ONNX (Open Neural Network Exchange)

ONNX (Intercâmbio de Redes Neurais Abertas) é um formato de código aberto concebido para representar modelos de aprendizagem automática, permitindo a interoperabilidade entre várias estruturas e ferramentas de IA. Funciona como um tradutor universal para a aprendizagem profunda, permitindo que os programadores criem modelos numa estrutura — como PyTorch, TensorFlow ou Scikit-learn — e os implementem sem problemas noutro ambiente otimizado para inferência. Ao definir um conjunto comum de operadores e um formato de ficheiro padrão, o ONNX elimina a necessidade de scripts de conversão complexos e personalizados que, historicamente, eram necessários para transferir modelos da investigação para a produção. Esta flexibilidade é essencial para os fluxos de trabalho modernos de IA, nos quais o treino pode ocorrer em GPUs potentes na cloud, enquanto a implementação se destina a hardware diversificado, como dispositivos periféricos, telemóveis ou navegadores Web.

O papel do ONNX na IA moderna#

No panorama em rápida evolução da inteligência artificial, investigadores e engenheiros utilizam frequentemente ferramentas diferentes para as várias fases do ciclo de vida do desenvolvimento. Um cientista de dados pode preferir a flexibilidade do PyTorch para experimentação e treino, enquanto um engenheiro de produção precisa do desempenho otimizado do TensorRT ou do OpenVINO para a implementação. Sem um formato de intercâmbio padrão, transferir um modelo entre estes ecossistemas é difícil e propenso a erros.

O ONNX colmata esta lacuna ao fornecer uma definição partilhada do grafo computacional. Quando um modelo é exportado para ONNX, é serializado num formato que captura a estrutura da rede (camadas, ligações) e os parâmetros (pesos, desvios) de forma independente da estrutura. Isto permite que motores de inferência especificamente ajustados para aceleração de hardware — como o ONNX Runtime — executem o modelo de forma eficiente em várias plataformas, incluindo Linux, Windows, macOS, Android e iOS.

Principais vantagens da utilização do ONNX#

A adoção do formato Open Neural Network Exchange oferece várias vantagens estratégicas para os projetos de IA:

• Interoperabilidade entre estruturas: os programadores podem alternar entre estruturas sem ficarem presos a um único ecossistema. Podes treinar um modelo utilizando a interface Ultralytics Python API, fácil de utilizar, e exportá-lo para utilização numa aplicação C++ ou num ambiente JavaScript baseado na Web.
• Otimização de hardware: muitos fabricantes de hardware disponibilizam fornecedores de execução especializados que fazem a interface com o ONNX. Isto significa que um único ficheiro .onnx pode ser acelerado em GPUs NVIDIA, CPUs Intel ou NPUs móveis (unidades de processamento neural), utilizando ferramentas como o OpenVINO ou o CoreML.
• Inferência mais rápida: o ONNX Runtime aplica otimizações ao grafo — como a fusão de nós e a propagação de constantes — que podem reduzir significativamente a latência de inferência. Isto é essencial para aplicações em tempo real, como veículos autónomos ou linhas de produção de alta velocidade.
• Implementação simplificada: em vez de manter pipelines de implementação separados para cada estrutura de treino, as equipas de engenharia podem adotar o ONNX como formato de entrega padrão, simplificando os processos de ModelOps.

Aplicações no mundo real#

A versatilidade do ONNX torna-o essencial em diversos setores. Eis dois exemplos concretos da sua aplicação:

1. IA periférica em dispositivos móveis#

Considera uma aplicação móvel concebida para a monitorização da saúde das culturas em tempo real. O modelo pode ser treinado num servidor cloud potente, utilizando um grande conjunto de dados de imagens de plantas. No entanto, a aplicação tem de funcionar offline no smartphone de um agricultor. Ao exportar o modelo treinado para ONNX, os programadores podem integrá-lo na aplicação móvel utilizando o ONNX Runtime Mobile. Isto permite que o processador do telemóvel execute a deteção de objetos localmente, identificando pragas ou doenças instantaneamente sem precisar de uma ligação à Internet.

2. Inferência Web multiplataforma#

No comércio eletrónico, uma funcionalidade de "experimentação virtual" pode utilizar a estimativa de pose para sobrepor roupa à transmissão da webcam de um utilizador. O treino deste modelo pode ocorrer em Python, mas o destino da implementação é um navegador Web. Com o ONNX, o modelo pode ser convertido e executado diretamente no navegador do utilizador através do ONNX Runtime Web. Isto utiliza as capacidades do dispositivo do cliente (WebGL ou WebAssembly) para realizar tarefas de visão computacional, garantindo uma experiência fluida e que preserva a privacidade, uma vez que os dados de vídeo nunca saem do computador do utilizador.

Comparação com termos relacionados#

É útil distinguir o ONNX de outros formatos e ferramentas de modelos:

• vs. TensorRT: enquanto o ONNX é um formato de intercâmbio, o TensorRT é um motor de inferência e otimizador específico para GPUs NVIDIA. Um fluxo de trabalho comum consiste em exportar primeiro um modelo para ONNX e, em seguida, analisar esse ficheiro ONNX no TensorRT para alcançar o débito máximo no hardware NVIDIA.
• vs. TensorFlow SavedModel: o SavedModel é o formato de serialização nativo do TensorFlow. Embora seja robusto no ecossistema Google, é menos compatível universalmente do que o ONNX. Existem frequentemente ferramentas para converter SavedModels em ONNX e obter suporte para um conjunto mais amplo de plataformas.
• vs. CoreML: o CoreML é a estrutura da Apple para aprendizagem automática no dispositivo. Embora sejam distintos, os modelos são frequentemente convertidos de PyTorch para ONNX e, depois, de ONNX para CoreML (ou diretamente), para serem executados de forma eficiente em iPhones e iPads.

Exportar para ONNX com Ultralytics#

O ecossistema Ultralytics simplifica o processo de conversão de modelos de última geração, como o YOLO26, para o formato ONNX. A funcionalidade de exportação está integrada diretamente na biblioteca, tratando automaticamente da complexa travessia do grafo e do mapeamento de operadores.

O exemplo seguinte demonstra como exportar um modelo Ultralytics YOLO26 pré-treinado para o formato ONNX para implementação:

from ultralytics import YOLO

# Load the YOLO26n model (Nano version recommended for edge deployment)
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
# The 'dynamic' argument enables variable input sizes
path = model.export(format="onnx", dynamic=True)

print(f"Model exported successfully to: {path}")

Depois de exportado, este ficheiro .onnx pode ser utilizado na Ultralytics Platform para gestão ou implementado diretamente em dispositivos periféricos utilizando o ONNX Runtime, tornando a visão computacional de alto desempenho acessível em praticamente qualquer ambiente.