超详细YOLOv8预测参数、说明详解

目录

引言

为什么选择 YOLOv8 的导出模式？

导出模式的关键特性

使用示例

参数

导出格式

---

 yolov8导航

        如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接，我这边整理了许多其他任务的说明博文，后续也会持续更新，包括yolov8模型优化、sam等等的相关内容。

YOLOv8（附带各种任务详细说明链接）

引言

        训练模型的最终目标是将其部署到现实世界的应用中。Ultralytics YOLOv8 的导出模式提供了多种选项，用于将您训练好的模型导出到不同的格式，从而可以在各种平台和设备上部署。本综合指南旨在带您逐步了解模型导出的细节，展示如何实现最大的兼容性和性能。

为什么选择 YOLOv8 的导出模式？

• 多功能性： 支持导出到多种格式，包括 ONNX、TensorRT、CoreML 等。
• 性能： 使用 TensorRT 可实现高达 5 倍 GPU 加速，使用 ONNX 或 OpenVINO 可实现高达 3 倍 CPU 加速。
• 兼容性： 使您的模型可以在众多硬件和软件环境中广泛部署。
• 易用性： 简单的 CLI 和 Python API，快速直接地进行模型导出。

导出模式的关键特性

以下是一些突出的功能：

• 一键导出： 用于导出到不同格式的简单命令。
• 批量导出： 支持批推理能力的模型导出。
• 优化推理： 导出的模型针对更快的推理时间进行优化。
• 教学视频： 提供深入指导和教学，确保流畅的导出体验。

使用示例

         将 YOLOv8n 模型导出为 ONNX 或 TensorRT 等不同格式。查看下面的参数部分，了解完整的导出参数列表。

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')  # 加载训练好的模型

# 导出onnx格式模型
model.export(format='onnx')

参数

         YOLO 模型的导出设置是指用于在其他环境或平台中使用模型时保存或导出模型的各种配置和选项。这些设置会影响模型的性能、大小和与不同系统的兼容性。一些常见的 YOLO 导出设置包括导出的模型文件格式（例如 ONNX、TensorFlow SavedModel）、模型将在哪个设备上运行（例如 CPU、GPU）以及是否包含附加功能，如遮罩或每个框多个标签。其他可能影响导出过程的因素包括模型用途的具体细节以及目标环境或平台的要求或限制。重要的是要仔细考虑和配置这些设置，以确保导出的模型针对预期用例经过优化，并且可以在目标环境中有效使用。

Key	Value	Description
format	'torchscript'	导出的格式 (Export format)
imgsz	640	图像尺寸，可以是标量或 (h, w) 列表，比如 (640, 480) (Image size, can be a scalar or a (h, w) list, e.g., (640, 480))
keras	False	使用 Keras 导出 TF SavedModel (Use Keras to export TF SavedModel)
optimize	False	TorchScript：为移动设备优化 (TorchScript: Optimize for mobile devices)
half	False	FP16 量化 (FP16 quantization)
int8	False	INT8 量化 (INT8 quantization)
dynamic	False	ONNX/TensorRT：动态轴 (ONNX/TensorRT: Dynamic axis)
simplify	False	ONNX/TensorRT：简化模型 (ONNX/TensorRT: Simplify model)
opset	None	ONNX：opset 版本（可选，默认为最新版本）(ONNX: opset version (optional, default is the latest version))
workspace	4	TensorRT：工作区大小（GB）(TensorRT: Workspace size (GB))
nms	False	CoreML：添加 NMS (CoreML: Add NMS)

导出格式

         下表中提供了可用的 YOLOv8 导出格式。您可以使用 format 参数导出任何格式的模型，比如 format='onnx' 或 format='engine'。

格式	格式参数	模型	元数据	参数
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

         如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。