Exportar para implantação

Exemplo prático: exportar para ONNX#

yolo export model=runs/detect/pills_v1/weights/best.pt format=onnx

PyTorch: starting from 'runs/detect/pills_v1/weights/best.pt' with input shape (1, 3, 320, 320) BCHW and output shape(s) (1, 5, 2100) (5.2 MB)
ONNX: export success ✅ 0.9s, saved as 'runs/detect/pills_v1/weights/best.onnx' (9.3 MB)
Predict:         yolo predict task=detect model=runs/detect/pills_v1/weights/best.onnx imgsz=320
Validate:        yolo val task=detect model=runs/detect/pills_v1/weights/best.onnx imgsz=320 data=my_dataset/data.yaml

Linha por linha:

• input shape (1, 3, 320, 320): uma imagem, 3 canais de cor, um quadrado fixo de 320×320 — o imgsz usado no treinamento, incorporado ao arquivo.
• output shape(s) (1, 5, 2100): 4 valores de caixa mais 1 pontuação de classe para 2.100 caixas candidatas; por padrão, o NMS é executado fora do grafo.
• 9.3 MB: o arquivo ONNX armazena pesos FP32, por isso é maior que o .pt FP16.
• Predict: / Validate:: comandos prontos para o arquivo exportado, já com o imgsz correto.

Alguns argumentos atendem à maioria das necessidades; o guia de integração ONNX apresenta os demais.

Exemplo prático: comprovar que a exportação corresponde ao modelo#

A classe YOLO também carrega arquivos exportados, então o código de previsão anterior funciona sem alterações. Compare os dois arquivos na mesma imagem de validação:

from ultralytics import YOLO

image = "my_dataset/images/val/Frame_144.jpg"
pt = YOLO("runs/detect/pills_v1/weights/best.pt")(image, rect=False, verbose=False)[0]  # square input, like ONNX
onnx = YOLO("runs/detect/pills_v1/weights/best.onnx")(image, verbose=False)[0]

print(f"pt:   {len(pt.boxes)} pills, mean conf {pt.boxes.conf.mean():.3f}")
print(f"onnx: {len(onnx.boxes)} pills, mean conf {onnx.boxes.conf.mean():.3f}")
print(f"max box difference: {(pt.boxes.xyxy - onnx.boxes.xyxy).abs().max():.4f} px")

pt:   25 pills, mean conf 0.870
onnx: 25 pills, mean conf 0.870
max box difference: 0.0002 px

Mesma contagem, mesma confiança e caixas idênticas com precisão de uma fração de pixel. Agora, faça a verificação mais rigorosa: validação em todo o conjunto:

from ultralytics import YOLO

pt = YOLO("runs/detect/pills_v1/weights/best.pt").val(data="my_dataset/data.yaml", rect=False, verbose=False)
onnx = YOLO("runs/detect/pills_v1/weights/best.onnx").val(data="my_dataset/data.yaml", verbose=False)
print(f".pt   mAP50-95 {pt.box.map:.4f}")
print(f".onnx mAP50-95 {onnx.box.map:.4f}")

.pt   mAP50-95 0.6570
.onnx mAP50-95 0.6570

Idênticos. (A validação retangular padrão do arquivo .pt obteve 0.659: uma pequena diferença causada pelo preenchimento da entrada, não pela exportação.)

Quando os resultados corresponderem, meça o tempo com yolo benchmark no dispositivo de destino para conhecer a velocidade real antes da implantação.

Escolher um formato para seu destino#

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")

model.export(format="onnx")  # multiplataforma: ONNX Runtime
model.export(format="openvino")  # CPU / iGPU Intel
model.export(format="engine", quantize=16)  # NVIDIA TensorRT, FP16 (execute na GPU de destino)
model.export(format="coreml")  # Apple iOS / macOS
model.export(format="litert", quantize=8, data="my_dataset/data.yaml")  # Android / edge, INT8
model.export(format="qnn", name="73", data="my_dataset/data.yaml")  # NPU Qualcomm Snapdragon (HTP v73); calibre com seus próprios dados

Cada exportação é gravada ao lado dos pesos: best.onnx, best_openvino_model/, best.engine e assim por diante. Comece com ONNX, mesmo que acabe usando outro formato: é o mais rápido de verificar e serve de entrada para várias outras cadeias de ferramentas. O guia de opções de implantação compara todos os formatos, e Escolha um destino de implantação explica como tomar essa decisão.

A quantização de modelos troca precisão por tamanho e velocidade. FP16 (quantize=16) reduz o tamanho do arquivo pela metade, quase sem alterar a precisão. INT8 (quantize=8) é ainda menor e mais rápido, mas precisa de imagens de calibração — quadros representativos que a exportação processa para escolher os intervalos de valores; a Ultralytics recomenda pelo menos 300. Sempre valide um modelo INT8 antes de colocá-lo em produção: a perda pode ser insignificante ou grande, dependendo do modelo e do conjunto de calibração.

Evita estes erros#

Você colocou em produção#

Agora você tem um best.pt treinado, evidências de validação comparadas a uma linha de base, um arquivo exportado para seu ambiente de execução e a comprovação de que a exportação corresponde ao original. Esse é o ciclo completo — dados, treinamento, validação, exportação, implantação — e as equipes de produção o executam em intervalos regulares. Ultralytics YOLO em produção parte da sua exportação verificada e aborda ambientes de execução otimizados, pipelines de rastreamento, processamento de múltiplos fluxos e monitoramento.