YOLO26 模型的 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实现最佳性能。本指南将向你介绍如何轻松地将 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。

ONNX 和 ONNX Runtime#

ONNX 即开放神经网络交换格式，是一个最初由 Facebook 和 Microsoft 开发的社区项目。ONNX 的持续开发由多个组织协作支持，包括 IBM、Amazon（通过 AWS）和 Google。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，使其能够跨不同的 AI 框架和硬件使用。

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。

或者，你也可以将 ONNX 模型与 ONNX Runtime 搭配使用。ONNX Runtime 是一种多功能跨平台机器学习模型加速器，与 PyTorch、TensorFlow、scikit-learn 等框架兼容。

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。

无论是独立使用还是与 ONNX Runtime 配合使用，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 能够处理各种格式，主要得益于以下关键特性：

• 通用模型表示：ONNX 定义了一组通用算子（如卷积、层等）和一种标准数据格式。当模型转换为 ONNX 格式时，其架构和权重会被转换为这种通用表示。这种统一性确保任何支持 ONNX 的框架都能理解该模型。

• 版本控制和向后兼容性：ONNX 为其算子维护版本控制系统。这确保即使标准不断演进，在旧版本中创建的模型仍然可用。向后兼容性是一项关键特性，可防止模型快速过时。

• 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，其中节点表示操作或计算，边表示在节点之间流动的张量。这种格式很容易适配同样以图形式表示模型的各种框架。

• 工具和生态系统：围绕 ONNX 已形成丰富的工具生态系统，可协助进行模型转换、可视化和优化。这些工具让开发者能够更轻松地使用 ONNX 模型，并在不同框架之间无缝转换模型。

ONNX 的常见用途#

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

CPU 部署#

由于兼容 ONNX Runtime，ONNX 模型通常部署在 CPU 上。该运行时针对 CPU 执行进行了优化，能够显著提升推理速度，使实时 CPU 部署成为可能。

支持的部署选项#

虽然 ONNX 模型通常用于 CPU，但也可以部署在以下平台上：

• GPU 加速：ONNX 完全支持 GPU 加速，尤其是 NVIDIA CUDA。对于 AMD GPU 上的原生训练和推理，请使用 PyTorch ROCm；ONNX 文件仍需要兼容 AMD 的运行时。

• 边缘设备和移动设备：ONNX 可用于边缘设备和移动设备，非常适合设备端和实时推理场景。它轻量且兼容边缘硬件，同时还可作为厂商 NPU 格式的基础，例如 Huawei Ascend、面向 Snapdragon 设备的 Qualcomm QNN，以及面向 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、动态的基于 Web 的 AI 应用提供支持。

支持的任务#

ONNX 导出支持 Ultralytics 的全部七项任务。语义分割和深度估计仅适用于 YOLO26，因为 YOLO26 是唯一配备这些检测头的系列。

将 YOLO26 模型导出为 ONNX#

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#

要安装所需的软件包，请运行：

# Install the required package for YOLO26
pip install ultralytics

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

使用方法#

在开始阅读使用说明之前，请务必查看 Ultralytics 提供的 YOLO26 模型。这将帮助你根据项目需求选择最合适的模型。

ONNX 格式支持 Export、Predict 和 Validate 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", quantize=8, 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")

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，以针对特定部署需求进行优化：

如需详细了解导出流程，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这些模型。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 模型的必要信息。

• 在边缘设备上部署：请查看此文档页面，了解在边缘设备上部署 ONNX 模型的不同示例。

• GitHub 上的 ONNX 教程：涵盖在不同场景中使用和实现 ONNX 模型各个方面的综合教程集合。

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

总结#

在本指南中，你了解了如何将 Ultralytics YOLO26 模型导出为 ONNX 格式，从而提升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，可让你几乎在任何环境中部署模型。根据具体需求，你还可以探索其他导出选项，例如用于实现最大 GPU 性能的 TensorRT，或用于 Apple 设备的 CoreML。

如需更多使用详情，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，请访问我们的集成指南页面。你可以在那里找到大量实用资源和见解。

常见问题#