Ultralytics YOLO 模型导出格式完整参考：22 种 `format` 参数、产物命名与能力对照

Ultralytics YOLO 模型导出格式完整参考22 种format参数、产物命名与能力对照【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics在 Ultralytics YOLO 生态YOLO26 / YOLO11 / YOLOv8 等中export模式负责把训练好的.pt权重转换为可直接部署到各硬件/运行时上的推理产物。本文以仓库内被 docs/en/modes/export.md 反复引用的 export-table.md 宏为骨架逐行拆解 PyTorch、ONNX、TensorRT、CoreML、LiteRT、Hailo、Huawei Ascend、Apple Core AI 等 22 种导出格式说明各自的format参数取值、产出文件命名规律、模型元数据Metadata支持情况以及可用的导出参数集合并结合 engine/exporter.py 源码解释表格背后的实现逻辑。读完本文你将能根据目标部署硬件与运行环境从这张总表中快速选定format并写出第一条可运行的导出命令。一、这张表在文档体系中扮演什么角色docs/macros/export-table.md是一个 Jinja2 宏文件不是一份独立页面。它通过{% include macros/export-table.md %}被注入到 docs/en/modes/export.md 的 “Export Formats” 小节为所有导出教程提供统一的“格式总览”文中使用模板变量{{ model_name or yolo26n }}当调用方没有指定具体模型名时默认以yolo26n展示示例产物文件名如yolo26n.pt、yolo26n.onnx文中使用模板变量{{ integrations_path or ../integrations }}生成指向各格式专属集成指南的相对链接。因此任何“导出到哪、产物叫什么、支持哪些参数”的疑问都应以这张表为第一入口具体到某一格式的安装依赖与推理示例则继续跳转到对应集成文档。二、22 种导出格式总表表格中的nms参数标注*表示当设置nmsTrue时conf、iou、agnostic_nms三个参数同样生效详见下文“两处内联提示”。格式format参数产物文件Metadata可用导出参数PyTorch-yolo26n.pt✅-TorchScripttorchscriptyolo26n.torchscript✅imgsz,quantize,dynamic,nms*,batch,deviceONNXonnxyolo26n.onnx✅imgsz,quantize,dynamic,simplify,opset,nms*,batch,data,fraction,deviceOpenVINOopenvinoyolo26n_openvino_model/✅imgsz,quantize,dynamic,nms*,batch,data,fraction,deviceTensorRTengineyolo26n.engine✅imgsz,quantize,dynamic,simplify,opset,workspace,nms*,batch,data,fraction,deviceCoreMLcoremlyolo26n.mlpackage✅imgsz,dynamic,quantize,nms*,batch,deviceTF SavedModelsaved_modelyolo26n_saved_model/✅imgsz,keras,quantize,opset,nms*,batch,data,fraction,deviceTF GraphDefpbyolo26n.pb❌imgsz,opset,batch,deviceTF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz,quantize,opset,data,fraction,devicePaddlePaddlepaddleyolo26n_paddle_model/✅imgsz,batch,deviceMNNmnnyolo26n.mnn✅imgsz,batch,dynamic,quantize,simplify,opset,nms*,deviceNCNNncnnyolo26n_ncnn_model/✅imgsz,quantize,batch,deviceIMX500imxyolo26n_imx_model/✅imgsz,quantize,data,fraction,nms*,deviceRKNNrknnyolo26n_rknn_model/✅imgsz,batch,name,quantize,simplify,opset,data,fraction,deviceExecuTorchexecutorchyolo26n_executorch_model/✅imgsz,batch,deviceAxeleraaxelerayolo26n_axelera_model/✅imgsz,batch,quantize,data,fraction,deviceDEEPXdeepxyolo26n_deepx_model/✅imgsz,quantize,simplify,opset,data,optimize,deviceQualcomm QNNqnnyolo26n_qnn.onnx✅imgsz,batch,name,quantize,simplify,opset,data,fraction,deviceLiteRTlitertyolo26n.tflite✅imgsz,quantize,batch,data,fraction,deviceHailohailoyolo26n_hailo_model/✅imgsz,name,quantize,data,fraction,simplify,conf,iouHuawei Ascendascendyolo26n_ascend_model/✅imgsz,batch,name,quantize,opset,simplify,nms*Apple Core AIcoreaiyolo26n.aimodel✅imgsz,batch,quantize三、表格阅读指南四列各自代表什么这张表的每一行都对应一种导出目标四列信息分别回答四个问题格式Format面向的平台/运行时名称多数格式名带有指向 docs/en/integrations/index.md 下对应指南的链接例如 ONNX、TensorRT、CoreML、LiteRT、Hailo、Huawei Ascend、Apple Core AI 等。format参数传给model.export(format...)或 CLIyolo export format...的实际取值。注意它与任务无关各任务通用但与用户配置中的project/name运行命名对没有关系。模型Model导出成功后的产物命名规律。观察可见三类形态单文件.pt、.torchscript、.onnx、.engine、.mlpackage、.mnn、.pb、.tflite、.aimodel、_qnn.onnx目录包_openvino_model/、_saved_model/、_paddle_model/、_ncnn_model/、_rknn_model/、_hailo_model/、_ascend_model/等其中qnn虽然内部走 ONNX 转换但产物按_qnn.onnx独立命名以示区分。目录类产物在加载时要用目录路径而非单个文件。Metadata导出时是否把模型元数据一并写入产物。仅有 TF GraphDefpb一行为 ❌其余格式为 ✅。Metadata 列背后的实现元数据在导出流程中统一由 exporter.py 构造并附到各格式导出调用上如 ONNX、OpenVINO、TensorRT、CoreML、MNN、LiteRT 等后端在写文件时均传入metadataself.metadata。该字典包含description、author、date、version、license、docs、stride、task、head、batch、imgsz、names、args、channels、end2endpose 模型还会追加kpt_shape、kpt_names。这意味着只要能解析元数据的运行时如 ONNX Runtime、TensorRT、AutoBackend加载产物后可以直接读出类别名names、输入尺寸imgsz、步幅stride等关键信息无需另行维护配置文件。这也解释了为何 TF GraphDef 这类纯静态图格式会缺失该能力。四、两处内联提示易被忽略的细节宏文件顶部定义了两个“tooltip 提示”在很多二次引用场景中容易被排版吞掉却直接关系到参数正确性tip1conf、iou、agnostic_nms只有在nmsTrue时才可用。也就是说凡表格中标注nms*的格式一旦你在导出时开启nms置信度阈值、IoU 阈值与跨类别 NMS 开关都会随导出图一起固化到后处理管线中。这与 default.yaml 中nms: False # ... if True, conf/iou/agnostic_nms apply的注释相互印证也与 export-args.md 对conf/iou/max_det/agnostic_nms的语义定义一致。tip2IMX 格式目前仅支持 YOLOv8n、YOLO11n 模型。计划导出到索尼 IMX500 时请先确认所用权重属于这两个系列之一否则导出不会成功。五、参数列规律从“最小集合”到“全量集合”对比各行“可用导出参数”列能看出清晰的粒度设计几乎所有格式都支持imgsz输入尺寸与batchdevice决定在 CPU/GPU/MPS/NPU/DLA 上执行转换。以 ONNX 为中间图的格式ONNX、TensorRT、TF SavedModel、Edge TPU、MNN、RKNN、QNN、Ascend、DEEPX、Hailo普遍支持simplify与opset——它们都会先生成/改造 ONNX 图再交给下游工具链。需要量化校准的格式ONNX INT8、OpenVINO、TensorRT INT8、Edge TPU、IMX、RKNN、Axelera、DEEPX、QNN、LiteRT、Hailo、Ascend会暴露data与fraction用于指定校准数据集及子集比例。带专属硬件参数的格式额外暴露nameHailo如hailo8l、Rockchip RKNN如rk3588、Huawei Ascend SoCCANN--soc_version默认Ascend310B4、Qualcomm QNN HTP 目标默认73详见 export-args.md。个别格式有独占参数saved_model独占kerasTensorRT 独占workspaceDEEPX 独占optimize。Hailo 行单独列出conf与iou因为 Hailo 在非端到端检测导出中自行生成 NMS 配置即便不经过标准nmsTrue管线这两个阈值也直接生效。从源码看总表如何生成表格内容与 engine/exporter.py 中的export_formats()高度一致。该函数维护了一份更完整的内部清单每条记录包含Format, Argument, Suffix, CPU, GPU, Arguments, Env七个字段其中Arguments字段与宏表格的“可用导出参数”列一一对应。同一函数还额外给出了每类格式的CPU/GPU 运行能力与所需环境base、tensorflow、coreml、mnn、isolated-imx、isolated-rknn、isolated-axelera、isolated-deepx等并由EXPORT_ENVS映射到对应的安装 extras 与冒烟测试命令如yolo export formatsaved_model modelyolo26n.pt imgsz32。也就是说文档表格是给用户看的“能力白皮书”而export_formats()是运行时真正驱动格式注册、环境校验的参数源。六、如何上手使用从总表到第一条导出命令选定行后导出命令遵循统一的模板。以总表中 ONNX 行为例from ultralytics import YOLO # 加载官方预训练模型或自训练权重 model YOLO(yolo26n.pt) model YOLO(path/to/best.pt) # 按总表给出的 format 取值导出默认导出到 runs/detect/export/ model.export(formatonnx)yolo export modelyolo26n.pt formatonnx # 官方权重 yolo export modelpath/to/best.pt formatonnx # 自训练权重换一个硬件目标只需改动formatNVIDIA GPU 用formatengineTensorRT、Apple 设备用formatcoreml、Android/嵌入式边缘设备用formatlitert或formatncnn、树莓派等 Google Coral 设备用formatedgetpu。产物导出后可以直接用yolo predict modelyolo26n.onnx或model.predict(source...)在新格式上推理验证——这要求产物内嵌了可被 autobackend.py 识别的元数据正是上表 Metadata 列的意义所在。七、参数语义快速澄清结合 export-args.md 与 default.yaml读取总表参数列时建议把握以下默认值imgsz默认640也支持(height, width)元组不传时优先沿用权重中记录的训练尺寸。simplify默认True用onnxslim精简 ONNX 中间图。quantize默认关闭FP3216表示 FP16、8表示 INT8并支持w8a16等混合位宽写法取代旧的half/int8标志但每种格式支持哪些精度需要以 docs/en/modes/export.md 的 “Quantization Options” 表格为准。nms默认False置True后conf默认0.25、iou默认0.7、agnostic_nms默认False才进入导出图。workspaceTensorRT与optimizeDEEPX分别对应 GPU 显存预算与编译器优化档位按需指定即可。八、总表之外完整文档链路本文总表是入口级速查深入某一格式时建议按以下路径继续阅读当前仓库中的原始资料导出模式完整文档含参数表与量化选项导出参数宏全部参数类型、默认值与语义各格式专属集成指南索引docs/en/integrations/index.md其中与本表 22 行直接对应的有 ONNX、TensorRT、OpenVINO、CoreML、TF SavedModel、LiteRT、MNN、NCNN、Rockchip RKNN、Hailo、Huawei Ascend、Qualcomm QNN、Sony IMX500 等。运行时格式注册与元数据实现的源码 ultralytics/engine/exporter.py部署选型时把这张总表当作“一行一格式”的对照清单先锁定目标设备与运行时再回查该行支持的参数集合最后到对应集成指南中落地依赖安装与推理代码即可避免绝大多数“格式不支持某参数”“产物无法被运行时加载”的踩坑问题。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考