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 vision 模型需要一个经过优化的运行时，它能够在平衡性能的同时兼顾资源限制。ExecuTorch 是 PyTorch 用于边缘计算的解决方案，可为 Ultralytics YOLO 模型实现高效的端侧推理。

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部署性能优化的模型。

为什么要导出到 ExecuTorch？#

ExecuTorch 是 PyTorch 的端到端解决方案，用于在移动和边缘设备上启用端侧推理能力。ExecuTorch 旨在实现可移植性和高效率，可用于在各种计算平台上运行 PyTorch 程序。

ExecuTorch 的主要功能#

ExecuTorch 为在边缘设备上部署 Ultralytics YOLO 模型提供了几项强大的功能：

• 可移植模型格式：ExecuTorch 使用 .pte (PyTorch ExecuTorch) 格式，该格式针对资源受限设备上的体积和加载速度进行了优化。

• XNNPACK 后端：默认与 XNNPACK 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出色的性能。

• 支持量化：ExecuTorch 生态系统支持量化技术，以减小模型体积并提高推理速度；Ultralytics 目前通过 XNNPACK 后端导出 FP32 模型。

• 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：导出的模型包含一个单独的 YAML 文件，其中列出了元数据（图像尺寸、类别名称等），以便轻松集成。

使用 ExecuTorch 的部署选项#

ExecuTorch 模型可以部署在各种边缘和移动平台上：

• 移动应用：在 iOS 和 Android 应用上实现原生性能部署，支持在移动 App 中进行实时目标检测。

• 嵌入式系统：在 Raspberry Pi、NVIDIA Jetson 等嵌入式 Linux 设备及其他 ARM 架构系统上以优化性能运行。

• 边缘 AI 设备：使用自定义委托（delegates）在专用边缘 AI 硬件上进行加速推理部署。

• IoT 设备：集成到 IoT 设备中，实现无需云连接的端侧推理。

支持的任务#

ExecuTorch 导出支持所有七项 Ultralytics 任务。语义分割和深度估计仅在 YOLO26 中可用，这是唯一提供这些输出头的系列。

将 Ultralytics YOLO26 模型导出到 ExecuTorch#

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

安装#

ExecuTorch 导出需要 Python 3.10-3.13 和 PyTorch >= 2.9.0 以及 executorch 包：

# 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 Installation guide。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Common Issues guide获取解决方案和提示。

用法#

将 YOLO26 模型导出到 ExecuTorch 非常简单：

ExecuTorch 格式支持导出、预测和验证模式。导出模型，然后加载导出的模型以运行推理或验证其准确性。

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

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

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

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/
├── model.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：将 ExecuTorch 运行时库包含在你的移动项目中
2. 加载模型：在你的应用程序中加载 .pte 文件
3. 运行推理：处理图像并获取预测结果

iOS#

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/model.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#

从 Maven Central 添加 ExecuTorch Android AAR：

dependencies {
    implementation("org.pytorch:executorch-android:<version>")
}

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/model.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，请使用 ExecuTorch C++ API：

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

using namespace ::executorch::extension;

// Load model
Module module("model.pte");

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

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

有关将 ExecuTorch 集成到你的应用程序中的更多详细信息，请访问 ExecuTorch Documentation。

性能优化#

模型尺寸优化#

要减小模型体积以进行部署：

• 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 ExecuTorch 版本将支持）

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 iOS 的 CoreML）
• 批处理：尽可能同时处理多张图像

基准测试#

Ultralytics 团队对 YOLO26 模型进行了基准测试，比较了 PyTorch 与 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

解决方法：确保你已安装最新的预构建 executorch wheel：

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

有关更多故障排除帮助，请访问 Ultralytics GitHub Issues 或 ExecuTorch Documentation。

总结#

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

关键要点：

• ExecuTorch 提供具有出色性能的 PyTorch 原生边缘部署
• 通过 format='executorch' 参数可以轻松进行导出
• 模型通过 XNNPACK 后端为移动 CPU 进行优化
• 支持 iOS、Android 和嵌入式 Linux 平台
• 需要 Python 3.10-3.13 和 PyTorch >= 2.9.0

常见问题解答#