--- comments: true description: Guia passo a passo sobre como exportar seus modelos YOLOv8 para vários formatos como ONNX, TensorRT, CoreML e mais para implantação. Explore agora! keywords: YOLO, YOLOv8, Ultralytics, Exportação de modelo, ONNX, TensorRT, CoreML, TensorFlow SavedModel, OpenVINO, PyTorch, exportar modelo --- # Exportação de Modelo com Ultralytics YOLO Ecossistema Ultralytics YOLO e integrações ## Introdução O objetivo final de treinar um modelo é implantá-lo para aplicações no mundo real. O modo de exportação no Ultralytics YOLOv8 oferece uma ampla gama de opções para exportar seu modelo treinado para diferentes formatos, tornando-o implantável em várias plataformas e dispositivos. Este guia abrangente visa orientá-lo através das nuances da exportação de modelos, mostrando como alcançar a máxima compatibilidade e performance.



Assista: Como Exportar Modelo Treinado Customizado do Ultralytics YOLOv8 e Executar Inferência ao Vivo na Webcam.

## Por Que Escolher o Modo de Exportação do YOLOv8? - **Versatilidade:** Exporte para múltiplos formatos incluindo ONNX, TensorRT, CoreML e mais. - **Performance:** Ganhe até 5x aceleração em GPU com TensorRT e 3x aceleração em CPU com ONNX ou OpenVINO. - **Compatibilidade:** Torne seu modelo universalmente implantável em numerosos ambientes de hardware e software. - **Facilidade de Uso:** Interface de linha de comando simples e API Python para exportação rápida e direta de modelos. ### Principais Recursos do Modo de Exportação Aqui estão algumas das funcionalidades de destaque: - **Exportação com Um Clique:** Comandos simples para exportação em diferentes formatos. - **Exportação em Lote:** Exporte modelos capazes de inferência em lote. - **Inferência Otimizada:** Modelos exportados são otimizados para tempos de inferência mais rápidos. - **Vídeos Tutoriais:** Guias e tutoriais detalhados para uma experiência de exportação tranquila. !!! dica "Dica" * Exporte para ONNX ou OpenVINO para até 3x aceleração em CPU. * Exporte para TensorRT para até 5x aceleração em GPU. ## Exemplos de Uso Exporte um modelo YOLOv8n para um formato diferente como ONNX ou TensorRT. Veja a seção de Argumentos abaixo para uma lista completa dos argumentos de exportação. !!! exemplo "" === "Python" ```python from ultralytics import YOLO # Carregar um modelo model = YOLO('yolov8n.pt') # carrega um modelo oficial model = YOLO('caminho/para/best.pt') # carrega um modelo treinado personalizado # Exportar o modelo model.export(format='onnx') ``` === "CLI" ```bash yolo export model=yolov8n.pt format=onnx # exporta modelo oficial yolo export model=caminho/para/best.pt format=onnx # exporta modelo treinado personalizado ``` ## Argumentos Configurações de exportação para modelos YOLO referem-se às várias configurações e opções usadas para salvar ou exportar o modelo para uso em outros ambientes ou plataformas. Essas configurações podem afetar a performance, tamanho e compatibilidade do modelo com diferentes sistemas. Algumas configurações comuns de exportação de YOLO incluem o formato do arquivo de modelo exportado (por exemplo, ONNX, TensorFlow SavedModel), o dispositivo em que o modelo será executado (por exemplo, CPU, GPU) e a presença de recursos adicionais como máscaras ou múltiplos rótulos por caixa. Outros fatores que podem afetar o processo de exportação incluem a tarefa específica para a qual o modelo está sendo usado e os requisitos ou restrições do ambiente ou plataforma alvo. É importante considerar e configurar cuidadosamente essas configurações para garantir que o modelo exportado seja otimizado para o caso de uso pretendido e possa ser usado eficazmente no ambiente alvo. | Chave | Valor | Descrição | |-------------|-----------------|---------------------------------------------------------------------| | `format` | `'torchscript'` | formato para exportação | | `imgsz` | `640` | tamanho da imagem como escalar ou lista (h, w), ou seja, (640, 480) | | `keras` | `False` | usar Keras para exportação TF SavedModel | | `optimize` | `False` | TorchScript: otimizar para mobile | | `half` | `False` | quantização FP16 | | `int8` | `False` | quantização INT8 | | `dynamic` | `False` | ONNX/TensorRT: eixos dinâmicos | | `simplify` | `False` | ONNX/TensorRT: simplificar modelo | | `opset` | `None` | ONNX: versão do opset (opcional, padrão para a mais recente) | | `workspace` | `4` | TensorRT: tamanho do espaço de trabalho (GB) | | `nms` | `False` | CoreML: adicionar NMS | ## Formatos de Exportação Os formatos de exportação disponíveis para YOLOv8 estão na tabela abaixo. Você pode exportar para qualquer formato usando o argumento `format`, ou seja, `format='onnx'` ou `format='engine'`. | Formato | Argumento `format` | Modelo | Metadados | Argumentos | |--------------------------------------------------------------------|--------------------|---------------------------|-----------|-----------------------------------------------------| | [PyTorch](https://pytorch.org/) | - | `yolov8n.pt` | ✅ | - | | [TorchScript](https://pytorch.org/docs/stable/jit.html) | `torchscript` | `yolov8n.torchscript` | ✅ | `imgsz`, `optimize` | | [ONNX](https://onnx.ai/) | `onnx` | `yolov8n.onnx` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `opset` | | [OpenVINO](https://docs.openvino.ai/latest/index.html) | `openvino` | `yolov8n_openvino_model/` | ✅ | `imgsz`, `half` | | [TensorRT](https://developer.nvidia.com/tensorrt) | `engine` | `yolov8n.engine` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `workspace` | | [CoreML](https://github.com/apple/coremltools) | `coreml` | `yolov8n.mlpackage` | ✅ | `imgsz`, `half`, `int8`, `nms` | | [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n_saved_model/` | ✅ | `imgsz`, `keras` | | [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n.pb` | ❌ | `imgsz` | | [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n.tflite` | ✅ | `imgsz`, `half`, `int8` | | [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n_edgetpu.tflite` | ✅ | `imgsz` | | [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n_web_model/` | ✅ | `imgsz` | | [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n_paddle_model/` | ✅ | `imgsz` | | [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n_ncnn_model/` | ✅ | `imgsz`, `half` |