Technische Grundlagen der Modellumsetzung
YOLOE nutzt die Reparametrisierung, um die Modellarchitektur zu transformieren. Durch das export.py Skript kann das trainierte YOLOE Modell in das Standard YOLOv8/YOLO11 Format konvertiert werden, ohne zusätzlichen Rechenaufwand zu verursachen. Diese Funktion ermöglicht dem Projekt die Wiederverwendung des ausgereiften Ökosystems von YOLOv8, einschließlich TensorRT-Beschleunigung und CoreML-Unterstützung für mobile Geräte.
Umstellungsprozess und Leistung
- Toolchain für die Konvertierung: hängt von der onnx/coremltools/onnxslim-Suite ab, unterstützt plattformübergreifende Exporte
- BetriebseffizienzKonvertiertes Modell yoloe-v8l-seg.pt erreicht 102,5 FPS auf T4-GPUs und 27,2 FPS auf iPhone12
- Vorteile des EinsatzesBeibehaltung der nativen Dual-Header-Ausgabe für Erkennung/Segmentierung, kompatibel mit der bestehenden Inferenzpipeline von Ultralytics
Industrie Anwendungswert
Die Technologie senkt die Einführungsschwelle von YOLOE erheblich, und Unternehmen können die bestehende YOLOv8-Bereitstellungsumgebung für ein direktes Upgrade nutzen. Tests zeigen, dass das umgewandelte Modell den Speicherbedarf um 12% reduziert und dabei die Genauigkeit beibehält, was sich besonders für den Einsatz von Edge-Computing-Geräten eignet und eine Plug-and-Play-Upgrade-Lösung für die industrielle Qualitätsprüfung und andere Szenarien bietet.
Diese Antwort stammt aus dem ArtikelYOLOE: ein Open-Source-Tool für Videoerkennung und Objektsegmentierung in EchtzeitDie
