导出 YOLO26 模型为 ONNX 格式#

部署计算机视觉模型时，通常需要一种既灵活又兼容多个平台的模型格式。

将 Ultralytics YOLO26 模型导出为 ONNX 格式，可以简化部署，并确保模型在各种环境中发挥最佳性能。本指南将介绍如何轻松地将 YOLO26 模型转换为 ONNX 格式，从而提升模型在实际应用中的可扩展性和效果。

ONNX 和 ONNX Runtime#

ONNX，即开放神经网络交换，是一个最初由 Facebook 和 Microsoft 开发的社区项目。ONNX 的持续开发是一项协作工作，得到 IBM、Amazon（通过 AWS）和 Google 等多个组织的支持。该项目旨在创建一种开放文件格式，用于表示机器学习模型，使这些模型能够在不同的 AI 框架和硬件上使用。

ONNX 模型可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 TensorFlow。

此外，ONNX 模型还可以与 ONNX Runtime 配合使用。ONNX Runtime 是一款通用的跨平台机器学习模型加速器，兼容 PyTorch、TensorFlow、scikit-learn 等框架。

ONNX Runtime 利用硬件特定功能优化 ONNX 模型的执行。这种优化使模型能够在各种硬件平台上高效运行并实现高性能，包括 CPU、GPU 和专用加速器。

无论单独使用还是与 ONNX Runtime 搭配使用，ONNX 都能为机器学习模型部署和兼容性提供灵活的解决方案。

ONNX 模型的主要特性#

ONNX 能够处理多种格式，主要得益于以下关键特性：

• 统一的模型表示：ONNX 定义了一组通用算子（如卷积、层等）和一种标准数据格式。将模型转换为 ONNX 格式时，其架构和权重会转换为这种统一表示。借助这种一致性，任何支持 ONNX 的框架都能够理解该模型。

• 版本管理和向后兼容性：ONNX 为其算子维护版本管理系统。这样，即使标准不断演进，旧版本中创建的模型仍然可以使用。向后兼容性是一项关键特性，可避免模型迅速过时。

• 基于计算图的模型表示：ONNX 以计算图的形式表示模型。这种基于图的结构是一种通用的机器学习模型表示方式：节点表示操作或计算，边表示节点之间流动的张量。这种格式很容易适配其他同样以图表示模型的框架。

• 工具和生态系统：ONNX 拥有丰富的工具生态系统，可用于模型转换、可视化和优化。这些工具让开发者更轻松地使用 ONNX 模型，并在不同框架之间无缝转换模型。

ONNX 的常见用途#

在介绍如何将 YOLO26 模型导出为 ONNX 格式之前，我们先来看看 ONNX 模型通常用于哪些场景。

CPU 部署#

ONNX 模型常部署在 CPU 上，因为它们兼容 ONNX Runtime。该运行时针对 CPU 执行进行了优化，能够显著提升推理速度，让实时 CPU 部署成为可能。

支持的部署选项#

ONNX 模型通常用于 CPU，也可以部署在以下平台：

• GPU 加速：ONNX 完全支持通过 CUDA 在 NVIDIA GPU 上进行 GPU 加速，也支持通过 ROCm 和 MIGraphX 在 AMD GPU 上进行加速。

• 边缘设备和移动设备：ONNX 也适用于边缘设备和移动设备，非常适合设备端推理和实时推理场景。它轻量且兼容边缘硬件，还为厂商的 NPU 格式提供了基础，例如 Huawei Ascend、适用于 Snapdragon 设备的 Qualcomm QNN，以及适用于 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、动态的 Web AI 应用提供支持。

支持的任务#

ONNX 导出支持 Ultralytics 的全部七种任务。语义分割和深度估计仅适用于 YOLO26，因为只有 YOLO26 系列提供这两种输出头。

将 YOLO26 模型导出为 ONNX 格式#

将 YOLO26 模型转换为 ONNX 格式，可以扩展模型兼容性和部署灵活性。Ultralytics YOLO26 提供了简单直接的导出流程，能够显著提升模型在不同平台上的性能。

安装#

要安装所需软件包，请运行：

# Install the required package for YOLO26
pip install ultralytics

有关安装流程的详细说明和最佳实践，请查看我们的 YOLO26 安装指南。安装 YOLO26 所需软件包时，如果遇到困难，请参阅我们的常见问题指南，获取解决方案和建议。

用法#

开始阅读使用说明前，请务必了解 Ultralytics 提供的 YOLO26 模型，以便根据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。导出模型后，加载导出的模型即可运行推理或验证其准确率。

from ultralytics import YOLO

# 加载 YOLO26 模型
model = YOLO("yolo26n.pt")

# 将模型导出为 ONNX 格式
model.export(format="onnx")  # 创建 'yolo26n.onnx'

# 使用校准数据导出 INT8 量化的 ONNX 模型
model.export(format="onnx", quantize=8, data="coco8.yaml")  # 创建 'yolo26n_int8.onnx'

from ultralytics import YOLO

# 加载导出的 ONNX 模型
model = YOLO("yolo26n.onnx")

# 运行推理
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# 加载导出的 ONNX 模型
model = YOLO("yolo26n.onnx")

# 在 COCO8 数据集上验证准确率
metrics = model.val(data="coco8.yaml")

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流程，以满足特定的部署需求：

有关导出流程的更多详情，请访问 Ultralytics 导出文档页面。

部署导出的 YOLO26 ONNX 模型#

成功将 Ultralytics YOLO26 模型导出为 ONNX 格式后，下一步就是在各种环境中部署模型。有关部署 ONNX 模型的详细说明，请参阅以下资源：

• ONNX Runtime Python API 文档：本指南提供了使用 ONNX Runtime 加载和运行 ONNX 模型的关键信息。

• 在边缘设备上部署：查看此文档页面，了解在边缘设备上部署 ONNX 模型的各种示例。

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

• Triton Inference Server：了解如何通过 NVIDIA 的 Triton Inference Server 部署 ONNX 模型，实现高性能、可扩展的部署。

使用 MIGraphX 在 AMD GPU 上进行推理#

Ultralytics 通过 ONNX Runtime 的 MIGraphX 执行提供程序，在 AMD GPU 上运行导出的 ONNX 模型。在 ROCm (HIP) 系统上，ONNX 后端会在首次使用时安装 onnxruntime-ep-migraphx 插件，并自动选择 MIGraphXExecutionProvider，无需更改代码；同时支持所有 YOLO26 任务。有关先决条件、安装、用法、基准测试和编译程序缓存，请参阅 AMD GPU 推理指南。

总结#

本指南介绍了如何将 Ultralytics YOLO26 模型导出为 ONNX 格式，以提升模型在各种平台上的互操作性和性能。你还了解了 ONNX Runtime 以及 ONNX 的部署选项。

ONNX 只是 Ultralytics YOLO26 支持的众多导出格式之一，可让你几乎在任何环境中部署模型。根据具体需求，你还可以了解其他导出选项，例如实现最高 GPU 性能的 TensorRT，或适用于 Apple 设备的 CoreML。

如需了解更多用法详情，请访问 ONNX 官方文档。

此外，如果你想进一步了解其他 Ultralytics YOLO26 集成方案，请访问我们的集成指南页面。页面上有许多实用资源和见解。

常见问题#