◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。
YOLOv8模型pytorch格式转为onnx格式的步骤详解
ID:21860 / 打印PyTorch YOLOv8模型可通过以下步骤转换为ONNX格式：安装依赖项（PyTorch 1.12+、TorchVision、ONNX）导出PyTorch模型（加载模型、设置评估模式、使用torch.onnx.export导出）优化ONNX模型（使用onnx-simplifier简化、使用onnxruntime优化）加载和推理ONNX模型（加载优化后的模型、提供输入数据、执行推理、获取预测结果）
YOLOv8模型PyTorch转ONNX格式详解
第一步：安装依赖项
- PyTorch 1.12或更高版本
- TorchVision
- onnx
pip install onnx torch torchvision
第二步：导出PyTorch模型
- 加载预训练的YOLOv8模型。
- 将模型设置为评估模式。
- 导出模型到指定路径，使用torch.onnx.export函数。
import torch from torch.onnx import export # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'yolov8s') # 设置评估模式 model.eval() # 导出模型 export(model, torch.rand(1, 3, 640, 640), "yolov8s.onnx", verbose=True)第三步：优化ONNX模型
- 使用onnx-simplifier工具简化ONNX模型。
- 使用onnxruntime工具优化模型。
# 简化模型 pip install onnx-simplifier onnx-simplifier yolov8s.onnx yolov8s-simplified.onnx # 优化模型 pip install onnxruntime python -m onnxruntime.tools.optimizer --input yolov8s-simplified.onnx --output yolov8s-optimized.onnx
第四步：加载和推理ONNX模型
- 使用onnxruntime加载优化后的ONNX模型。
- 为模型提供输入图像数据。
- 执行推理并获取预测结果。
import onnxruntime # 加载模型 ort_session = onnxruntime.InferenceSession("yolov8s-optimized.onnx") # 输入数据 input_data = torch.randn(1, 3, 640, 640) # 推理 ort_inputs = {ort_session.get_inputs()[0].name: input_data.numpy()} ort_outputs = ort_session.run(None, ort_inputs) # 获取预测结果 predictions = ort_outputs[0]