yolov8之导出onnx(二)

前面(一)我们给出了导出的batch是固定的,接下来我们实现动态导出:

 

导出的主代码demo.py:

import os
from ultralytics import YOLO
model = YOLO("yolov8s.yaml")
model=YOLO("../pretrained_model/yolov8s.pt")
#success=model.export(format="onnx")
success=model.export(format="onnx", half=False, dynamic=True, opset=17)

print("demo")

注意:half与dynamic必须二选一才行!

 

 

导出的onnx:

  • 3
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
导出yolov8onnx模型,可以按照以下步骤操作: 1. 首先,确保你已经安装了yolov5的相关依赖和环境。 2. 使用命令行进入yolov5的代码目录。 3. 使用下述命令导出onnx模型:yolo mode=export model=yolov8.pt format=onnx dynamic=False。这里,model参数指定了yolov8的权重文件,format参数指定了导出的模型格式为onnx,dynamic参数设置为False表示导出的模型不是动态形状的。 将上述步骤按照顺序执行,即可成功导出yolov8onnx模型。请注意,这里的模型路径和参数设置可以根据你的实际情况进行调整。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [yolov5 face onnx推理代码](https://download.csdn.net/download/jacke121/87615893)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [yolov8导出onnx(一)](https://blog.csdn.net/yangjinyi1314/article/details/128776652)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

曙光_deeplove

你的鼓励是我努力的最大源泉

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值