuất ra (ví dụ: onnx, torchscript, tensorflow).
• imgsz: Kích thước hình ảnh mong muốn cho đầu vào mô hình (ví dụ: 640 hoặc (height, width)).
• half: Cho phép lượng tử hóa FP16, giảm kích thước mô hình và có khả năng tăng tốc suy luận.
• optimize: Áp dụng các tối ưu hóa cụ thể cho môi trường di động hoặc môi trường hạn chế.
• int8: Cho phép lượng tử hóa INT8, rất có lợi cho việc triển khai biên.

Để biết danh sách chi tiết và giải thích về tất cả các đối số xuất, hãy truy cập phần Đối số xuất .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng

Bình luận