libreyolo export

Convertit un checkpoint en un format de déploiement et écrit l'artefact dans weights/. Le format décide lesquels des arguments ci-dessous s'appliquent.

Commande: libreyolo export
Requis: model
Sortie: weights/<checkpoint-stem>[_fp16|_int8]<format-suffix>

Synopsis

bash

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

Les arguments sont des paires key=value, et la forme POSIX fonctionne aussi, donc format=onnx et --format onnx sont le même argument.

Arguments

Argument	Par défaut	Signification
`model`		Poids du modèle `.pt`. Requis
`format`	`onnx`	Format d'export : `onnx`, `torchscript`, `executorch`, `tensorrt`, `openvino`, `paddle`, `mnn`, `rknn`, `ncnn`, `tflite`, `coreml`, `coreai`
`name`		Plateforme cible RKNN, aujourd'hui `rk3588` uniquement. Rejeté avec tout autre format
`imgsz`		Taille de l'image d'entrée : `640` ou `480x640` (HxW). `480,640` est aussi accepté. La taille propre au modèle si non défini
`batch`	`1`	Taille de batch de l'export
`half`	`false`	Précision FP16
`int8`	`false`	Quantification INT8
`dynamic`	`false`	Formes d'entrée dynamiques (ONNX)
`simplify`	`true`	Simplification du graphe ONNX
`nms`	`false`	Intégrer la NMS dans le modèle. ONNX et CoreML uniquement
`conf`	`0.25`	Seuil de confiance pour la NMS intégrée
`iou`	`0.45`	Seuil IoU pour la NMS intégrée
`max_det`	`300`	Nombre maximal de détections pour la NMS intégrée ONNX
`opset`		Version de l'opset ONNX. Choisie automatiquement si non définie
`data`		Données de calibration pour l'INT8
`fraction`	`1.0`	Fraction des données de calibration à utiliser
`device`	`auto`	Appareil utilisé pour le tracing
`allow_download_scripts`	`false`	Autoriser le Python intégré dans les blocs de téléchargement des YAML de dataset
`json`	`false`	Sortie JSON sur stdout
`quiet`	`false`	Supprimer stderr
`verbose`	`false`	Journalisation détaillée de l'export
`verify`	`false`	Lancer le simulateur PC de RKNN Toolkit2 et comparer avec ONNX Runtime. RKNN uniquement
`help_json`	`false`	Afficher le schéma de la commande en JSON et quitter

engine est un alias de tensorrt et litert un alias de tflite. Les deux sont résolus vers le nom canonique avant que quoi que ce soit ne soit écrit, donc la sortie JSON et la ligne de log indiquent toujours tensorrt ou tflite.

Exemples

Basique

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

NMS dans le graphe

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

Exécuter l'artefact

libreyolo export model=LibreYOLO9s.pt format=onnx imgsz=640 # La fabrique route sur le suffixe du fichier, donc l'export se charge comme un checkpoint.libreyolo predict model=weights/LibreYOLO9s.onnx \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

Notes

Où atterrit le fichier

La commande ne prend pas de chemin de sortie. L'artefact est écrit dans weights/, nommé d'après la racine du nom du checkpoint source plus le suffixe du format, avec _fp16 ou _int8 inséré quand l'une de ces précisions a été demandée. LibreYOLO9s.pt exporté en ONNX en FP16 devient weights/LibreYOLO9s_fp16.onnx. Le résultat JSON porte le output_path résolu, la taille du fichier en Mo, et la forme d'entrée sous la forme [batch, 3, height, width].

Combinaisons refusées

nms=true est accepté pour ONNX et CoreML et refusé pour tous les autres formats avec nms_unsupported_format. Sur ONNX, il force dynamic à false, puisque le graphe intégré est figé à un batch de 1, et le signale sur stderr. Sur CoreML, il prend conf et iou mais pas max_det, donc un max_det non par défaut à côté de format=coreml nms=true se termine avec config_unsupported.

half=true en même temps que int8=true n'est pas une erreur. L'INT8 l'emporte, half est abandonné, et un avertissement part sur stderr.

name et verify sont aujourd'hui des options RKNN. Passer l'un ou l'autre avec un autre format se termine avec config_unsupported plutôt que d'être ignoré.

Quels formats une famille prend en charge

La prise en charge est par famille et par tâche, pas globale. libreyolo formats family=<family> task=<task> affiche le niveau de chaque format pour cette combinaison, avec la raison et la contrainte éventuelle qui s'y rattache. Voir libreyolo formats pour les arguments.

Certains formats demandent une installation optionnelle et d'autres une toolchain. Une dépendance Python manquante se termine avec export_dep_missing ; une précision que le format ne peut pas produire se termine avec format_precision_unsupported.

Exécuter ce que vous avez exporté

Les artefacts exportés se chargent via la même fabrique de modèles que les checkpoints, indexée sur le suffixe du fichier, donc libreyolo predict model=weights/LibreYOLO9s.onnx fonctionne sans conversion supplémentaire. Trois options de prédiction font exception et sont refusées sur les backends runtime : tiling, overlap_ratio et output_file_format.

Deux cibles de déploiement ont leur propre page : NVIDIA DeepStream et NVIDIA Jetson.

Sortie et codes de retour

stdout porte le résultat ; la progression part sur stderr. Le code de retour est 0 en cas de succès, 2 pour une erreur d'usage ou de configuration, 4 quand le modèle ne peut pas être chargé, 5 pour un format inconnu, une dépendance d'export manquante, une précision non prise en charge ou une demande de NMS intégrée refusée, et 1 pour les autres échecs à l'exécution.

À voir aussi : libreyolo quantize, qui reste dans PyTorch et écrit un checkpoint plutôt qu'un artefact de déploiement.