yolov8导出onnxJava

### YOLOv8 导出 ONNX 模型并加载至 Java 中 #### 1. 导出 YOLOv8 的 ONNX 模型 YOLOv8 支持通过 Ultralytics 提供的工具链轻松导出为多种格式，其中包括 ONNX 格式。以下是具体方法： 使用 Python 脚本调用 `export` 方法可以完成模型转换操作。假设已经安装好 ultralytics 库，则可以通过以下命令实现模型导出。 ```bash from ultralytics import YOLO model = YOLO('yolov8n.pt') # 加载预训练权重文件 success = model.export(format='onnx', simplify=True, opset=12) # 导出为 ONNX 格式 ``` 上述代码片段会将指定的 `.pt` 文件转化为 `.onnx` 文件，并设置简化模式（simplify）以优化性能[^1]。同时指定了 OPSET 版本号为 12，这是为了兼容大多数推理框架的需求。 #### 2. 在 Java 中加载和运行 ONNX 模型 要在 Java 环境下加载并执行 ONNX 模型，推荐采用 **ONNX Runtime** 或者其他支持 ONNX 推理的库来处理此任务。 ##### (a) 添加依赖项 如果项目基于 Maven 构建，则需向 pom.xml 文件添加如下配置引入必要的 ONNXRuntime-Java SDK: ```xml <dependency> <groupId>com.microsoft.onnxruntime</groupId> <artifactId>onnxruntime</artifactId> <version>1.14.1</version> <!-- 可选最新稳定版本 --> </dependency> ``` 对于 Gradle 用户来说，应编辑 build.gradle 如下所示： ```gradle implementation 'com.microsoft.onnxruntime:onnxruntime:1.14.1' ``` ##### (b) 编写 Java 推理逻辑 下面展示了一个简单的例子说明如何利用 ONNX Runtime API 来读取图像数据并通过已有的 ONNX 模型预测物体类别及其位置边界框坐标。 ```java import ai.djl.Application; import ai.djl.ModelException; import ai.djl.engine.Engine; import ai.djl.inference.Predictor; import ai.djl.modality.cv.ImageFactory; import ai.djl.modality.cv.output.DetectedObjects; import ai.djl.repository.zoo.Criteria; import ai.djl.repository.zoo.ZooModel; public class OnnxInfer { public static void main(String[] args) throws ModelException { Engine engine = Engine.getInstance(); Criteria<Image, DetectedObjects> criteria = Criteria.builder() .optApplication(Application.CV.OBJECT_DETECTION) .setTypes(Image.class, DetectedObjects.class) .optEngine(engine.getName()) .build(); try(ZooModel<Image, DetectedObjects> model = criteria.loadModel()) { Predictor<Image, DetectedObjects> predictor = model.newPredictor(); Image img = ImageFactory.getInstance().fromFile(new File("path/to/image.jpg")); DetectedObjects detectionResult = predictor.predict(img); System.out.println(detectionResult.toString()); } } } ``` 注意这里我们借助 DJL(Depth Java Library)，它提供了高层次抽象使得开发者更容易集成机器学习功能到自己的应用程序里去[^2]。 另外需要注意的是，在实际部署前还需要确认输入张量形状是否匹配所使用的特定网络架构的要求；可通过 Netron 工具在线解析生成的 ONNX 文件获取这些细节信息[^3]。 --- ###