使用 ExecuTorch 在移动和边缘设备上部署 YOLO26

在智能手机、平板电脑和嵌入式系统等边缘设备上部署计算机视觉模型，需要一个既能保持性能又能满足资源限制的优化运行时。ExecuTorch 是 PyTorch 针对边缘计算的解决方案，可为 Ultralytics YOLO 模型提供高效的端侧推理能力。

本指南概述了如何将 Ultralytics YOLO 模型导出为 ExecuTorch 格式，助你在移动和边缘设备上以优化的性能部署模型。

为什么要导出到 ExecuTorch？

ExecuTorch 是 PyTorch 的端到端解决方案，旨在实现移动和边缘设备上的端侧推理能力。ExecuTorch 以便携和高效为目标，可用于在多种计算平台上运行 PyTorch 程序。

ExecuTorch 的主要功能

ExecuTorch 为在边缘设备上部署 Ultralytics YOLO 模型提供了多项强大功能：

• 便携式模型格式：ExecuTorch 使用 .pte (PyTorch ExecuTorch) 格式，该格式针对资源受限设备的模型大小和加载速度进行了优化。

• XNNPACK 后端：与 XNNPACK 的默认集成可在移动 CPU 上提供高度优化的推理，无需专用硬件即可实现卓越性能。

• 量化支持：内置对量化技术的支持，可在保持精度的同时减小模型大小并提高推理速度。

• 内存效率：优化的内存管理减少了运行时内存占用，非常适合 RAM 有限的设备。

• 模型元数据：导出的模型会在单独的 YAML 文件中包含元数据（图像尺寸、类名等），以便于集成。

ExecuTorch 的部署选项

ExecuTorch 模型可部署在各种边缘和移动平台上：

• 移动应用：在 iOS 和 Android 应用程序中进行原生性能部署，实现移动应用中的实时目标检测。

• 嵌入式系统：在 Raspberry Pi、NVIDIA Jetson 和其他基于 ARM 的系统等嵌入式 Linux 设备上以优化性能运行。

• 边缘 AI 设备：使用自定义委托（delegate）部署在专用的边缘 AI 硬件上，以加速推理。

• 物联网设备：集成到物联网设备中，无需云连接即可进行端侧推理。

将 Ultralytics YOLO26 模型导出到 ExecuTorch

将 Ultralytics YOLO26 模型转换为 ExecuTorch 格式，可以实现移动和边缘设备上的高效部署。

安装

ExecuTorch 导出需要 Python 3.10 或更高版本以及特定的依赖项：

# Install Ultralytics package
pip install ultralytics

有关安装过程的详细说明和最佳实践，请查看我们的 YOLO26 安装指南。在安装 YOLO26 所需的软件包时，如果遇到任何困难，请参考我们的 常见问题指南 获取解决方案和建议。

使用方法

将 YOLO26 模型导出到 ExecuTorch 非常简单：

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to ExecuTorch format
model.export(format="executorch")  # creates 'yolo26n_executorch_model' directory

# Load the exported ExecuTorch model
executorch_model = YOLO("yolo26n_executorch_model")

# Run inference on a single image
results = executorch_model.predict("https://ultralytics.com/images/bus.jpg")

导出参数

导出到 ExecuTorch 格式时，你可以指定以下参数：

输出结构

ExecuTorch 导出将创建一个包含模型和元数据的目录：

yolo26n_executorch_model/
├── yolo26n.pte              # ExecuTorch model file
└── metadata.yaml            # Model metadata (classes, image size, etc.)

使用导出的 ExecuTorch 模型

导出模型后，你需要使用 ExecuTorch 运行时将其集成到目标应用程序中。

移动端集成

对于移动应用程序 (iOS/Android)，你需要：

1. 添加 ExecuTorch 运行时：在你的移动项目中包含 ExecuTorch 运行时库
2. 加载模型：在应用程序中加载 .pte 文件
3. 运行推理：处理图像并获取预测结果

iOS 集成示例 (Objective-C/C++)：

// iOS uses C++ APIs for model loading and inference
// See https://pytorch.org/executorch/stable/using-executorch-ios.html for complete examples

#include <executorch/extension/module/module.h>

using namespace ::executorch::extension;

// Load the model
Module module("/path/to/yolo26n.pte");

// Create input tensor
float input[1 * 3 * 640 * 640];
auto tensor = from_blob(input, {1, 3, 640, 640});

// Run inference
const auto result = module.forward(tensor);

Android 集成示例 (Kotlin)：

import org.pytorch.executorch.EValue
import org.pytorch.executorch.Module
import org.pytorch.executorch.Tensor

// Load the model
val module = Module.load("/path/to/yolo26n.pte")

// Prepare input tensor
val inputTensor = Tensor.fromBlob(floatData, longArrayOf(1, 3, 640, 640))
val inputEValue = EValue.from(inputTensor)

// Run inference
val outputs = module.forward(inputEValue)
val scores = outputs[0].toTensor().dataAsFloatArray

嵌入式 Linux

对于嵌入式 Linux 系统，使用 ExecuTorch C++ API：

#include <executorch/extension/module/module.h>

// Load model
auto module = torch::executor::Module("yolo26n.pte");

// Prepare input
std::vector<float> input_data = preprocessImage(image);
auto input_tensor = torch::executor::Tensor(input_data, {1, 3, 640, 640});

// Run inference
auto outputs = module.forward({input_tensor});

有关将 ExecuTorch 集成到应用程序中的更多详细信息，请访问 ExecuTorch 文档。

性能优化

模型大小优化

为减小部署的模型大小：

• 使用更小的模型：从 YOLO26n (nano) 开始，以获得最小的内存占用
• 降低输入分辨率：使用较小的图像尺寸（例如 imgsz=320 或 imgsz=416）
• 量化：应用量化技术（未来版本的 ExecuTorch 将支持）

推理速度优化

为了获得更快的推理速度：

• XNNPACK 后端：默认的 XNNPACK 后端提供优化的 CPU 推理
• 硬件加速：使用特定平台的委托（例如用于 iOS 的 CoreML）
• 批处理：在可能的情况下处理多张图像

基准测试

Ultralytics 团队对 YOLO26 模型进行了基准测试，比较了 PyTorch 和 ExecuTorch 之间的速度和精度。

故障排除

常见问题

问题：Python version error

解决方案：ExecuTorch 需要 Python 3.10 或更高版本。请升级你的 Python 安装：

# Using conda
conda create -n executorch python=3.10
conda activate executorch

问题：Export fails during first run

解决方案：ExecuTorch 在首次使用时可能需要下载和编译组件。请确保你拥有：

pip install --upgrade executorch

问题：Import errors for ExecuTorch modules

解决方案：确保已正确安装 ExecuTorch：

pip install executorch --force-reinstall

如需更多故障排除帮助，请访问 Ultralytics GitHub Issues 或 ExecuTorch 文档。

总结

将 YOLO26 模型导出到 ExecuTorch 格式，可以实现移动和边缘设备上的高效部署。凭借 PyTorch 原生集成、跨平台支持和优化的性能，ExecuTorch 是边缘 AI 应用程序的绝佳选择。

关键要点：

• ExecuTorch 提供具有卓越性能的 PyTorch 原生边缘部署
• 使用 format='executorch' 参数即可轻松导出
• 模型通过 XNNPACK 后端针对移动 CPU 进行了优化
• 支持 iOS、Android 和嵌入式 Linux 平台
• 需要 Python 3.10+ 和 FlatBuffers 编译器

常见问题 (FAQ)

我该如何将 YOLO26 模型导出为 ExecuTorch 格式？

使用 Python 或 CLI 将 YOLO26 模型导出到 ExecuTorch：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="executorch")

或者

yolo export model=yolo26n.pt format=executorch

ExecuTorch 导出的系统要求是什么？

ExecuTorch 导出需要：

• Python 3.10 或更高版本
• executorch 包（通过 pip install executorch 安装）
• PyTorch（随 ultralytics 自动安装）

注意：在首次导出期间，ExecuTorch 将自动下载并编译必要的组件，包括 FlatBuffers 编译器。

我可以直接在 Python 中使用 ExecuTorch 模型运行推理吗？

ExecuTorch 模型（.pte 文件）旨在通过 ExecuTorch 运行时在移动和边缘设备上部署。它们不能直接通过 YOLO() 在 Python 中加载进行推理。你需要使用 ExecuTorch 运行时库将它们集成到你的目标应用程序中。

ExecuTorch 支持哪些平台？

ExecuTorch 支持：

• 移动端：iOS 和 Android
• 嵌入式 Linux：Raspberry Pi、NVIDIA Jetson 和其他 ARM 设备
• 桌面端：Linux、macOS 和 Windows（用于开发）

ExecuTorch 与 TFLite 在移动部署方面相比如何？

ExecuTorch 和 TFLite 都非常适合移动部署：

• ExecuTorch：更好的 PyTorch 集成，原生 PyTorch 工作流，生态系统不断发展
• TFLite：更成熟，更广泛的硬件支持，更多的部署示例

如果你已经在使用 PyTorch 并希望采用原生部署路径，请选择 ExecuTorch。如果需要最大程度的兼容性和成熟的工具，请选择 TFLite。

我可以使用 GPU 加速的 ExecuTorch 模型吗？

可以！ExecuTorch 通过各种后端支持硬件加速：

• 移动 GPU：通过 Vulkan、Metal 或 OpenCL 委托
• NPU/DSP：通过特定平台的委托
• 默认：用于优化 CPU 推理的 XNNPACK

请参考 ExecuTorch 文档 获取后端特定的设置。