模型导出Ultralytics YOLO

导言

训练模型的最终目的是将其部署到实际应用中。Ultralytics YOLO11 中的导出模式为将训练好的模型导出为不同格式提供了多种选择，使其可以在各种平台和设备上部署。本综合指南旨在指导您了解模型导出的细微差别，展示如何实现最大的兼容性和性能。

观看： 如何导出自定义训练的Ultralytics YOLO 模型并在网络摄像头上运行实时推理。

为什么选择YOLO11 的导出模式？

• 多功能性：导出为多种格式，包括ONNX,TensorRT,CoreML 等。
• 性能：使用TensorRT 最多可将GPU 的速度提高 5 倍，使用ONNX 或OpenVINO 最多可将CPU 的速度提高 3 倍。
• 兼容性：使您的模型可在众多硬件和软件环境中通用部署。
• 易用性：简单的CLI 和Python 应用程序接口，可快速直接导出模型。

导出模式的主要功能

以下是一些突出的功能：

• 一键导出：导出为不同格式的简单命令。
• 批量导出：批量导出：导出具有批量推理功能的模型。
• 优化推理：输出模型经过优化，推理时间更短。
• 教程视频：深入浅出的指南和教程，带来流畅的导出体验。

使用示例

将 YOLO11n 模型导出为不同格式，如ONNX 或TensorRT 。有关导出参数的完整列表，请参阅下面的参数部分。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

论据

本表详细介绍了可用于将YOLO 模型导出为不同格式的配置和选项。这些设置对于优化导出模型的性能、大小以及在不同平台和环境中的兼容性至关重要。正确的配置可确保模型以最佳效率部署到预定应用中。

调整这些参数可自定义导出过程，以满足特定要求，如部署环境、硬件限制和性能目标。选择合适的格式和设置对于实现模型大小、速度和准确性之间的最佳平衡至关重要。

导出格式

YOLO11 可用的导出格式如下表所示。您可以使用 format 参数，即 format='onnx' 或 format='engine'.您可以直接对导出的模型进行预测或验证，即 yolo predict model=yolo11n.onnx.导出完成后会显示模型的使用示例。

常见问题

如何将YOLO11 模型导出为ONNX 格式？

使用Ultralytics 可以直接将YOLO11 模型导出为ONNX 格式。它提供了Python 和CLI 两种导出模型的方法。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

有关程序的更多详情，包括处理不同输入尺寸等高级选项，请参阅ONNX 部分。

使用TensorRT 导出模型有什么好处？

使用TensorRT 导出模型可显著提高性能。YOLO11 导出到TensorRT 的模型速度最高可达GPU 的 5 倍，是实时推理应用的理想选择。

• 多功能性：针对特定硬件设置优化模型。
• 速度：通过高级优化实现更快的推理。
• 兼容性：可与NVIDIA 硬件顺利集成。

要了解有关集成TensorRT 的更多信息，请参阅TensorRT 集成指南。

导出YOLO11 模型时，如何启用 INT8 量化？

INT8 量化是压缩模型和加快推理速度的绝佳方法，尤其是在边缘设备上。下面介绍如何启用 INT8 量化：

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a model
model.export(format="engine", int8=True)

yolo export model=yolo11n.pt format=engine int8=True   # export TensorRT model with INT8 quantization

INT8 量化可应用于各种格式，如TensorRT 和CoreML 。更多详情，请参阅 "导出 "部分。

为什么输出模型时动态输入尺寸很重要？

动态输入尺寸允许导出的模型处理不同的图像尺寸，为不同的使用案例提供灵活性并优化处理效率。在导出为ONNX 或TensorRT 等格式时，启用动态输入尺寸可确保模型能无缝适应不同的输入形状。

要启用此功能，请使用 dynamic=True 标志：

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="onnx", dynamic=True)

yolo export model=yolo11n.pt format=onnx dynamic=True

有关更多信息，请参阅动态输入尺寸配置。

优化模型性能需要考虑哪些关键的出口参数？

了解和配置导出参数对于优化模型性能至关重要：

• format: 导出模型的目标格式（例如："......"）、 onnx, torchscript, tensorflow).
• imgsz: 模型输入所需的图像大小（例如："......"）、 640 或 (height, width)).
• half: 启用 FP16 量化，减少模型大小，并可能加快推理速度。
• optimize: 针对移动或受限环境进行特定优化。
• int8: 启用 INT8 量化，非常有利于边缘部署。

有关所有导出参数的详细列表和解释，请访问导出参数部分。

📅创建于 1 年前 ✏️已更新 27 天前

评论