YOLO系列模型 pt文件转化为ONNX导出

原创

已于 2024-06-07 16:38:05 修改 · 2.4k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #深度学习 #神经网络

于 2024-06-06 21:54:43 首次发布

文章目录

啥是onnx
怎么导出
导出之后
- 关于文件的size会变大

啥是onnx

在这里插入图片描述
Microsoft 和合作伙伴社区创建了 ONNX 作为表示机器学习模型的开放标准。许多框架（包括 TensorFlow、PyTorch、scikit-learn、Keras、Chainer、MXNet 和 MATLAB）的模型都可以导出或转换为标准 ONNX 格式。 在模型采用 ONNX 格式后，可以在各种平台和设备上运行这些模型。
懂了吧，简单来说就是emmmmm微软干了类似统一度量衡的事情，类似Pytorch，Keras，mxnet的模型都可以导出成onnx的格式。之后放到别的平台上去运行，也就是说，一旦导出成了onnx格式，就跟你之前用的是啥库没关系了哈。

怎么导出

from ultralytics import YOLO

# load a pretrained model (recommended for training)
model = YOLO('best.pt')

# Export the model
success =

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

QuanHaHQuan

关注关注

3
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【yolo】YOLOv8模型导出完全指南：从PT到ONNX及其他格式的完整实践

songhuangong123的博客

09-20

1609

摘要：本文全面介绍了YOLOv8模型从PT格式导出为ONNX等部署格式的完整流程与最佳实践。重点解析了关键参数（如format、imgsz、simplify）的作用机制，特别强调输入尺寸imgsz会自动继承训练尺寸的特性，并提供了ONNX、TensorRT等格式的典型导出配置方案。文章还总结了常见问题解决办法，推荐使用simplify优化模型性能，同时分享了通过C#实现模型重命名的实用技巧。最后指出"训练决定能力，导出定义接口"的核心原则，帮助开发者高效完成模型部署转换。

yolo pt转onnx导出

蜗牛牛的博客

02-18

2189

方法二：cmd的终端中使用命令 python export.py。方法一：PyCharm软件中右键执行代码。3.要执行 export.py 文件。

参与评论您还未登录，请先登录后发表或查看评论

YOLOv10 ONNX导出全流程：支持多框架部署

gitblog_00546的博客

09-07

340

你是否遇到过训练好的YOLO模型难以在不同框架间移植的问题？是否因部署环境限制而无法充分发挥模型性能？ONNX（Open Neural Network Exchange）格式的出现彻底解决了这一痛点。作为一种开放的神经网络中间表示格式，ONNX允许模型在PyTorch、TensorFlow、OpenCV等多框架间无缝迁移，同时支持CPU、GPU、边缘设备等多种硬件平台。本文将以YOLOv10为基础...

YOLO模型的.pt文件转换为ONNX格式

fcgmqty的专栏

11-01

4442

如果你的Linux系统支持NVIDIA GPU，可以使用 TensorRT 将 ONNX 模型转换为 TensorRT 引擎文件（通常为 .bin 或 .engine），以便在 GPU 上加速推理。在将YOLO的ONNX模型转换为二进制的.bin文件并部署到Linux中运行，可以借助OpenVINO或TensorRT等工具完成。转换后的.engine文件可以通过TensorRT的API在Linux环境中运行，也可以在C++或Python代码中加载TensorRT引擎文件来执行推理。

yolov5 pt模型转 onnx格式

silent702366的博客

07-26

1196

yolov5 pt模型转 onnx格式

yolov5的pt模型转onnx模型，onnx模型转engine模型

m0_66380820的博客

07-18

4045

ONNX（Open Neural Network Exchange）是一种用于表示深度学习模型的开放标准，它允许不同的深度学习框架和工具之间进行模型交换。ONNX模型具有跨平台的兼容性，可以在不同的硬件和软件上运行，从而提高了模型的部署效率和可移植性。开放性：ONNX是一个开放的标准，由多家技术公司共同维护和发展，确保了模型的广泛兼容性和未来的发展潜力。跨平台兼容性：ONNX模型可以在不同的操作系统和硬件上运行，包括CPU、GPU等，这使得模型部署更加灵活。

YOLO11 实例分割 | 导出ONNX模型 | ONNX模型推理

黎国溥

10-15

1万+

本文分享YOLO11中，从xxx.pt权重文件转为.onnx文件，然后使用.onnx文件，进行实例分割任务的模型推理。用ONNX模型推理，便于算法到开发板或芯片的部署。备注：本文是使用Python，编写ONNX模型推理代码的。

YOLO11 class网络pt模型转onnx模型精度损失问题解决

weixin_45560674的博客

07-16

1109

第二步则是对(320, 382)进行中心提取，图像尺寸转为(320,320)。注：博主本来是在c++上进行onnx模型部署，但是c++代码上onnx模型错误率很高，为了方便调试，也为了检测python和c++加载模型会有什么变化，所以在以下python代码中进行了测试，测试结果与c++代码的结果一样。因此，从模型导出的参数设置，到onnx模型cv2.dnn.blobFromImage方法加载的参数设置，都进行了改变，对错误率的减少基本没有作用，因此怀疑是pt模型的图像预处理与onnx的图像预处理存在不同。

yolo pt模型到onnx转换

03-05

YOLO模型在转换为ONNX格式时，需要考虑ONNX的版本，因为不同版本可能支持的算子或特性不同。因此，需要确保转换代码与目标ONNX版本兼容。 6. 模型优化和简化：转换后的ONNX模型可能需要进行优化，包括节点合并、...

yolo的模型转换权重pt文件转onnx（1）

m0_60657960的博客

03-08

3460

环境配置Ubuntu20.04 系统yolov5 5.0 训练标注的数据集，生成best.pt模型权重labelImg软件：用来标注数据集。

yolov5模型转换(一) pt文件转onnx

热门推荐

qq_45057749的博客

03-24

3万+

参考文献： YOLOv5利用ncnn部署系列(二).

将pt文件转换成onnx文件

A1983Z的博客

11-04

3231

将pt文件转化为onnx文件

使用YOLO5—V7.0训练模型并将训练结果模型.pt转成.onnx测试

boys_w的博客

04-26

4877

使用YOLO5 --v5.0 的 export将训练好的.pt模型文件转成.onnx文件出现各种错误虽然转出了onnx文件，但是并不能检测出目标物体。经过各种精神折磨后发现是版本问题，所以在这里对v7.0版本的使用做个笔记（重点是使用export文件转出onnx文件并且在detect文件里使用onnx文件检测onnx文件）。吧啦吧啦又说了一堆，（心里自我安慰都是为了完成任务。后面应该会研究一下onnx的部署吧。吐槽：大一的自己如此忙碌。

把pt格式装换成ONNX格式

m0_69192635的博客

12-13

2954

将YOLOv5模型从.pt（PyTorch格式）转换为ONNX格式是一个常见的需求，特别是当你希望在不同的环境中部署模型时。以下是将YOLOv5的.pt文件转换为ONNX格式的步骤首先，确保你已经安装了必要的依赖项。

pycharm里将.pt文件格式转化成onnx文件

qq_63600979的博客

09-13

3015

进行yolov5自定义模型训练后，形成.Pt文件，要想在rk3588开发板上部署yolov5的训练模型，需要将.pt文件先转化成onnx模型，最后再转成rknn完成部署

【教程】YOLOv5模型转化-Android端部署

weixin_42815846的博客

06-03

1万+

这里写目录标题前言转化方法官方的转化方法合作者的转化方法量化部署部署流程效果展示前言最近做毕设使用到yolov5，该模型为ultralytics公司的一个开源产品，由Glenn大佬实现，有很多合作的开发者参与了该项目，开发迭代速度非常快，三天两头就有更新。为了实现一个完整的毕业设计流程，就需要实现YOLOv5模型的训练、验证到最终的落地，也就是部署。训练相对简单，只需要跟着官方教程即可，根据特定数据集进行预处理并训练????????链接训练并验证后则需要考虑部署，具体部署方案有： ONNX：该模

YOLOv5 pt转为onnx

qq_45834106的博客

01-19

2559

使用onnx模型的时候，很反常，打印出来的使用设备是GPU，但是我查看GPU时GPU的利用率是零，并且速度很慢，应该是使用CPU跑的。然后我发现有一个叫dnn的东西可以和onnx配合着使用，我就尝试了一下，此时onnx模型的前向推理速度是1s一张图。运行下面的代码安装onnx相关的环境，按照自己的设备进行选择。所以应该是onnx和cuda、cudnn的版本没对上，重新装就好了。是没办法安装好onnx环境的。看到这里，在我只能说yolov5的作者真的太贴心了。下面是5x的一些实验，均开启了半精度。

yolov5 pt模型转成onnx模型

ydscc的博客

12-20

1814

。

YOLO 模型从 PyTorch 转换为 ONNX 并优化

最新发布

Darker的博客

09-10

1540

本文系统介绍了如何将YOLOv8模型从PyTorch格式导出为ONNX，并使用onnxruntime对模型进行优化和验证。

yolo如何将.pt模型转化为.onnx模型？

03-18

<think>好的，用户想了解如何将YOLO的PyTorch .pt模型转换为ONNX模型。我需要先回顾一下相关的转换步骤和可能遇到的问题。首先，我记得PyTorch导出ONNX模型主要使用torch.onnx.export函数。需要确保PyTorch和ONNX的库已经安装。用户可能使用的是YOLOv5或YOLOv8之类的版本，这些仓库通常有自带的导出脚本，可能需要先加载模型，然后提供示例输入。然后，需要考虑模型的输入尺寸，比如640x640的图像，格式是BCHW。动态轴的问题也很重要，用户可能希望在不同批次或尺寸下运行，所以需要设置dynamic_axes参数。接下来，检查是否有自定义层，YOLO模型中的某些操作可能需要注册自定义符号。例如，如果导出时出现不支持的操作错误，可能需要扩展ONNX的操作集，或者简化模型结构。另外，用户可能关心转换后的验证步骤，比如用ONNX Runtime运行推理，比较结果是否一致。这一步很重要，确保转换后的模型正确无误。还有，用户提供的引用中提到了torch.jit.load，这可能涉及加载脚本化的模型。如果原始.pt模型是通过torch.jit保存的，可能需要先加载再导出，确保模型处于eval模式，避免训练模式下的操作影响导出。最后，常见问题如版本兼容性，PyTorch、ONNX、ONNX Runtime的版本需要匹配。用户可能需要安装特定版本的库，比如onnx和onnxruntime包，同时注意CUDA版本是否一致。总结步骤应该是：安装依赖、加载模型、准备输入、调用export函数、验证输出。同时提醒用户注意动态轴设置、自定义操作处理和版本兼容性问题。</think>### 将YOLO PyTorch .pt模型转换为ONNX模型的步骤 #### 1. **安装依赖库** 确保环境中已安装以下库： - PyTorch ≥ 1.7.0 - ONNX (`pip install onnx`) - ONNX Runtime (`pip install onnxruntime`) 若使用YOLOv5官方仓库，还需安装其依赖： ```bash git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt ``` #### 2. **加载PyTorch模型** YOLO的.pt模型可能是通过`torch.save()`或`torch.jit.save()`保存的。若模型是ScriptModule格式（如YOLOv5的官方导出方式），需使用`torch.jit.load`加载： ```python import torch model = torch.jit.load("yolov5s.pt") model.eval() # 切换为推理模式 ``` #### 3. **定义输入尺寸与示例数据** YOLO通常接受固定尺寸的输入（如640x640），构建示例张量： ```python dummy_input = torch.randn(1, 3, 640, 640) # (batch, channels, height, width) ``` #### 4. **导出为ONNX格式** 使用`torch.onnx.export`函数导出： ```python torch.onnx.export( model, dummy_input, "yolov5s.onnx", input_names=["images"], output_names=["output"], dynamic_axes={"images": {0: "batch"}, "output": {0: "batch"}}, # 支持动态批次 opset_version=12 # 根据需求选择OP版本 ) ``` #### 5. **验证ONNX模型** 使用ONNX Runtime进行推理验证： ```python import onnxruntime as ort import numpy as np # 加载ONNX模型 sess = ort.InferenceSession("yolov5s.onnx") input_name = sess.get_inputs()[0].name # 生成输入数据 input_data = np.random.randn(1, 3, 640, 640).astype(np.float32) # 运行推理 output = sess.run(None, {input_name: input_data}) print(output[0].shape) # 检查输出形状是否符合预期 ``` #### 6. **处理常见问题** - **动态维度支持**：通过`dynamic_axes`参数定义可变的维度（如批次或分辨率）[^1]。 - **自定义算子错误**：若遇到不支持的操作，需手动注册自定义符号或简化模型结构。 - **版本兼容性**：确保PyTorch、ONNX、ONNX Runtime的版本匹配（例如PyTorch 1.10+与ONNX opset 15）。 ---