使用 Ultralytics YOLO 进行模型导出

简介

训练模型的最终目标是将其部署到实际应用中。Ultralytics YOLO26 中的导出模式提供了多种选项，可将您训练好的模型导出为不同格式，使其能够在各种平台和设备上部署。本综合指南旨在引导您了解模型导出的细微之处，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。

为何选择YOLO26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 可获得高达 5 倍的 GPU 加速，使用 ONNX 或 OpenVINO 可获得 3 倍的 CPU 加速。
• 兼容性： 使您的模型能够普遍部署在众多的硬件和软件环境中。
• 易于使用： 简单的 CLI 和 python API，可快速直接地导出模型。

导出模式的主要特性

以下是一些突出的功能：

• 一键导出： 用于导出为不同格式的简单命令。
• 批量导出： 导出支持批量推理的模型。
• 优化推理： 导出的模型经过优化，可加快推理时间。
• 教程视频： 深入的指南和教程，带来流畅的导出体验。

使用示例

将 YOLO26n 模型导出为 ONNX 或 TensorRT 等不同格式。有关完整的导出参数列表，请参阅下面的“参数”部分。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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=yolo26n.pt format=onnx      # export official model
yolo export model=path/to/best.pt format=onnx # export custom-trained model

参数

此表详细说明了将 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、大小以及在各种平台和环境中的兼容性至关重要。正确的配置可确保模型已准备好部署在预期应用中，并具有最佳效率。

调整这些参数可以自定义导出过程，以满足特定要求，例如部署环境、硬件约束和性能目标。选择合适的格式和设置对于在模型大小、速度和 准确性 之间实现最佳平衡至关重要。

导出格式

可用的 YOLO26 导出格式如下表所示。您可以使用以下方式导出为任何格式 format 参数，即 format='onnx' 或 format='engine'。您可以直接在导出模型上进行预测或验证，即 yolo predict model=yolo26n.onnx。导出完成后，将显示您的模型的使用示例。

常见问题

如何将YOLO26模型导出为ONNX格式？

使用 Ultralytics 将 YOLO26 模型导出为 ONNX 格式非常简单。它提供了 python 和 CLI 两种模型导出方法。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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=yolo26n.pt format=onnx      # export official model
yolo export model=path/to/best.pt format=onnx # export custom-trained model

有关该过程的更多详细信息，包括处理不同输入大小等高级选项，请参阅ONNX 集成指南。

使用 TensorRT 导出模型有什么好处？

使用 TensorRT 进行模型导出可显著提升性能。导出到 TensorRT 的 YOLO26 模型可实现高达 5 倍的 GPU 加速，使其成为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： 与 NVIDIA 硬件平稳集成。

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

在导出YOLO26模型时，如何启用INT8量化？

INT8 量化是压缩模型和加速推理的好方法，尤其是在边缘设备上。以下是如何启用 INT8 量化：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a model
model.export(format="engine", int8=True)

yolo export model=yolo26n.pt format=engine int8=True # export TensorRT model with INT8 quantization

INT8 量化可以应用于各种格式，例如 TensorRT, OpenVINO和 CoreML。为了获得最佳量化结果，请提供具有代表性的 数据集 使用 data 参数。

导出模型时，为什么动态输入尺寸很重要？

动态输入大小允许导出的模型处理不同的图像尺寸，从而为不同的用例提供灵活性并优化处理效率。当导出为 ONNX 或 TensorRT 等格式时，启用动态输入大小可确保模型能够无缝适应不同的输入形状。

要启用此功能，请使用 dynamic=True 导出期间的标志：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

yolo export model=yolo26n.pt format=onnx dynamic=True

动态输入大小对于输入尺寸可能不同的应用程序特别有用，例如视频处理或处理来自不同来源的图像时。

优化模型性能需要考虑哪些关键的导出参数？

理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: 模型输入的所需图像大小（例如， 640 或 (height, width)）。
• half: 启用 FP16 量化，从而减小模型大小并可能加速推理。
• optimize: 针对移动或受限环境应用特定优化。
• int8: 启用 INT8 量化，对以下方面非常有益 边缘AI 部署。

为了在特定硬件平台上部署，请考虑使用专门的导出格式，例如用于 NVIDIA GPU 的 TensorRT、用于 Apple 设备的 CoreML 或用于 Google Coral 设备的 Edge TPU。

导出的 YOLO 模型中的输出 tensor 代表什么？

当您将 YOLO 模型导出为 ONNX 或 TensorRT 等格式时，输出 tensor 的结构取决于模型任务。理解这些输出对于自定义推理实现至关重要。

关于 detect 模型 （例如， yolo26n.pt)，输出通常是一个形状为 (batch_size, 4 + num_classes, num_predictions) 其中通道表示边界框坐标加上每个类别的分数，并且 num_predictions 取决于导出输入分辨率（并且可以是动态的）。

关于 segment 模型 （例如， yolo26n-seg.pt)，您通常会得到两个输出：第一个 tensor 的形状为 (batch_size, 4 + num_classes + mask_dim, num_predictions) （边界框、类别分数和掩码系数），第二个 tensor 的形状为 (batch_size, mask_dim, proto_h, proto_w) 其中包含用于与系数结合生成实例掩码的掩码原型。尺寸取决于导出输入分辨率（并且可以是动态的）。

关于 姿势估计模型 （例如， yolo26n-pose.pt)，输出 tensor 通常形状为 (batch_size, 4 + num_classes + keypoint_dims, num_predictions)，其中 keypoint_dims 取决于姿势估计规范（例如关键点数量以及是否包含置信度），并且 num_predictions 取决于导出输入分辨率（并且可以是动态的）。

在ONNX 推理示例中的例子演示了如何处理每种模型类型的这些输出。

📅 创建于 2 年前 ✏️ 更新于 2 天前

评论