Ultralytics Platformを使用してUltralytics YOLOモデルをエクスポートする方法

先月、コンピュータービジョンのワークフロー全体を簡素化するために設計された統合ワークスペース、Ultralytics Platformをリリースしました。データセット管理、アノテーション、モデルのトレーニング、テスト、デプロイ、モニタリングなど、主要なビジョンAI機能を単一の使いやすいインターフェースに統合しています。

図1. Ultralytics Platformの概要（出典）

このエンドツーエンドのワークフローにおいて、デプロイはモデルを実験から実環境での利用へ移行するうえで重要な役割を果たします。以前の記事では、APIを介した共有推論、スケーラブルな本番デプロイメント用の専用エンドポイント、エッジデバイスや外部インフラストラクチャで実行するためのモデルエクスポートなど、プラットフォームで利用できるさまざまなデプロイオプションについて説明しました。

今回は、モデルのエクスポートと、さまざまな環境でのデプロイをどのように支援するかについて詳しく見ていきます。Ultralytics Platformが管理するインフラストラクチャ内でモデルを実行する共有推論および専用エンドポイントとは異なり、モデルエクスポートを使用すると、エッジデバイス、モバイルアプリケーション、カスタムインフラストラクチャなどの外部環境にモデルをデプロイして実行できます。

モデルをこれらの環境で実行するには、対象ランタイムがサポートする形式に変換する必要があります。デプロイ構成ごとに要件が異なり、モバイルやエッジデバイス向けの軽量形式から、クラウドやGPUベースのシステム向けの高性能形式までさまざまです。

従来、このプロセスにはスクリプト、依存関係、複数のツールが必要で、時間がかかる場合がありました。Ultralytics Platformを使用すると、エクスポートがはるかに簡単になります。追加のセットアップなしで、数回のクリックだけでモデルを変換および最適化できます。

この記事では、モデルエクスポートの意味、Ultralytics Platformがサポートする形式、ユースケースに適した形式の選び方について説明します。さっそく始めましょう。

モデルエクスポートの概要#

モデルのエクスポートとは、事前学習済みモデルまたはカスタム学習済みモデルを、元のフレームワークの外部で使用できる形式に変換することです。Ultralytics YOLOモデルはPyTorchを使用して構築され、ネイティブ形式で保存されます。この形式は、PyTorchエコシステム内でのトレーニング、評価、実験に適しています。

ただし、デプロイ環境では異なるランタイムやハードウェア要件が使用されることがよくあります。そのため、トレーニング時に使用した形式が、必ずしもデプロイに適しているとは限りません。

例えば、モバイルアプリケーションでは低消費電力向けに最適化された軽量形式が必要になる一方、ブラウザベースのアプリではWeb環境で効率的に実行できる形式が必要です。

カメラや組み込みシステムなどのエッジデバイスでは、コンパクトで高速なモデルが有効です。一方、クラウドシステムは高性能な推論向けに設計されています。こうしたさまざまなシナリオに対応するには、モデルを互換性のある形式にエクスポートする必要があります。

モデルエクスポートのオプションがこれまで以上に重要な理由#

現在、コンピュータービジョンモデルは、データが生成される場所の近く、特にエッジデバイスにデプロイされるようになっています。スマートフォンではリアルタイムのビジョンアプリケーションが実行され、CCTVカメラではデバイス上でモニタリングが行われ、自律システムでは即時の意思決定が求められます。

ただし、こうした環境へのデプロイには固有の課題があります。エッジデバイスは計算能力が限られており、厳しいレイテンシ要件や、メモリおよびエネルギー消費の制約があります。十分なリソースを使ったトレーニング中に高い性能を発揮したモデルでも、こうした制限のある条件下では効率的に実行できない場合があります。

モデルを適切な形式にエクスポートすることで、これらの課題に対処できます。モデルを適切に変換すると、速度を最適化し、サイズを縮小し、特定のハードウェアと互換性を持たせることができます。

同時に、エクスポートによって柔軟性も得られます。特定の要件に応じてモデルを複数の形式に変換することで、同じモデルを異なるデプロイ環境に適応させられます。

図2. Ultralytics Platformで利用できるエクスポート形式の一部（出典）

例えば、NCNNモデル形式は、リソース使用量が少ないモバイルおよびエッジデバイス向けに最適化されています。一方、OpenVINO形式はIntelハードウェア向けに調整されており、中央処理装置（CPUs）、グラフィックス処理装置（GPUs）、ニューラル処理装置（NPUs）で優れた性能を発揮します。

多くの場合、このレベルの柔軟性を実現するには、手動変換、依存関係、複数のツールに対処する必要があり、プロセスは時間がかかる複雑なものでした。Ultralytics Platformは、モデルエクスポートをより利用しやすく管理しやすくすることで、このワークフローを効率化します。

Ultralytics Platformがモデルエクスポートを簡素化する仕組み#

通常、モデルのエクスポートはコンピュータービジョンワークフローにおける、独立した複雑なステップとして扱われます。Ultralytics Platformでは、トレーニングからデプロイまでをカバーする単一のワークスペースに、モデルを直接エクスポートするオプションを統合しています。

主なメリットの1つは、ノーコードでエクスポートできることです。スクリプトの作成、環境の管理、フレームワーク固有のコマンドの使用は必要ありません。わかりやすいインターフェースから、数回のクリックだけでモデルをエクスポートできます。

図3. Ultralytics Platformからモデルをエクスポートする例（出典）

プラットフォームが内部で複雑な処理を担います。通常は複数のツールと手動セットアップが必要なタスクを、単一のプロセスに効率化しています。追加の依存関係をインストールしたり、互換性の問題に対処したりする必要がないため、学習済みモデルから本番環境対応のソリューションへ簡単に移行できます。

Ultralytics Platformがサポートするモデルエクスポート形式#

Ultralytics Platformは17種類のエクスポート形式をサポートしており、複雑さを増やすことなく、幅広いデプロイ環境向けにモデルを簡単に準備できます。

ここでは、一般的に使用されるエクスポート形式の一部を紹介します。

• クロスプラットフォームと相互運用性: ONNXとTorchScriptは、さまざまなフレームワークや環境でモデルを実行するために広く使用されています。ONNXはエコシステム間の橋渡しとして機能し、ツール間でモデルを移行しやすくします。一方、TorchScriptを使用すると、Pythonランタイムを必要とせずにPyTorchモデルを本番環境で実行できます。
• GPUでの高性能推論: TensorRTはNVIDIA GPU向けに設計されており、低レイテンシと高スループットを実現するためのモデル最適化に重点を置いています。精度の低減やレイヤー融合などの技術をサポートして推論を高速化するため、リアルタイムアプリケーションや大規模な本番環境に適しています。
• モバイルおよびエッジへのデプロイ: CoreML、LiteRT（TensorFlow Lite）、NCNNは、計算能力とメモリが限られたデバイス向けに最適化されています。これらの形式はモデルサイズを縮小し、効率を高めることで、スマートフォン、組み込みシステム、エッジハードウェアでスムーズな性能を実現します。CoreMLは通常Appleエコシステムで使用され、LiteRTはAndroidで一般的に使用されます。
• ハードウェア最適化実行: OpenVINOはCPU、GPU、VPUなどのIntelハードウェア向けに調整されており、これらのデバイスで推論速度と効率を向上させます。このようなハードウェア固有の形式は、特定のシステムで最高の性能を引き出したい場合に有効です。
• フレームワーク固有および特殊用途のランタイム: PaddlePaddleやExecuTorchなどの形式は、特定のエコシステムやデプロイ要件をサポートします。これには、エッジデバイスでモデルを効率的に実行することや、特定のディープラーニングスタックと統合することが含まれます。

Ultralytics Platformを使用してモデルをエクスポートする方法#

Ultralytics Platformでのモデルエクスポートは、シンプルなUIベースのプロセスです。スクリプトやコマンドラインツールを使わず、ワークフロー全体をインターフェースから処理できます。

プラットフォームを使用してモデルをエクスポートする手順は次のとおりです。

• ログインしてモデルを選択: プロジェクトに移動し、エクスポートする学習済みモデルを開きます。
• Exportタブに移動: モデルダッシュボードでExportタブをクリックし、利用可能なエクスポートオプションを表示します。
• エクスポート形式を選択: デプロイ要件に応じて、ONNX、TensorRT、CoreMLなどの形式を選択します。
• エクスポート設定を構成（任意）: 性能を最適化するため、画像サイズ、精度、バッチサイズなどのパラメーターを調整します。
• エクスポートプロセスを開始: 「Start Export」をクリックしてプロセスを開始します。プラットフォームが変換を自動的に処理します。
• エクスポートしたモデルをダウンロード: エクスポートが完了すると、モデルをダウンロードしてデプロイパイプラインで使用できます。

図4. Ultralytics Platformでエクスポート設定を構成する画面

適切なエクスポート形式の選択#

Ultralytics Platformがサポートするさまざまなエクスポート形式を確認すると、どれを選べばよいか迷うかもしれません。答えは、モデルをどこでどのように使用する予定かによって異なります。

考慮すべき要素をいくつか紹介します。

• レイテンシ要件: ビデオ分析や自律システムなどのリアルタイムアプリケーションでは、低レイテンシが重要です。TensorRTなど、高性能推論向けに最適化された形式が適していることが多いです。
• ハードウェアの制約: 携帯電話や組み込みシステムなど、メモリと処理能力が限られたデバイスには、LiteRTやNCNNなどの軽量形式が必要です。
• モデルサイズと消費電力: エッジデバイスを使用する場合、モデルサイズと消費電力が重要になります。小型で最適化されたモデルにより、リソースを過度に消費することなく安定した性能を確保できます。
• デプロイ環境: モデルを異なるプラットフォームで実行する必要がある場合は、ONNXなどの形式が柔軟性を提供します。iOSアプリなどプラットフォーム固有のユースケースでは、CoreMLが適していることが多いです。

すべてのケースに適した万能な形式はありません。性能、互換性、対象環境の制限のバランスを取ることが重要です。Ultralytics Platformを使用すると、追加の手間をかけずに異なる形式を試して比較できます。

主なポイント#

エクスポートは、異なる環境でモデルを実際に使用できる状態にするための重要なステップです。Ultralytics Platformを使用すると、追加のセットアップや複雑さなしにモデルを変換および最適化できるため、このプロセスがはるかに簡単になります。ユースケースに適した形式を選ぶことで、デプロイ先を問わずモデルを効率的に実行できます。

成長を続けるコミュニティに参加し、GitHubリポジトリを確認して、コンピュータービジョンについて詳しく学びましょう。ロボティクスにおけるAIや物流におけるコンピュータービジョンなどのアプリケーションについては、ソリューションページをご覧ください。ライセンスオプションを確認して、ビジョンAIの開発を始めましょう。