ONNX 导出YOLO11 模型

通常，在部署计算机视觉模型时，您需要一种既灵活又能与多个平台兼容的模型格式。

将 Ultralytics YOLO11将模型导出为ONNX 格式可简化部署并确保在各种环境中实现最佳性能。本指南将向您展示如何轻松地将YOLO11 模型转换为ONNX ，并增强其在实际应用中的可扩展性和有效性。

ONNX 和ONNX Runtime

ONNX是 Facebook 和Microsoft 最初开发的一个社区项目。ONNX 的持续开发得到了 IBM、亚马逊（通过 AWS）和Google 等多个组织的合作支持。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，使其能够在不同的人工智能框架和硬件中使用。

ONNX 模型可用于在不同框架之间无缝转换。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 。

另外，ONNX 模型可与ONNX Runtime 配合使用。ONNX Runtime是机器学习模型的通用跨平台加速器，与PyTorch 等框架兼容、 TensorFlow、TFLite、scikit-learn 等框架兼容。

ONNX 运行时（Runtime）通过利用特定硬件功能优化ONNX 模型的执行。通过这种优化，模型可以在各种硬件平台（包括 CPU、GPU 和专用加速器）上高效、高性能地运行。

无论是独立使用还是与ONNX Runtime 配合使用，ONNX 都能为机器学习模型的部署和兼容性提供灵活的解决方案。

ONNX 机型的主要特点

ONNX 能够处理各种格式，主要归功于以下主要功能：

• 通用模型表示法：ONNX 定义了一套通用运算符（如卷积、层等）和一种标准数据格式。当一个模型转换为ONNX 格式时，其架构和权重就会转换为这种通用表示法。这种统一性可确保任何支持ONNX 的框架都能理解模型。

• 版本和向后兼容性：ONNX 为其操作员维护一个版本系统。这确保了即使标准在不断发展，旧版本创建的模型仍可继续使用。向后兼容性是防止模型迅速过时的重要功能。

• 基于图形的模型表示法：ONNX 将模型表示为计算图。这种基于图的结构是表示机器学习模型的通用方法，其中节点表示操作或计算，边表示它们之间流动的张量。这种格式很容易适应各种同样以图表示模型的框架。

• 工具和生态系统：ONNX 周围有丰富的工具生态系统，可帮助进行模型转换、可视化和优化。这些工具使开发人员更容易使用ONNX 模型，并在不同框架之间无缝转换模型。

常见用法ONNX

在了解如何将YOLO11 模型导出为ONNX 格式之前，我们先来看看ONNX 模型通常用在什么地方。

CPU 部署

ONNX 由于与ONNX Runtime 兼容，模型通常部署在 CPU 上。该运行时针对CPU 的执行进行了优化。它大大提高了推理速度，使CPU 的实时部署变得可行。

支持的部署选项

ONNX 模型通常用于 CPU，但也可部署在以下平台上：

• GPU 加速：ONNX 完全支持GPU 加速，尤其是NVIDIA CUDA 。这样就能在NVIDIA GPU 上高效执行需要高计算能力的任务。

• 边缘和移动设备：ONNX 可扩展到边缘和移动设备，非常适合在设备上进行实时推理。它重量轻，与边缘硬件兼容。

• 网络浏览器：ONNX 可直接在网络浏览器中运行，为基于网络的交互式动态人工智能应用提供动力。

将YOLO11 模型导出到ONNX

通过将YOLO11 模型转换为ONNX 格式，您可以扩展模型兼容性和部署灵活性。 Ultralytics YOLO11提供了一个简单明了的导出过程，可以显著提高模型在不同平台上的性能。

安装

要安装所需的软件包，请运行

# Install the required package for YOLO11
pip install ultralytics

有关安装过程的详细说明和最佳实践，请查阅我们的YOLO11 安装指南。在安装YOLO11 所需的软件包时，如果遇到任何困难，请查阅我们的常见问题指南，了解解决方案和技巧。

使用方法

在了解使用说明之前，请务必查看 Ultralytics 提供的一系列YOLO11 型号。这将有助于您根据项目要求选择最合适的型号。

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo11n.onnx'

# Load the exported ONNX model
onnx_model = YOLO("yolo11n.onnx")

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

# Export a YOLO11n PyTorch model to ONNX format
yolo export model=yolo11n.pt format=onnx # creates 'yolo11n.onnx'

# Run inference with the exported model
yolo predict model=yolo11n.onnx source='https://ultralytics.com/images/bus.jpg'

出口参数

将YOLO11 模型导出为ONNX 格式时，您可以使用各种参数自定义流程，以优化满足您的特定部署需求：

有关导出过程的更多详情，请访问Ultralytics 有关导出的文档页面。

部署导出的YOLO11 ONNX 模型

成功将Ultralytics YOLO11 模型导出为ONNX 格式后，下一步就是在各种环境中部署这些模型。有关部署ONNX 模型的详细说明，请参阅以下资源：

• ONNX 运行时Python API 文档:本指南提供了使用ONNX Runtime 加载和运行ONNX 模型的基本信息。

• 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 模型的不同示例。

• ONNX GitHub 上的教程:涵盖在不同场景中使用和实施ONNX 模型的各个方面的综合教程集。

• Triton 推理服务器:了解如何利用NVIDIA Triton Inference Server 部署ONNX 模型，以实现高性能、可扩展的部署。

摘要

在本指南中，您将学习如何将Ultralytics YOLO11 模型导出为ONNX 格式，以提高它们在不同平台上的互操作性和性能。您还了解了ONNX Runtime 和ONNX 部署选项。

ONNX 导出只是Ultralytics YOLO11 支持的众多导出格式之一，它允许您在几乎任何环境中部署您的模型。根据您的具体需求，您可能还想了解其他导出选项，如 TensorRT或 CoreML等其他导出选项。

有关使用的详细信息，请访问ONNX 官方文档。

此外，如果您想了解有关Ultralytics YOLO11 集成的更多信息，请访问我们的集成指南页面。您将在那里找到大量有用的资源和见解。

常见问题

如何使用Ultralytics 将YOLO11 模型导出为ONNX 格式？

要使用Ultralytics 将YOLO11 模型导出为ONNX 格式，请按照以下步骤操作：

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo11n.onnx'

# Load the exported ONNX model
onnx_model = YOLO("yolo11n.onnx")

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

# Export a YOLO11n PyTorch model to ONNX format
yolo export model=yolo11n.pt format=onnx # creates 'yolo11n.onnx'

# Run inference with the exported model
yolo predict model=yolo11n.onnx source='https://ultralytics.com/images/bus.jpg'

有关详细信息，请访问出口文件。

使用ONNX Runtime 部署YOLO11 模型有哪些优势？

使用ONNX Runtime 部署YOLO11 模型有几个优势：

• 跨平台兼容性：ONNX Runtime 支持 Windows、macOS 和 Linux 等各种平台，确保您的模型在不同环境下流畅运行。
• 硬件加速：ONNX 运行时可利用针对 CPU、GPU 和专用加速器的特定硬件优化，提供高性能推理。
• 框架互操作性：使用流行框架（如 PyTorch或TensorFlow 等流行框架训练的模型可轻松转换为ONNX 格式，并使用ONNX Runtime 运行。
• 性能优化：与原生PyTorch 模型相比，ONNX Runtime 的CPU 速度最多可提高 3 倍，因此非常适合GPU 资源有限的部署场景。

如需了解更多信息，请查看ONNX Runtime 文档。

YOLO11 模型导出到ONNX 时有哪些部署选项？

YOLO11 导出到ONNX 的模型可在各种平台上部署，包括

• 中央处理器：利用ONNX Runtime 优化CPU 推论。
• 图形处理器：利用NVIDIA CUDA 实现高性能GPU 加速。
• 边缘设备：在边缘设备和移动设备上运行轻量级模型，实现设备上的实时推理。
• 网络浏览器：在网络浏览器中直接执行模型，实现交互式网络应用。
• 云服务：在支持ONNX 格式的云平台上部署，实现可扩展推理。

如需了解更多信息，请参阅我们的模型部署选项指南。

为什么Ultralytics YOLO11 模型要使用ONNX 格式？

在Ultralytics YOLO11 模型中使用ONNX 格式有很多好处：

• 互操作性：ONNX 允许在不同机器学习框架之间无缝传输模型。
• 性能优化：ONNX 运行时可利用特定硬件的优化功能提高模型性能。
• 灵活性：ONNX 支持各种部署环境，使您无需修改即可在不同平台上使用相同的模型。
• 标准化：ONNX 提供的标准化格式在业界得到广泛支持，确保了长期兼容性。

请参阅 YOLO11 模型导出到ONNX 的综合指南。

在将YOLO11 模型导出到ONNX 时，如何排除故障？

将YOLO11 模型导出到ONNX 时，可能会遇到一些常见问题，如不匹配的依赖关系或不支持的操作。要排除这些问题，请

1. 验证是否安装了正确版本的所需依赖项。
2. 有关支持的操作员和功能，请查看ONNX 官方 文档。
3. 查看错误信息以寻找线索，并查阅Ultralytics 常见问题指南。
4. 尝试使用不同的导出参数，如 simplify=True 或调整 opset 版本。
5. 对于动态输入大小问题，设置 dynamic=True 在出口过程中。

如果问题仍然存在，请联系Ultralytics 支持部门寻求进一步帮助。

📅创建于 1 年前 ✏️已更新 3 天前

评论