Ultralytics Platformを使用してUltralytics YOLOモデルをエクスポートする方法
Ultralytics Platformを使用して、ビジョンAIモデルを簡単にエクスポートしましょう。エッジ、モバイル、クラウドへのデプロイに向けて、数クリックでモデルを準備する方法を解説します。
先月、私たちはコンピュータビジョンのワークフロー全体を簡素化するように設計された統合ワークスペースであるUltralytics Platformを立ち上げました。データセット管理、アノテーション、モデルトレーニング、テスト、デプロイ、モニタリングなど、主要なVision AI機能を単一の効率的なインターフェースに集約しています。
図1. Ultralytics Platformの概要 (ソース)
このエンドツーエンドのワークフローの一部として、デプロイはモデルを実験から現実世界の利用へと移行させる上で重要な役割を果たします。以前、私たちはAPIを介した共有推論、スケーラブルな本番環境デプロイのため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可能なさまざまなデプロイオプションについて解説しました。
今回は、モデルのエクスポートと、それがさまざまな環境でのデプロイをどのようにサポート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により、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でモデルをデプロイおよび実行できるようになります。
モデルがこれらの環境で実行される前に、ターゲットのランタイムでサポートされているフォーマットに変換する必要があります。モバイルデバイスやエッジデバイス向けの軽量フォーマットから、クラウドやGPUベースのシステム向けの高性能フォーマットまで、各デプロイ設定には独自の要件があります。
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となり、時間がかかる場合がありました。Ultralytics Platformを使用すると、エクスポートは非常に簡単になります。モデルの変換と最適化は、追加の設定なしで数回クリックするだけで完了します。
この記事では、モデルエクスポートの意味、Ultralytics Platformでサポートされているフォーマット、そしてユースケースに最適なフォーマットの選び方について解説します。それでは始めましょう！
Link to this section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外で使用可能なフォーマット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、ネイティブフォーマットで保存されています。これはPyTorchエコシステム内でのトレーニング、評価、実験には適しています。
しかし、デプロイ環境では多くの場合、異なるランタイムやハードウェア要件が求められます。そのため、トレーニング中に使用されるフォーマットが常に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なフォーマットが必要になる一方、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フォーマットが必要になります。
カメラや組み込みシステムなどのエッジデバイスはコンパクトで高速なモデルの恩恵を受ける一方、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。これらの異なるシナリオをサポートするために、モデルを互換性のあるフォーマットにエクスポートする必要があります。
Link to this sectionなぜモデルのエクスポートという選択肢がこれまで以上に重要なのか#
今日、コンピュータビジョンモデルは、特にエッジデバイスにおいて、データが生成される場所に近づけてデプロイされています。スマートフォンはリアルタイムのビジョンアプリケーションを実行し、CCTVカメラはオンデバイスモニタリングを実行し、自律システムは即時の意思決定を行います。
しかし、これらの環境でのデプロイには独自の課題が伴います。エッジデバイスには計算能力の制限、厳しいレイテンシ要件、メモリとエネルギー消費の制約があります。十分なリソースがあるトレーニング中に優れたパフォーマンスを発揮するモデルでも、これらの制限された条件下では効率的に実行されない可能性があります。
モデルを適切なフォーマット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ことで、速度の最適化、サイズの削減、特定のハードウェアとの互換性を確保できます。
同時に、エクスポートは柔軟性を提供します。同じモデルを、特定の要件に基づいて複数のフォーマットに変換することで、さまざまなデプロイ環境に適応させることができます。
図2. Ultralytics Platform内で利用可能なエクスポートフォーマットの一部 (ソース)
例えば、NCNNモデルフォーマットは、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フォーマットはIntelハードウェアに合わせて調整されており、中央演算処理装置（CPU）、グラフィックス処理装置（GPU）、ニューラル処理装置（NPU）で優れたパフォーマンスを発揮します。
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、依存関係の管理、複数のツールを扱う必要があり、プロセスが複雑で時間がかかるものでした。Ultralytics Platformは、モデルのエクスポートをよりアクセスしやすく、管理しやすくすることで、このワークフローを合理化します。
Link to this sectionUltralytics Platformがモデルのエクスポートを簡素化する方法#
通常、モデルのエクスポートはコンピュータビジョンワークフローにおいて個別の複雑なステップとして扱われます。Ultralytics Platform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エクスポートのオプションを統合することで、これを変革します。
その主要な利点の一つは、ノーコードでのエクスポート体験です。スクリプトを書いたり、環境を管理したり、フレームワーク固有のコマンドを使用したりする必要はありません。モデルは、わかりやすいインターフェースを介して数回クリックするだけで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 (ソース)
プラットフォームの舞台裏では、複雑な処理をすべてプラットフォームが処理します。通常なら複数のツールと手動設定が必要なタスクが、単一のプロセスに集約されます。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に対応したソリューションへと簡単に移行できます。
Link to this sectionUltralytics Platformがサポートするモデルエクスポートフォーマット#
Ultralytics Platformは17種類のエクスポートフォーマットをサポートしており、複雑さを増すことなく、幅広いデプロイ環境に向けて簡単にモデルを準備できます。
一般的に使用されるエクスポートフォーマットの概要は以下の通りです。
- クロスプラットフォームと相互運用性： ONNXとTorchScriptは、異なるフレームワークや環境間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動しやすくします。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のためにモデルを最適化することに重点を置いています。精度低減やレイヤー融合などの技術をサポートし、推論を高速化するため、リアルタイムおよび本番規模のアプリケーションに適しています。
- モバイルおよびエッジデプロイ： CoreML、LiteRT (TensorFlow Lite)、NCNNは、計算リソースやメモリが制限されたデバイス向けに最適化されています。これらのフォーマットはモデルサイズを削減し、効率を向上させるため、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のスムーズなパフォーマンスを実現します。CoreMLは通常Appleエコシステムで使用され、LiteRTはAndroidで一般的です。
- ハードウェア最適化された実行： OpenVINOはIntelハードウェア（CPU、GPU、VPUを含む）に合わせて調整されており、これらのデバイスでの推論速度と効率の向上に役立ちます。このようなハードウェア固有のフォーマットは、特定のシステムから最高のパフォーマンスを引き出す必要がある場合に役立ちます。
- フレームワーク固有および専門的なランタイム： PaddlePaddleやExecuTorchなどのフォーマットは、特定のエコシステムやデプロイニーズをサポートします。これには、エッジデバイスでの効率的なモデル実行や、特定のディープラーニングスタックとの統合が含まれます。
Link to this sectionUltralytics Platformを使用してモデルをエクスポートする方法#
Ultralytics Platformでのモデルのエクスポートは、シンプルでUIベースのプロセスです。ワークフロー全体はインターフェースを介して処理されるため、スクリプトやコマンドラインツールは必要ありません。
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方法は以下の通りです。
- ログインしてモデルを選択： プロジェクトに移動し、エクスポートしたい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内で、Exportタブをクリックして利用可能なエクスポートオプションを表示します。
- エクスポートフォーマットを選択： デプロイのニーズに基づいて、ONNX、TensorRT、CoreMLなどのフォーマットを選択します。
- エクスポート設定を構成（オプション）： 画像サイズ、精度、バッチサイズなどのパラメータを調整して、パフォーマンスを最適化します。
- 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自動的に変換を処理します。
- エクスポートされたモデルをダウンロード： エクスポートが完了したら、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でのエクスポート設定構成の様子
Link to this section適切なエクスポートフォーマットを選択する#
Ultralytics Platformでサポートされているさまざまなエクスポートフォーマットを調べる際、どれを選択すべき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決まります。
考慮すべきいくつかの要因は以下の通りです。
- レイテンシ要件： ビデオ解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、低レイテンシが不可欠です。TensorRTのように高性能な推論向けに最適化されたフォーマット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、メモリや処理能力が限られているデバイスには、LiteRTやNCNNのような軽量なフォーマットが必要です。
- 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。小さく最適化されたモデルは、リソースを消費することなく一貫したパフォーマンスを維持するのに役立ちます。
- デプロイ環境： モデルを異なるプラットフォーム間で実行する必要がある場合は、ONNXのようなフォーマットが柔軟性を提供します。iOSアプリのようなプラットフォーム固有のユースケースでは、CoreMLの方が適していることがよくあります。
万能なフォーマットはありません。パフォーマンス、互換性、そしてターゲット環境の制限をバランスよく調整することが重要です。Ultralytics Platformは、余計な手間をかけずにさまざまなフォーマットを試して比較できるため、この選択を容易にします。
Link to this section主な要点#
エクスポートは、モデルを異なる環境で現実世界に利用できるようにするための重要なステップです。Ultralytics Platformを使用すると、このプロセスが非常に簡素化され、追加の設定や複雑さなしにモデルを変換および最適化できます。ユースケースに合った適切なフォーマットを選択することで、どこにデプロイしてもモデルが効率的に動作するようにできます。
私たちの拡大するコミュニティに参加し、GitHubリポジトリをチェックして、コンピュータビジョンについてさらに学びましょう。AI in roboticsやcomputer vision in logisticsなどのアプリケーションについて詳しく知るために、ソリューションページを探索してください。私たちのライセンスオプションを確認して、Vision AIの開発を始めましょう！
