yolov8n.onnx下载

要获取 YOLOv8n 的 ONNX 模型文件，可以通过以下方法实现。YOLOv8 提供了直接从官方预训练模型导出为 ONNX 格式的功能。以下是详细的操作步骤和代码示例： ### 导出 YOLOv8n 为 ONNX 格式 YOLOv8 的官方库 `ultralytics` 提供了简单的方法将 PyTorch 模型导出为 ONNX 格式。以下是代码示例： ```python from ultralytics import YOLO # 加载官方提供的 YOLOv8n 模型 model = YOLO("yolov8n.pt") # 加载预训练模型[^1] # 导出模型为 ONNX 格式 model.export(format="onnx") # 导出模型[^2] ``` 运行上述代码后，模型会被导出为 `yolov8n.onnx` 文件，并保存在当前工作目录下。 --- ### 手动下载 ONNX 模型文件 如果不想手动导出，可以直接从 Ultralytics 的官方资源中获取预训练的 ONNX 模型文件。以下是具体步骤： 1. **访问 Ultralytics 官方 GitHub 仓库**：进入 [Ultralytics GitHub](https://github.com/ultralytics/ultralytics) 页面。 2. **查找预训练模型**：在仓库中搜索 `yolov8n.onnx` 文件，通常位于 `releases` 或 `assets` 部分。 3. **下载模型文件**：点击下载链接，保存 `yolov8n.onnx` 文件到本地。 --- ### 使用 ONNX 模型进行推理 一旦获取了 `yolov8n.onnx` 文件，可以使用 ONNX Runtime 进行推理。以下是代码示例： ```python import cv2 import numpy as np import onnxruntime as ort def init_detect_model(model_path): # 创建 ONNX 推理会话 session = ort.InferenceSession(model_path, providers=ort.get_available_providers()) # 初始化会话[^4] model_inputs = session.get_inputs() # 获取输入信息 input_shape = model_inputs[0].shape # 输入形状 input_width = input_shape[2] # 输入宽度 input_height = input_shape[3] # 输入高度 return session, input_width, input_height def preprocess_image(image_path, width, height): # 加载图像并调整大小 image = cv2.imread(image_path) image = cv2.resize(image, (width, height)) image = image.astype(np.float32) / 255.0 # 归一化 image = np.transpose(image, (2, 0, 1)) # 调整维度顺序 image = np.expand_dims(image, axis=0) # 增加批次维度 return image # 初始化模型 session, input_width, input_height = init_detect_model("yolov8n.onnx") # 预处理图像 image_data = preprocess_image("example.jpg", input_width, input_height) # 运行推理 outputs = session.run(None, {session.get_inputs()[0].name: image_data}) print("推理结果：", outputs) ``` --- ### 注意事项 - 确保安装了必要的依赖库，例如 `ultralytics` 和 `onnxruntime`。可以通过以下命令安装： ```bash pip install ultralytics onnxruntime ``` - 如果需要支持 GPU 推理，请确保系统配置了 CUDA 和 cuDNN，并安装对应的 GPU 版本的 `onnxruntime-gpu`。 ---