モデル変換の技術的原則
YOLOEは、モデル・アーキテクチャを変換するために再パラメータ化を使用します。export.pyスクリプトを通して、学習されたYOLOEモデルは、追加の計算負荷を導入することなく、標準的なYOLOv8/YOLO11フォーマットに変換することができる。この機能により、プロジェクトは、TensorRTアクセラレーションやCoreMLモバイル・サポートなど、YOLOv8の成熟したデプロイ・エコシステムを再利用することができます。
変換プロセスとパフォーマンス
- 変換ツールチェーンonnx/coremltools/onnxslim スイートに依存し、クロスプラットフォームでのエクスポートをサポートする。
- 業務効率: 変換したyoloe-v8l-seg.ptモデルは、T4 GPUで102.5 FPS、iPhone12で27.2 FPSを達成。
- 配備の利点Ultralyticsの既存の推論パイプラインと互換性のある、ネイティブな検出/セグメンテーションのデュアルヘッダ出力を保持します。
産業別アプリケーション価値
この技術により、YOLOEの導入敷居が大幅に下がり、企業は既存のYOLOv8導入環境を利用して直接アップグレードすることができます。テストによると、変換されたモデルは、精度を維持しながらメモリ占有量を12%削減し、エッジ・コンピューティング・デバイスの展開に特に適しており、工業品質検査やその他のシナリオにプラグ・アンド・プレイのアップグレード・ソリューションを提供します。
この答えは記事から得たものである。YOLOE: リアルタイムのビデオ検出と物体分割のためのオープンソースツールについて
無断転載を禁じます：AI生産性ツール " YOLOv8とのシームレスな互換性を実現するYOLOEのモデル変換技術
