libreyolo export

Mengubah satu checkpoint menjadi satu format deployment dan menulis artefaknya di weights/. Format menentukan argumen mana di bawah ini yang berlaku.

Perintah: libreyolo export
Wajib: model
Keluaran: weights/<checkpoint-stem>[_fp16|_int8]<format-suffix>

Sinopsis

bash

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

Argumen berupa pasangan key=value, dan bentuk POSIX juga berlaku, jadi format=onnx dan --format onnx adalah argumen yang sama.

Argumen

Argumen	Bawaan	Arti
`model`		Bobot model `.pt`. Wajib
`format`	`onnx`	Format ekspor: `onnx`, `torchscript`, `executorch`, `tensorrt`, `openvino`, `paddle`, `mnn`, `rknn`, `ncnn`, `tflite`, `coreml`, `coreai`
`name`		Platform target RKNN, saat ini hanya `rk3588`. Ditolak bila dipakai dengan format lain
`imgsz`		Ukuran gambar masukan: `640` atau `480x640` (HxW). `480,640` juga diterima. Memakai ukuran milik model sendiri bila tidak diatur
`batch`	`1`	Ukuran batch ekspor
`half`	`false`	Presisi FP16
`int8`	`false`	Kuantisasi INT8
`dynamic`	`false`	Bentuk masukan dinamis (ONNX)
`simplify`	`true`	Penyederhanaan graph ONNX
`nms`	`false`	Menyematkan NMS di dalam model. Hanya ONNX dan CoreML
`conf`	`0.25`	Ambang batas skor keyakinan untuk NMS yang disematkan
`iou`	`0.45`	Ambang IoU untuk NMS yang disematkan
`max_det`	`300`	Deteksi maksimum untuk NMS ONNX yang disematkan
`opset`		Versi opset ONNX. Dipilih otomatis bila tidak diatur
`data`		Data kalibrasi untuk INT8
`fraction`	`1.0`	Bagian data kalibrasi yang dipakai
`device`	`auto`	Perangkat untuk tracing
`allow_download_scripts`	`false`	Mengizinkan Python yang tertanam di blok download pada YAML dataset
`json`	`false`	Keluaran JSON ke stdout
`quiet`	`false`	Menyembunyikan stderr
`verbose`	`false`	Log ekspor yang detail
`verify`	`false`	Menjalankan simulator PC RKNN Toolkit2 dan membandingkan hasilnya dengan ONNX Runtime. Hanya RKNN
`help_json`	`false`	Menampilkan skema perintah sebagai JSON lalu keluar

engine adalah alias untuk tensorrt dan litert alias untuk tflite. Keduanya diselesaikan menjadi nama kanonis sebelum apa pun ditulis, jadi keluaran JSON dan baris log selalu melaporkan tensorrt atau tflite.

Contoh

Dasar

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

NMS di dalam graph

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

Menjalankan artefaknya

libreyolo export model=LibreYOLO9s.pt format=onnx imgsz=640 # Factory merutekan berdasarkan sufiks berkas, jadi hasil ekspor dimuat seperti checkpoint.libreyolo predict model=weights/LibreYOLO9s.onnx \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

Catatan

Ke mana berkasnya ditulis

Perintah ini tidak menerima path keluaran. Artefak ditulis ke weights/, dinamai sesuai stem checkpoint sumber ditambah sufiks format, dengan sisipan _fp16 atau _int8 bila salah satu presisi itu diminta. LibreYOLO9s.pt yang diekspor ke ONNX pada FP16 menjadi weights/LibreYOLO9s_fp16.onnx. Hasil JSON memuat output_path yang sudah diselesaikan, ukuran berkas dalam MB, dan bentuk masukan sebagai [batch, 3, height, width].

Kombinasi yang ditolak

nms=true diterima untuk ONNX dan CoreML, dan ditolak untuk semua format lain dengan nms_unsupported_format. Pada ONNX, flag ini mematikan dynamic, karena graph yang disematkan terkunci pada batch 1, dan hal itu disebutkan di stderr. Pada CoreML, flag ini menerima conf dan iou tetapi tidak max_det, jadi max_det non-bawaan bersama format=coreml nms=true akan keluar dengan config_unsupported.

half=true bersamaan dengan int8=true bukan error. INT8 menang, half diabaikan, dan peringatan dikirim ke stderr.

name dan verify saat ini adalah opsi RKNN. Memberikan salah satunya dengan format lain akan keluar dengan config_unsupported, bukan diabaikan.

Format apa saja yang didukung sebuah family

Dukungan bersifat per family dan per task, bukan global. libreyolo formats family=<family> task=<task> mencetak tier setiap format untuk kombinasi tersebut, beserta alasannya dan batasan yang menyertainya. Lihat libreyolo formats untuk argumennya.

Sebagian format memerlukan instalasi opsional dan sebagian lagi memerlukan toolchain. Dependensi Python yang hilang membuat perintah keluar dengan export_dep_missing; presisi yang tidak bisa dihasilkan format tersebut keluar dengan format_precision_unsupported.

Menjalankan hasil ekspor

Artefak hasil ekspor dimuat lewat model factory yang sama dengan checkpoint, berdasarkan sufiks berkas, jadi libreyolo predict model=weights/LibreYOLO9s.onnx berjalan tanpa konversi tambahan. Tiga opsi prediksi menjadi pengecualian dan ditolak pada backend runtime: tiling, overlap_ratio dan output_file_format.

Dua target deployment punya halaman sendiri: NVIDIA DeepStream dan NVIDIA Jetson.

Keluaran dan kode keluar

stdout membawa hasilnya; progres dikirim ke stderr. Kode keluarnya 0 bila berhasil, 2 untuk kesalahan penggunaan atau konfigurasi, 4 bila model tidak bisa dimuat, 5 untuk format yang tidak dikenal, dependensi ekspor yang hilang, presisi yang tidak didukung atau permintaan NMS tersemat yang ditolak, dan 1 untuk kegagalan runtime lainnya.

Terkait: libreyolo quantize, yang tetap berada di PyTorch dan menulis checkpoint alih-alih artefak deployment.