libreyolo export

Convierte un checkpoint en un formato de despliegue y escribe el artefacto en weights/. El formato decide cuáles de los argumentos de abajo aplican.

Comando: libreyolo export
Requerido: model
Salida: weights/<checkpoint-stem>[_fp16|_int8]<format-suffix>

Sinopsis

bash

libreyolo export model=<name|path> [format=<format>] [key=value ...]

Los argumentos son pares key=value, y la forma POSIX también funciona, de modo que format=onnx y --format onnx son el mismo argumento.

Argumentos

Argumento	Por defecto	Significado
`model`		Pesos del modelo `.pt`. Requerido
`format`	`onnx`	Formato de exportación: `onnx`, `torchscript`, `executorch`, `tensorrt`, `openvino`, `paddle`, `mnn`, `rknn`, `ncnn`, `tflite`, `coreml`, `coreai`
`name`		Plataforma de destino de RKNN, por ahora solo `rk3588`. Se rechaza con cualquier otro formato
`imgsz`		Tamaño de la imagen de entrada: `640` o `480x640` (alto x ancho). También se acepta `480,640`. El tamaño propio del modelo si no se indica
`batch`	`1`	Tamaño de batch de la exportación
`half`	`false`	Precisión FP16
`int8`	`false`	Cuantización INT8
`dynamic`	`false`	Formas de entrada dinámicas (ONNX)
`simplify`	`true`	Simplificación del grafo ONNX
`nms`	`false`	Incrusta el NMS en el modelo. Solo ONNX y CoreML
`conf`	`0.25`	Umbral de confianza para el NMS incrustado
`iou`	`0.45`	Umbral de IoU para el NMS incrustado
`max_det`	`300`	Máximo de detecciones para el NMS incrustado de ONNX
`opset`		Versión del opset de ONNX. Se elige automáticamente si no se indica
`data`		Datos de calibración para INT8
`fraction`	`1.0`	Fracción de los datos de calibración que se usa
`device`	`auto`	Dispositivo para el trazado
`allow_download_scripts`	`false`	Permite Python incrustado en los bloques de descarga del YAML del dataset
`json`	`false`	Salida JSON por stdout
`quiet`	`false`	Silencia stderr
`verbose`	`false`	Registro detallado de la exportación
`verify`	`false`	Ejecuta el simulador de PC de RKNN Toolkit2 y lo compara con ONNX Runtime. Solo RKNN
`help_json`	`false`	Vuelca el esquema del comando como JSON y sale

engine es un alias de tensorrt y litert un alias de tflite. Ambos se resuelven al nombre canónico antes de escribir nada, así que la salida JSON y la línea de log siempre indican tensorrt o tflite.

Ejemplos

Básico

# Escribe weights/LibreYOLO9s.onnxlibreyolo export model=LibreYOLO9s.pt format=onnx imgsz=640

NMS dentro del grafo

libreyolo export model=LibreYOLO9s.pt format=onnx \  nms=true conf=0.25 iou=0.45 max_det=300

Ejecutar el artefacto

libreyolo export model=LibreYOLO9s.pt format=onnx imgsz=640 # La factoría se guía por el sufijo del archivo, así que la exportación se carga como un checkpoint.libreyolo predict model=weights/LibreYOLO9s.onnx \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

Notas

Dónde acaba el archivo

El comando no admite ruta de salida. El artefacto se escribe en weights/, con el nombre de la raíz del checkpoint de origen más el sufijo del formato, y con _fp16 o _int8 intercalado cuando se ha pedido una de esas precisiones. LibreYOLO9s.pt exportado a ONNX en FP16 se convierte en weights/LibreYOLO9s_fp16.onnx. El resultado JSON lleva el output_path resuelto, el tamaño del archivo en MB y la forma de entrada como [batch, 3, height, width].

Combinaciones que se rechazan

nms=true se acepta para ONNX y CoreML y se rechaza para todos los demás formatos con nms_unsupported_format. En ONNX obliga a desactivar dynamic, ya que el grafo incrustado está fijado a batch 1, y lo indica por stderr. En CoreML admite conf e iou pero no max_det, así que un max_det distinto del valor por defecto junto a format=coreml nms=true sale con config_unsupported.

half=true junto con int8=true no es un error. Gana INT8, se descarta half y va una advertencia a stderr.

name y verify son hoy opciones de RKNN. Pasar cualquiera de las dos con otro formato sale con config_unsupported en lugar de ignorarse.

Qué formatos admite cada familia

El soporte es por familia y por tarea, no global. libreyolo formats family=<family> task=<task> imprime el nivel de cada formato para esa combinación, con el motivo y cualquier restricción asociada. Consulta libreyolo formats para ver los argumentos.

Algunos formatos necesitan una instalación opcional y otros necesitan un toolchain. Una dependencia de Python que falta sale con export_dep_missing; una precisión que el formato no puede producir sale con format_precision_unsupported.

Ejecutar lo que has exportado

Los artefactos exportados se cargan a través de la misma factoría de modelos que los checkpoints, guiada por el sufijo del archivo, así que libreyolo predict model=weights/LibreYOLO9s.onnx funciona sin ninguna conversión adicional. Tres opciones de predicción son la excepción y se rechazan en los backends de runtime: tiling, overlap_ratio y output_file_format.

Dos destinos de despliegue tienen página propia: NVIDIA DeepStream y NVIDIA Jetson.

Salida y códigos de salida

stdout lleva el resultado; el progreso va a stderr. El código de salida es 0 en caso de éxito, 2 para un error de uso o de configuración, 4 cuando el modelo no se puede cargar, 5 para un formato desconocido, una dependencia de exportación que falta, una precisión no soportada o una petición de NMS incrustado rechazada, y 1 para otros fallos en tiempo de ejecución.

Relacionado: libreyolo quantize, que se queda en PyTorch y escribe un checkpoint en lugar de un artefacto de despliegue.