YOLO ONNX и веса моделей
Что такое YOLO, .pt, ONNX, размеры моделей и opset
YOLO ONNX и веса моделей
YoloEase обучает YOLO-модели через Ultralytics и после запуска обучения конвертирует результат в ONNX. Сейчас основной поддерживаемый сценарий — detect, то есть детекция объектов прямоугольными рамками.
Что такое YOLO
YOLO — семейство моделей для детекции объектов. Такая модель получает изображение и возвращает список найденных объектов: класс, уверенность и рамку.
Для YoloEase основной сценарий — детекция объектов. Например:
tgt— цель на экране;btn— кнопка, по которой не нужно кликать как по цели;enemy,loot,hp_bar— любые другие классы, если вы обучили их сами.
Модели для сегментации, позы и классификации тоже могут называться YOLO, но у них другой тип выхода. Для авторазметки YoloEase и ML Search используйте модели детекции объектов.
Какие версии использовать
В Settings есть поле Yolo8/10+ base model. Туда можно указать имя базовой модели, например yolo11s.pt, или путь к локальному .pt.
Ultralytics поддерживает разные поколения YOLO. На практике важнее не номер поколения, а совместимость с текущей версией Ultralytics, качество на вашем наборе данных и возможность экспортировать модель в ONNX.
Если не знаете, с чего начать, берите небольшую модель вроде yolo11s.pt: она обычно лучше nano, но еще достаточно быстрая для экспериментов.
Размеры моделей
Обычно суффикс в имени модели показывает размер:
n— nano, быстрее и легче, но может хуже видеть сложные объекты;s— small, хороший стартовый баланс;m— medium, больше качество и дольше обучение;lиx— крупные модели, требуют больше VRAM и времени.
Для экранных моделей часто хватает n или s, особенно если метки простые и область захвата небольшая.
Что такое .pt
.pt — PyTorch-веса. Этот формат нужен для обучения, дообучения и работы через Ultralytics.
После запуска обучения обычно появляются:
best.pt— веса лучшей эпохи по проверочным метрикам;last.pt— веса последней эпохи.
Если хотите продолжать эксперименты в YoloEase или Ultralytics, сохраняйте .pt.
Что такое ONNX
.onnx — переносимый формат модели для распознавания. YoloEase экспортирует ONNX после обучения, а EyeAuras использует именно этот файл в ML Search.
ONNX удобен тем, что его можно загрузить в среду выполнения без Python-стека для обучения. Это и нужно для автоматизации: модель работает как часть сценария EyeAuras.
ONNX не означает, что файл подойдет любой программе сам по себе. Программа должна уметь читать именно выход YOLO для детекции объектов, разбирать найденные рамки и понимать имена классов.
Совместимость
| Требование | Рекомендуемо |
|---|---|
| Тип задачи | detect, детекция объектов. |
| Экспорт | Обычный экспорт Ultralytics YOLO. |
| Формат запуска | .onnx. |
| Opset | 17, если модель экспортирована YoloEase. |
| Метаданные | Желательно наличие names, чтобы классы читались автоматически. |
| Входной размер | Соответствует imgsz, например 640. |
| Программа запуска | Должна поддерживать разбор выхода YOLO и NMS, а не просто “любой ONNX”. |
Opset
Opset — версия набора операций ONNX. YoloEase экспортирует модель с opset 17, потому что это хороший совместимый вариант для текущего ONNX Runtime и цепочки YoloDotNet.
Типовые проблемы с opset:
- модель экспортирована слишком новым opset и не грузится в среду выполнения;
- модель экспортирована старыми инструментами и не содержит нужных метаданных;
- модель обучена для типа задачи, который ваша среда выполнения не поддерживает;
- нестандартный экспорт изменил форму входа или выхода.
Если модель не загружается в EyeAuras, сначала проверьте, что это именно ONNX-модель для детекции объектов, экспортированная обычным экспортом Ultralytics.
Если модель скачана из интернета, но это segmentation, pose, classification или нестандартный экспорт, она может не подойти даже при расширении .onnx.
Метаданные и метки
ONNX-модель может содержать имена классов. Если имена есть, EyeAuras и редактор задачи смогут показать метки понятнее. Если метаданных нет или имена отличаются от меток проекта, используйте сопоставление меток в редакторе разметки.
Для EyeAuras выбирайте .onnx. .pt нужен для обучения и дообучения, но не для ML Search.
Где взять демо-веса
См. также: Trainer, EyeAuras интеграция, диагностика.