libreyolo export

把一个检查点（checkpoint）转换成一种部署格式，并把产物写到 weights/ 下。格式决定下面哪些参数适用。

命令: libreyolo export
必填: model
输出: weights/<checkpoint-stem>[_fp16|_int8]<format-suffix>

概要

bash

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

参数是 key=value 形式，POSIX 形式也能用，所以 format=onnx 和 --format onnx 是同一个参数。

参数

参数	默认值	含义
`model`		模型权重 `.pt`。必填
`format`	`onnx`	导出格式：`onnx`、`torchscript`、`executorch`、`tensorrt`、`openvino`、`paddle`、`mnn`、`rknn`、`ncnn`、`tflite`、`coreml`、`coreai`
`name`		RKNN 目标平台，目前只有 `rk3588`。和其他任何格式一起传都会被拒绝
`imgsz`		输入图像尺寸：`640` 或 `480x640`（HxW）。`480,640` 也接受。未设置时用模型自身的尺寸
`batch`	`1`	导出批大小
`half`	`false`	FP16 精度
`int8`	`false`	INT8 量化
`dynamic`	`false`	动态输入形状（ONNX）
`simplify`	`true`	ONNX 图简化
`nms`	`false`	把 NMS 内嵌进模型。仅 ONNX 和 CoreML
`conf`	`0.25`	内嵌 NMS 的置信度阈值
`iou`	`0.45`	内嵌 NMS 的 IoU 阈值
`max_det`	`300`	ONNX 内嵌 NMS 的最大检测数
`opset`		ONNX opset 版本。未设置时自动选择
`data`		INT8 的校准数据
`fraction`	`1.0`	使用校准数据的比例
`device`	`auto`	用于 tracing 的设备
`allow_download_scripts`	`false`	允许数据集 YAML 下载块里内嵌的 Python 代码
`json`	`false`	向 stdout 输出 JSON
`quiet`	`false`	屏蔽 stderr
`verbose`	`false`	详细的导出日志
`verify`	`false`	运行 RKNN Toolkit2 PC 模拟器并与 ONNX Runtime 对比。仅 RKNN
`help_json`	`false`	以 JSON 打印命令 schema 并退出

engine 是 tensorrt 的别名，litert 是 tflite 的别名。两者在写入任何东西之前都会解析成规范名称，所以 JSON 输出和那行日志里报的始终是 tensorrt 或 tflite。

示例

基础

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

把 NMS 放进图里

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

运行导出的产物

libreyolo export model=LibreYOLO9s.pt format=onnx imgsz=640 # 工厂按文件后缀路由，所以导出产物会像检查点一样加载libreyolo predict model=weights/LibreYOLO9s.onnx \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

说明

文件写到哪里

这个命令不接受输出路径。产物写到 weights/ 下，名字取源检查点的主干名加上该格式的后缀，如果请求了 FP16 或 INT8 中的某个精度，就在中间插入 _fp16 或 _int8。 LibreYOLO9s.pt 以 FP16 导出成 ONNX 会变成 weights/LibreYOLO9s_fp16.onnx。JSON 结果里带有解析后的 output_path、以 MB 为单位的文件大小，以及形如 [batch, 3, height, width] 的输入形状。

会被拒绝的组合

nms=true 在 ONNX 和 CoreML 上被接受，在其他所有格式上都以 nms_unsupported_format 拒绝。在 ONNX 上它会强制关掉 dynamic，因为内嵌的图固定在批大小 1，并在 stderr 上说明这一点。在 CoreML 上它接受 conf 和 iou，但不接受 max_det，所以把非默认的 max_det 和 format=coreml nms=true 一起传会以 config_unsupported 退出。

half=true 和 int8=true 同时传不是错误。INT8 胜出，half 被丢弃，并向 stderr 发一条警告。

name 和 verify 目前是 RKNN 的选项。把其中任何一个和别的格式一起传会以 config_unsupported 退出，而不是被忽略。

一个家族支持哪些格式

支持情况是按家族、按任务来的，不是全局的。libreyolo formats family=<family> task=<task> 会为这个组合打印每种格式的等级，附上原因和挂在上面的约束。参数见 libreyolo formats。

有些格式需要装一个可选依赖，有些需要工具链。缺少 Python 依赖会以 export_dep_missing 退出；该格式产不出的精度会以 format_precision_unsupported 退出。

运行你导出的东西

导出的产物和检查点走同一个模型工厂加载，按文件后缀来认，所以 libreyolo predict model=weights/LibreYOLO9s.onnx 不用再做任何转换就能跑。有三个预测选项是例外，在运行时后端上会被拒绝：tiling、overlap_ratio 和 output_file_format。

有两个部署目标有自己的页面： NVIDIA DeepStream 和 NVIDIA Jetson。

输出与退出码

stdout 上是结果，进度走 stderr。退出码：成功是 0，用法或配置错误是 2，模型加载不了是 4，未知格式、缺少导出依赖、不支持的精度或被拒绝的内嵌 NMS 请求是 5，其他运行时失败是 1。

相关：libreyolo quantize，它留在 PyTorch 里，写出的是检查点而不是部署产物。