yolov8_test/docs/fr/modes/export.md

comments	description	keywords
true	Guide étape par étape sur l'exportation de vos modèles YOLOv8 vers divers formats tels que ONNX, TensorRT, CoreML et plus encore pour le déploiement. Explorez maintenant !.	YOLO, YOLOv8, Ultralytics, Exportation de modèle, ONNX, TensorRT, CoreML, TensorFlow SavedModel, OpenVINO, PyTorch, exporter un modèle

Exportation de modèle avec Ultralytics YOLO

Introduction

L'objectif ultime de l'entraînement d'un modèle est de le déployer pour des applications dans le monde réel. Le mode d'exportation de Ultralytics YOLOv8 offre une large gamme d'options pour exporter votre modèle entraîné dans différents formats, le rendant déployable sur diverses plateformes et appareils. Ce guide complet vise à vous guider à travers les nuances de l'exportation de modèles, en montrant comment atteindre une compatibilité et des performances maximales.

Regardez : Comment exporter un modèle Ultralytics YOLOv8 entraîné personnalisé et effectuer une inférence en direct sur webcam.

Pourquoi choisir le mode d'exportation YOLOv8 ?

• Polyvalence : Exportation vers plusieurs formats, y compris ONNX, TensorRT, CoreML et plus encore.
• Performance : Gagnez jusqu'à 5 fois la vitesse d'une GPU avec TensorRT et 3 fois la vitesse d'une CPU avec ONNX ou OpenVINO.
• Compatibilité : Rendez votre modèle universellement déployable sur de nombreux environnements matériels et logiciels.
• Facilité d'utilisation : Interface en ligne de commande (CLI) et API Python simples pour une exportation rapide et directe du modèle.

Caractéristiques clés du mode d'exportation

Voici quelques-unes des fonctionnalités remarquables :

• Exportation en un clic : Commandes simples pour exporter vers différents formats.
• Exportation groupée : Exportez des modèles capables d'inférence par lot.
• Inférence optimisée : Les modèles exportés sont optimisés pour des temps d'inférence plus rapides.
• Vidéos tutorielles : Guides détaillés et tutoriels pour une expérience d'exportation fluide.

!!! astuce "Conseil"

* Exportez vers ONNX ou OpenVINO pour une accélération de la CPU jusqu'à 3 fois.
* Exportez vers TensorRT pour une accélération de la GPU jusqu'à 5 fois.

Exemples d'utilisation

Exportez un modèle YOLOv8n vers un format différent tel que ONNX ou TensorRT. Voir la section Arguments ci-dessous pour une liste complète des arguments d'exportation.

!!! Example "Exemple"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n.pt')  # chargez un modèle officiel
    model = YOLO('path/to/best.pt')  # chargez un modèle entraîné personnalisé

    # Exporter le modèle
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n.pt format=onnx  # exporter modèle officiel
    yolo export model=path/to/best.pt format=onnx  # exporter modèle entraîné personnalisé
    ```

Arguments

Les paramètres d'exportation pour les modèles YOLO se réfèrent aux diverses configurations et options utilisées pour sauvegarder ou exporter le modèle pour utilisation dans d'autres environnements ou plateformes. Ces paramètres peuvent affecter la performance, la taille et la compatibilité du modèle avec différents systèmes. Certains paramètres d'exportation YOLO courants incluent le format du fichier modèle exporté (par exemple, ONNX, TensorFlow SavedModel), le dispositif sur lequel le modèle sera exécuté (par exemple, CPU, GPU), et la présence de fonctionnalités supplémentaires telles que des masques ou des étiquettes multiples par boîte. D'autres facteurs qui peuvent affecter le processus d'exportation incluent la tâche spécifique pour laquelle le modèle est utilisé et les exigences ou contraintes de l'environnement ou de la plateforme cible. Il est important de considérer et de configurer ces paramètres avec soin pour s'assurer que le modèle exporté est optimisé pour le cas d'utilisation visé et peut être utilisé efficacement dans l'environnement cible.

Clé	Valeur	Description
format	'torchscript'	format vers lequel exporter
imgsz	640	taille d'image sous forme scalaire ou liste (h, w), par ex. (640, 480)
keras	False	utilisez Keras pour l'exportation TensorFlow SavedModel
optimize	False	TorchScript : optimisation pour mobile
half	False	quantification FP16
int8	False	quantification INT8
dynamic	False	ONNX/TensorRT : axes dynamiques
simplify	False	ONNX/TensorRT : simplifier le modèle
opset	None	ONNX : version de l'ensemble d'opérations (facultatif, par défaut à la dernière)
workspace	4	TensorRT : taille de l'espace de travail (GB)
nms	False	CoreML : ajout de la NMS

Formats d'exportation

Les formats d'exportation disponibles pour YOLOv8 sont dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format en utilisant l'argument format, par ex. format='onnx' ou format='engine'.

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