【YOLOV8】YOLOV8模型导出export参数说明

以下是 YOLOv8 支持的导出格式。可以通过 format 参数将模型导出为任何格式，例如 format=‘onnx’ 或 format=‘engine’。导出的模型可以直接用于预测或验证，例如使用 yolo predict model=yolov8n.onnx。Ultralytics YOLOv8 的导出模式提供了多种选项，用于将训练好的模型导出到不同的格式，可以在不同平台设备上部署。将yol

qq_42761751

8041人浏览 · 2024-07-31 19:00:44

qq_42761751 · 2024-07-31 19:00:44 发布

引言：

Ultralytics YOLOv8 的导出模式提供了多种选项，用于将训练好的模型导出到不同的格式，可以在不同平台设备上部署

使用示例

将yolov8x.pt导出为ONNX格式

from ultralytics import YOLO
model = YOLO('yolov8x.pt') 
model.export(format='onnx')

export参数详解

Argument	Type	Default	Description
format	str	‘torchscript’	导出模型的目标格式，例如 ‘onnx’、‘torchscript’、‘tensorflow’ 或其他格式，用于定义与各种部署环境的兼容性
imgsz	int or tuple	640	模型输入的期望图像大小。可以是整数，或者用于特定尺寸的元组（高度，宽度）
keras	bool	False	启用导出为Keras格式的TensorFlow SavedModel，提供与TensorFlow服务和API的兼容性
optimize	bool	False	在导出到TorchScript时应用移动设备优化，可能会减少模型大小并提高性能
half	bool	False	启用FP16（半精度）量化，减少模型大小，并可能在支持的硬件上加速推理
int8	bool	False	启用INT8量化，进一步压缩模型并加速推理，精度损失最小，主要适用于边缘设备
dynamic	bool	False	允许 ONNX 和 TensorRT 导出支持动态输入尺寸，提高处理不同图像尺寸的灵活性
simplify	bool	False	通过 onnxslim 简化 ONNX 导出的模型图，可能提高性能和兼容性
opset	int	None	指定 ONNX opset 版本，以确保与不同的 ONNX 解析器和运行时兼容。如果未设置，将使用最新支持的版本
workspace	float	4.0	设置 TensorRT 优化的最大工作空间大小（以 GiB 为单位），以平衡内存使用和性能
nms	bool	False	为 CoreML 导出添加非极大值抑制（NMS），这是准确和高效检测后处理的关键
batch	int	1	指定导出模型的批量推理大小或在预测模式下导出模型将同时处理的最大图像数量

export format 参数详解

以下是 YOLOv8 支持的导出格式。可以通过 format 参数将模型导出为任何格式，例如 format=‘onnx’ 或 format=‘engine’。导出的模型可以直接用于预测或验证，例如使用 yolo predict model=yolov8n.onnx。

Format	format Argument	Model	Metadata	Arguments
PyTorch	-	yolov8n.pt	✅	-
TorchScript	torchscript	yolov8n.torchscript	✅	imgsz, optimize, batch
ONNX	onnx	yolov8n.onnx	✅	imgsz, half, dynamic, simplify, opset, batch
OpenVINO	openvino	yolov8n_openvino_model/	✅	imgsz, half, int8, batch
TensorRT	engine	yolov8n.engine	✅	imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML	coreml	yolov8n.mlpackage	✅	imgsz, half, int8, nms, batch
TF SavedModel	saved_model	yolov8n_saved_model/	✅	imgsz, keras, int8, batch
TF GraphDef	pb	yolov8n.pb	❌	imgsz, batch
TF Lite	tflite	yolov8n.tflite	✅	imgsz, half, int8, batch
TF Edge TPU	edgetpu	yolov8n_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n_web_model/	✅	imgsz, half, int8, batch
PaddlePaddle	paddle	yolov8n_paddle_model/	✅	imgsz, batch
NCNN	ncnn	yolov8n_ncnn_model/	✅	imgsz, half, batch

本文参考：
https://docs.ultralytics.com/modes/export/#arguments

技术共进，成长同行——讯飞AI开发者社区

更多推荐

AI智能体—人工智能工作流与人工智能智能体：真正的区别是什么？

本文探讨了人工智能工作流与智能体的核心区别。工作流是静态、可预测的执行序列（如预处理→嵌入→搜索→总结），适合批处理作业；而智能体能动态感知环境、自主决策（感知→推理→决策循环），具备适应性和工具选择能力。关键差异在于：工作流遵循固定路径，智能体则能根据目标调整策略。架构上，工作流使用Airflow等工具，智能体依赖LangChain等框架。智能体的自主性使其更适用于动态环境，代表下一代AI应用方