Princípios técnicos da conversão de modelos
O YOLOE usa a reparametrização para transformar a arquitetura do modelo. Por meio do script export.py, o modelo YOLOE treinado pode ser convertido para o formato padrão YOLOv8/YOLO11 sem introduzir uma carga computacional adicional. Esse recurso permite que o projeto reutilize o ecossistema de implantação maduro do YOLOv8, incluindo a aceleração do TensorRT e o suporte móvel do CoreML.
Processo de conversão e desempenho
- Cadeia de ferramentas de conversãoonnx/coremltools/onnxslim: depende do conjunto onnx/coremltools/onnxslim, suporta exportações entre plataformas
- eficiência operacional: O modelo yoloe-v8l-seg.pt convertido atinge 102,5 FPS em GPUs T4 e 27,2 FPS no iPhone12
- Vantagens da implantaçãoDetecção e segmentação: mantém a saída de cabeçalho duplo de detecção/segmentação nativa, compatível com o pipeline de inferência existente do Ultralytics
Valor do aplicativo do setor
A tecnologia reduz bastante o limite de adoção do YOLOE, e as empresas podem usar o ambiente de implementação do YOLOv8 existente para fazer a atualização diretamente. Os testes mostram que o modelo convertido reduz a ocupação de memória em 12%, mantendo a precisão, o que é particularmente adequado para a implantação de dispositivos de computação de borda e fornece uma solução de atualização plug-and-play para inspeção de qualidade industrial e outros cenários.
Essa resposta foi extraída do artigoYOLOE: uma ferramenta de código aberto para detecção de vídeo em tempo real e segmentação de objetosO
