Link to this sectionYOLO26 模型 ONNX 导出#

在部署 计算机视觉 模型时，你通常需要一种既灵活又能兼容多个平台的模型格式。

将 Ultralytics YOLO26 模型导出为 ONNX 格式可简化部署流程，并确保在各种环境下实现最佳性能。本指南将向你展示如何轻松将 YOLO26 模型转换为 ONNX，并提升其在实际应用中的可扩展性和有效性。

Link to this sectionONNX 与 ONNX Runtime#

ONNX 代表开放式 神经网络 交换格式，是一个最初由 Facebook 和 Microsoft 开发的社区项目。ONNX 的持续开发是由 IBM、Amazon（通过 AWS）和 Google 等多个组织共同支持的协作成果。该项目旨在创建一个开放的文件格式，用于以允许在不同 AI 框架和硬件之间使用的方式表示 机器学习 模型。

ONNX 模型可以用于在不同框架之间无缝迁移。例如，在 PyTorch 中训练的 深度学习 模型可以导出为 ONNX 格式，然后轻松导入到 TensorFlow 中。

或者，ONNX 模型可以与 ONNX Runtime 一起使用。ONNX Runtime 是一种通用的机器学习模型跨平台加速器，兼容 PyTorch、TensorFlow、TFLite、scikit-learn 等框架。

ONNX Runtime 通过利用特定于硬件的功能来优化 ONNX 模型的执行。这种优化使得模型能够在包括 CPU、GPU 和专用加速器在内的各种硬件平台上高效运行，并实现高性能。

无论独立使用还是与 ONNX Runtime 配合使用，ONNX 都为机器学习 模型部署 和兼容性提供了一种灵活的解决方案。

Link to this sectionONNX 模型的主要特性#

ONNX 处理各种格式的能力可归因于以下关键特性：

• 通用模型表示：ONNX 定义了一组通用的算子（如卷积、层等）和标准数据格式。当模型转换为 ONNX 格式时，其架构和权重会被转换成这种通用表示。这种统一性确保了任何支持 ONNX 的框架都能理解该模型。

• 版本控制和向后兼容性：ONNX 为其算子维护了一个版本系统。这确保了即使标准在不断演进，使用旧版本创建的模型仍然可用。向后兼容性是一个至关重要的特性，可以防止模型过快过时。

• 基于图的模型表示：ONNX 将模型表示为计算图。这种基于图的结构是一种通用的机器学习模型表示方式，其中节点代表操作或计算，边代表在它们之间流动的张量。这种格式很容易适配到同样将模型表示为图的各种框架中。

• 工具和生态系统：ONNX 周围拥有丰富的工具生态系统，可辅助模型转换、可视化和优化。这些工具使开发人员能够更轻松地处理 ONNX 模型，并在不同框架之间无缝转换模型。

Link to this sectionONNX 的常见用法#

在我们深入了解如何将 YOLO26 模型导出为 ONNX 格式之前，让我们看看 ONNX 模型通常用在哪里。

Link to this sectionCPU 部署#

由于 ONNX 模型与 ONNX Runtime 的兼容性，它们通常部署在 CPU 上。该运行时针对 CPU 执行进行了优化，显着提高了推理速度，使实时 CPU 部署成为可能。

Link to this section支持的部署选项#

虽然 ONNX 模型通常用于 CPU，但它们也可以部署在以下平台上：

• GPU 加速：ONNX 全面支持 GPU 加速，特别是 NVIDIA CUDA。这使得在需要高计算能力的任务中，能在 NVIDIA GPU 上实现高效执行。

• 边缘和移动设备：ONNX 扩展到了边缘和移动设备，非常适合端侧和实时推理场景。它轻量级且与边缘硬件兼容，并作为供应商 NPU 格式的基础，例如用于 Snapdragon 设备的 Qualcomm QNN 和用于 Rockchip NPU 的 RKNN。

• Web 浏览器：ONNX 可以直接在 Web 浏览器中运行，为交互式和动态的基于 Web 的 AI 应用提供支持。

Link to this section将 YOLO26 模型导出到 ONNX#

你可以通过将 YOLO26 模型转换为 ONNX 格式来扩展模型兼容性和部署灵活性。Ultralytics YOLO26 提供了一种直接的导出流程，可以显着增强你的模型在不同平台上的性能。

Link to this section安装#

要安装所需的包，请运行：

# Install the required package for YOLO26
pip install ultralytics

有关与安装过程相关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 所需的包时，如果遇到任何困难，请参考我们的 常见问题指南 以获取解决方案和提示。

Link to this section用法#

在深入了解使用说明之前，请务必查看 Ultralytics 提供的各种 YOLO26 模型。这将帮助你为项目需求选择最合适的模型。

ONNX 格式支持 导出、预测 和 验证 模式。导出你的模型，然后加载导出的模型来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 ONNX format
model.export(format="onnx")  # creates 'yolo26n.onnx'

# Export an INT8-quantized ONNX model with calibration data
model.export(format="onnx", int8=True, data="coco8.yaml")  # creates 'yolo26n_int8.onnx'

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

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

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

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

Link to this section导出参数#

将 YOLO26 模型导出为 ONNX 格式时，你可以使用各种参数自定义该过程，以针对你的特定部署需求进行优化：

有关导出过程的更多详细信息，请访问 Ultralytics 关于导出的文档页面。

Link to this section部署导出的 YOLO26 ONNX 模型#

一旦你成功地将 Ultralytics YOLO26 模型导出为 ONNX 格式，下一步就是将这些模型部署到各种环境中。有关部署 ONNX 模型的详细说明，请参考以下资源：

• ONNX Runtime Python API 文档：本指南提供了使用 ONNX Runtime 加载和运行 ONNX 模型的重要信息。

• 在边缘设备上部署：查看此文档页面，获取在边缘侧部署 ONNX 模型的不同示例。

• GitHub 上的 ONNX 教程：一系列全面的教程，涵盖了在不同场景下使用和实现 ONNX 模型的各个方面。

• Triton Inference Server：了解如何使用 NVIDIA 的 Triton Inference Server 部署你的 ONNX 模型，以实现高性能、可扩展的部署。

Link to this section总结#

在本指南中，你学习了如何将 Ultralytics YOLO26 模型导出为 ONNX 格式，以提高其在各种平台上的互操作性和性能。你还了解了 ONNX Runtime 和 ONNX 部署选项。

ONNX 导出只是 Ultralytics YOLO26 支持的众多 导出格式 之一，它允许你在几乎任何环境中部署模型。根据你的具体需求，你可能还需要探索其他导出选项，例如用于最高 GPU 性能的 TensorRT 或用于 Apple 设备的 CoreML。

有关用法的更多详细信息，请访问 ONNX 官方文档。

此外，如果你想了解更多关于其他 Ultralytics YOLO26 集成的信息，请访问我们的 集成指南页面。你会在那里找到大量有用的资源和见解。

Link to this section常见问题#

Link to this section如何使用 Ultralytics 将 YOLO26 模型导出为 ONNX 格式？#

要使用 Ultralytics 将 YOLO26 模型导出为 ONNX 格式，请按照以下步骤操作：

from ultralytics import YOLO

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

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo26n.onnx'

# Load the exported ONNX model
onnx_model = YOLO("yolo26n.onnx")

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

有关更多详细信息，请访问 导出文档。

Link to this section使用 ONNX Runtime 部署 YOLO26 模型有什么优势？#

使用 ONNX Runtime 部署 YOLO26 模型具有以下优势：

• 跨平台兼容性：ONNX Runtime 支持 Windows、macOS 和 Linux 等多种平台，确保你的模型在不同环境下都能顺利运行。
• 硬件加速：ONNX Runtime 可以利用针对 CPU、GPU 和专用加速器的硬件特定优化，提供高性能推理。
• 框架互操作性：在 PyTorch 或 TensorFlow 等流行框架中训练的模型可以轻松转换为 ONNX 格式并使用 ONNX Runtime 运行。
• 性能优化：与原生 PyTorch 模型相比，ONNX Runtime 可以提供高达 3 倍的 CPU 速度提升，非常适合 GPU 资源受限的部署场景。

通过查看 ONNX Runtime 文档 了解更多信息。

Link to this section导出的 YOLO26 ONNX 模型有哪些部署选项？#

导出为 ONNX 的 YOLO26 模型可以部署在各种平台上，包括：

• CPU：利用 ONNX Runtime 进行优化的 CPU 推理。
• GPU：利用 NVIDIA CUDA 进行高性能 GPU 加速。
• 边缘设备：在边缘和移动设备上运行轻量级模型，实现实时的端侧推理。
• Web 浏览器：直接在 Web 浏览器内执行模型，用于交互式 Web 应用。
• 云服务：在支持 ONNX 格式的云平台上进行部署，实现可扩展的推理。

有关更多信息，请浏览我们的 模型部署选项指南。

Link to this section为什么我应该为 Ultralytics YOLO26 模型使用 ONNX 格式？#

为 Ultralytics YOLO26 模型使用 ONNX 格式具有诸多好处：

• 互操作性：ONNX 允许模型在不同的机器学习框架之间无缝传输。
• 性能优化：ONNX Runtime 可以通过利用特定于硬件的优化来提升模型性能。
• 灵活性：ONNX 支持多种部署环境，使你能够在不同平台上使用相同的模型而无需修改。
• 标准化：ONNX 提供了一种在业内得到广泛支持的标准化格式，确保了长期兼容性。

请参考 将 YOLO26 模型导出为 ONNX 的综合指南。

Link to this section在将 YOLO26 模型导出到 ONNX 时，我该如何排查问题？#

在将 YOLO26 模型导出到 ONNX 时，你可能会遇到依赖项不匹配或不支持的算子等常见问题。要排查这些问题：

1. 验证你是否安装了正确版本的必要依赖项。
2. 查看官方 ONNX 文档 以获取支持的算子和特性。
3. 查看错误消息以获取线索，并查阅 Ultralytics 常见问题指南。
4. 尝试使用不同的导出参数，例如 simplify=True 或调整 opset 版本。
5. 对于动态输入大小问题，请在导出时设置 dynamic=True。

如果问题依然存在，请联系 Ultralytics 支持团队以获取进一步协助。