Comment exporter des modèles Ultralytics YOLO avec Ultralytics Platform

Le mois dernier, nous avons lancé Ultralytics Platform, un espace de travail unifié conçu pour simplifier l’ensemble du workflow de vision par ordinateur. Il rassemble les principales fonctionnalités d’IA pour la vision, notamment la gestion des jeux de données, l’annotation, l’entraînement des modèles, les tests, le déploiement et la supervision, au sein d’une interface unique et fluide.

Fig. 1. Aperçu d’Ultralytics Platform (Source)

Dans le cadre de ce workflow de bout en bout, le déploiement joue un rôle essentiel pour faire passer les modèles de l’expérimentation à une utilisation réelle. Auparavant, nous avons présenté les différentes options de déploiement disponibles sur la plateforme, notamment l’inférence partagée via des API, les endpoints dédiés pour les déploiements de production évolutifs, ainsi que l’exportation des modèles pour les exécuter sur des appareils edge ou une infrastructure externe.

Examinons maintenant de plus près l’exportation des modèles et la manière dont elle facilite le déploiement dans différents environnements. Contrairement à l’inférence et aux endpoints dédiés, qui exécutent les modèles au sein d’une infrastructure gérée par Ultralytics Platform, l’exportation des modèles permet de déployer et d’exécuter les modèles dans des environnements externes tels que des appareils edge, des applications mobiles et des infrastructures personnalisées.

Avant de pouvoir être exécutés dans ces environnements, les modèles doivent être convertis dans des formats pris en charge par le runtime cible. Chaque configuration de déploiement a ses propres exigences, des formats légers pour les appareils mobiles et edge aux formats hautes performances pour les systèmes cloud et ceux basés sur GPU.

Traditionnellement, ce processus peut prendre du temps, car il implique des scripts, des dépendances et plusieurs outils. Avec Ultralytics Platform, l’exportation est beaucoup plus simple. Les modèles peuvent être convertis et optimisés en quelques clics, sans configuration supplémentaire.

Dans cet article, nous allons voir ce que signifie l’exportation d’un modèle, découvrir les formats pris en charge par Ultralytics Platform et apprendre à choisir celui qui convient à ton cas d’utilisation. Commençons !

Présentation de l’exportation d’un modèle#

L’exportation d’un modèle consiste à convertir un modèle préentraîné ou entraîné sur mesure dans un format utilisable en dehors de son framework d’origine. Les modèles Ultralytics YOLO sont conçus avec PyTorch et stockés dans leur format natif, qui convient parfaitement à l’entraînement, à l’évaluation et à l’expérimentation au sein de l’écosystème PyTorch.

Cependant, les environnements de déploiement utilisent souvent des runtimes et des configurations matérielles différents. Le format utilisé pendant l’entraînement n’est donc pas toujours adapté au déploiement.

Par exemple, une application mobile peut nécessiter un format léger optimisé pour une faible consommation d’énergie, tandis qu’une application basée sur un navigateur a besoin d’un format qui s’exécute efficacement dans les environnements web.

Les appareils edge, comme les caméras et les systèmes embarqués, tirent parti de modèles compacts et rapides, tandis que les systèmes cloud sont conçus pour l’inférence hautes performances. Pour prendre en charge ces différents scénarios, les modèles doivent être exportés dans des formats compatibles.

Pourquoi l’option d’exportation des modèles est plus importante que jamais#

Aujourd’hui, les modèles de vision par ordinateur sont déployés de plus en plus près de l’endroit où les données sont générées, en particulier sur les appareils edge. Les smartphones exécutent des applications de vision en temps réel, les caméras de vidéosurveillance assurent une supervision sur l’appareil et les systèmes autonomes reposent sur une prise de décision instantanée.

Cependant, le déploiement dans ces environnements s’accompagne de difficultés spécifiques. Les appareils edge disposent d’une puissance de calcul limitée, d’exigences strictes en matière de latence et de contraintes concernant la mémoire et la consommation d’énergie. Un modèle performant pendant l’entraînement avec suffisamment de ressources peut ne pas fonctionner efficacement dans ces conditions restrictives.

Exporter un modèle dans le format approprié peut aider à relever ces défis. En convertissant correctement le modèle, tu peux l’optimiser pour la vitesse, réduire sa taille et le rendre compatible avec un matériel spécifique.

Parallèlement, l’exportation apporte de la flexibilité. Un même modèle peut être adapté à différents environnements de déploiement en le convertissant dans plusieurs formats selon les exigences spécifiques.

Fig. 2. Quelques-uns des formats d’exportation disponibles dans Ultralytics Platform (Source)

Par exemple, le format de modèle NCNN est optimisé pour les appareils mobiles et edge, avec une faible utilisation des ressources. En revanche, le format OpenVINO est adapté au matériel Intel et offre de meilleures performances sur les unités centrales de traitement (CPUs), les unités de traitement graphique (GPUs) et les unités de traitement neuronal (NPUs).

Dans la plupart des cas, atteindre ce niveau de flexibilité impliquait de gérer des conversions manuelles, des dépendances et plusieurs outils, ce qui rendait le processus long et complexe. Ultralytics Platform rationalise ce workflow en rendant l’exportation des modèles plus accessible et plus facile à gérer.

Comment Ultralytics Platform simplifie l’exportation des modèles#

En général, l’exportation d’un modèle est considérée comme une étape distincte et complexe des workflows de vision par ordinateur. Ultralytics Platform change cela en intégrant l’option d’exporter un modèle directement dans un espace de travail unique qui couvre toutes les étapes, de l’entraînement au déploiement.

L’un de ses principaux avantages est l’expérience d’exportation sans code. Tu n’as pas besoin d’écrire des scripts, de gérer des environnements ou d’utiliser des commandes propres à un framework. Les modèles peuvent être exportés en quelques clics grâce à une interface intuitive.

Fig. 3. Exemple d’exportation d’un modèle depuis Ultralytics Platform (Source)

En coulisses, la plateforme prend en charge les opérations complexes. Les tâches qui nécessiteraient généralement plusieurs outils et une configuration manuelle sont regroupées en un seul processus. Tu n’as pas besoin d’installer des dépendances supplémentaires ni de gérer des problèmes de compatibilité, ce qui facilite grandement le passage d’un modèle entraîné à une solution prête pour la production.

Formats d’exportation des modèles pris en charge par Ultralytics Platform#

Ultralytics Platform prend en charge 17 formats d’exportation, ce qui facilite la préparation des modèles pour un large éventail d’environnements de déploiement, sans complexité supplémentaire.

Voici un aperçu de certains des formats d’exportation couramment utilisés :

• Multiplateforme et interopérabilité : ONNX et TorchScript sont largement utilisés pour exécuter des modèles dans différents frameworks et environnements. ONNX fait office de pont entre les écosystèmes, ce qui facilite le transfert des modèles entre les outils, tandis que TorchScript permet d’exécuter des modèles PyTorch en production sans nécessiter de runtime Python.
• Inférence hautes performances sur GPU : TensorRT est conçu pour les GPU NVIDIA et se concentre sur l’optimisation des modèles afin d’obtenir une faible latence et un débit élevé. Il prend en charge des techniques telles que la réduction de précision et la fusion de couches pour accélérer l’inférence, ce qui en fait un choix pertinent pour les applications en temps réel et à l’échelle de la production.
• Déploiement mobile et edge : CoreML, LiteRT (TensorFlow Lite) et NCNN sont optimisés pour les appareils disposant de capacités de calcul et d’une mémoire limitées. Ces formats réduisent la taille des modèles et améliorent leur efficacité, permettant de bonnes performances sur les smartphones, les systèmes embarqués et le matériel edge. CoreML est généralement utilisé dans les écosystèmes Apple, tandis que LiteRT est courant sur Android.
• Exécution optimisée pour le matériel : OpenVINO est adapté au matériel Intel, notamment aux CPUs, GPUs et VPUs, et contribue à améliorer la vitesse et l’efficacité de l’inférence sur ces appareils. Les formats spécifiques à un matériel, comme celui-ci, sont utiles lorsque tu veux tirer les meilleures performances d’un système donné.
• Runtimes spécifiques aux frameworks et spécialisés : Les formats tels que PaddlePaddle et ExecuTorch prennent en charge des écosystèmes et des besoins de déploiement spécifiques, notamment l’exécution efficace de modèles sur des appareils edge ou leur intégration à des stacks de deep learning particuliers.

Comment exporter un modèle avec Ultralytics Platform#

L’exportation d’un modèle sur Ultralytics Platform est un processus simple basé sur l’interface utilisateur. L’ensemble du workflow est géré depuis l’interface, sans scripts ni outils en ligne de commande.

Voici comment exporter un modèle avec la plateforme :

• Connecte-toi et choisis ton modèle : Accède à ton projet et ouvre le modèle entraîné que tu veux exporter.
• Accède à l’onglet Export : Dans le tableau de bord du modèle, clique sur l’onglet Export pour afficher les options d’exportation disponibles.
• Sélectionne un format d’exportation : Choisis un format comme ONNX, TensorRT ou CoreML selon tes besoins de déploiement.
• Configure les paramètres d’exportation (facultatif) : Ajuste des paramètres comme la taille des images, la précision ou la taille des lots pour optimiser les performances.
• Lance le processus d’exportation : Clique sur « Start Export » pour commencer le processus. La plateforme gère automatiquement la conversion.
• Télécharge le modèle exporté : Une fois l’exportation terminée, tu peux télécharger le modèle et l’utiliser dans ton pipeline de déploiement.

Fig. 4. Aperçu de la configuration des paramètres d’exportation dans Ultralytics Platform

Choisir le bon format d’exportation#

En découvrant les différents formats d’exportation pris en charge par Ultralytics Platform, tu te demandes peut-être lequel choisir. La réponse dépend vraiment de l’endroit et de la manière dont tu prévois d’utiliser ton modèle.

Voici quelques facteurs à prendre en compte :

• Exigences de latence : Pour les applications en temps réel comme l’analyse vidéo ou les systèmes autonomes, une faible latence est essentielle. Les formats optimisés pour l’inférence hautes performances, comme TensorRT, sont souvent plus adaptés.
• Contraintes matérielles : Les appareils disposant d’une mémoire et d’une puissance de traitement limitées, comme les téléphones mobiles ou les systèmes embarqués, nécessitent des formats légers comme LiteRT ou NCNN.
• Taille du modèle et consommation d’énergie : Lorsque tu travailles avec des appareils edge, la taille du modèle et la consommation d’énergie deviennent importantes. Des modèles plus petits et optimisés contribuent à garantir des performances constantes sans épuiser les ressources.
• Environnement de déploiement : Si ton modèle doit fonctionner sur différentes plateformes, des formats comme ONNX offrent une grande flexibilité. Pour les cas d’utilisation propres à une plateforme, comme les applications iOS, CoreML constitue souvent le meilleur choix.

Il n’existe pas de format universel. Tout dépend de l’équilibre entre les performances, la compatibilité et les limites de ton environnement cible. Ultralytics Platform simplifie ce choix en te permettant d’essayer et de comparer différents formats sans effort supplémentaire.

Points clés à retenir#

L’exportation est une étape essentielle pour préparer ton modèle à une utilisation réelle dans différents environnements. Avec Ultralytics Platform, ce processus devient beaucoup plus simple : tu peux convertir et optimiser tes modèles sans configuration ni complexité supplémentaires. En choisissant le format adapté à ton cas d’utilisation, tu peux garantir que ton modèle fonctionne efficacement partout où tu le déploies.

Rejoins notre communauté grandissante et consulte notre dépôt GitHub pour en savoir plus sur la vision par ordinateur. Explore nos pages de solutions pour découvrir des applications telles que l’IA dans la robotique et la vision par ordinateur dans la logistique. Découvre nos options de licence et commence à développer avec l’IA pour la vision !