2 篇博文 含有标签「Yolo」

一、概述​

YOLO26 是 Ultralytics 于 2026 年 1 月正式发布的新一代 YOLO 系列目标检测模型，核心定位是专为边缘计算与低功耗设备设计的端到端视觉 AI 模型，并非对 YOLO11 的小幅迭代，而是从架构、训练机制、部署适配等层面的代际性升级。本报告从新增功能、核心特性、性能指标、架构差异、应用适配等维度，全面对比分析 YOLO26 与 YOLO11 的核心差异与提升点。

ONNX（Open Neural Network Exchange）和 PT（PyTorch 模型文件）是两种不同的模型格式，主要区别体现在设计目标、兼容性、用途和特性上，具体如下：

格式定义与设计目标​

• PT 格式：

  是 PyTorch 框架的原生模型格式（文件后缀通常为 .pt 或 .pth），本质上是 PyTorch 张量和模型结构的序列化文件，紧密依赖 PyTorch 的运行时环境和 API。

  设计目标是方便 PyTorch 模型的保存、加载和断点续训，更适合 PyTorch 生态内的模型开发、调试和训练。

• ONNX 格式：

  是一种跨框架的开放格式（由微软、Facebook 等联合推出），旨在标准化神经网络模型的表示方式，实现不同深度学习框架（如 PyTorch、TensorFlow、MXNet 等）之间的模型互转和部署兼容。

  设计目标是解决 “模型格式碎片化” 问题，专注于模型的跨平台部署。

兼容性​

• PT 格式：

  仅能被 PyTorch 框架识别和加载，依赖 PyTorch 的版本和具体算子实现（不同 PyTorch 版本可能存在兼容性问题），无法直接在其他框架（如 TensorFlow、ONNX Runtime）中使用。

• ONNX 格式：

  与框架无关，支持多种深度学习框架导出（如 PyTorch 的 torch.onnx.export、TensorFlow 的 tf2onnx 工具），并可被多种推理引擎加载运行（如 ONNX Runtime、TensorRT、OpenVINO 等），兼容性更强。

用途场景​

• PT 格式：

  主要用于模型训练阶段，例如：

  • 保存训练过程中的模型权重和结构，方便断点续训；
  • 在 PyTorch 环境下进行模型微调、评估或修改网络结构。

• ONNX 格式：

  主要用于模型部署阶段，例如：

  • 将训练好的模型（无论来自 PyTorch 还是 TensorFlow）转换为 ONNX 格式，再部署到不同硬件（CPU、GPU、移动端、嵌入式设备）或平台（Windows、Linux、Android 等）；
  • 结合推理引擎（如 ONNX Runtime）进行高效推理优化（如算子融合、量化等）。

存储内容​

• PT 格式：

  通常存储模型的参数权重、计算图结构（PyTorch 的动态图定义），还可能包含优化器状态（用于续训）等额外信息，文件大小可能较大。

• ONNX 格式：

  存储的是静态计算图（节点、算子、输入输出张量信息）和模型权重，结构更标准化，不包含训练相关的优化器状态等信息，更适合推理。

灵活性与优化​

• PT 格式：

  依赖 PyTorch 的动态图机制，加载后可灵活修改网络结构或参数，适合研发阶段的灵活调试，但推理时需要 PyTorch runtime 支持，优化手段相对受限。

• ONNX 格式：

  作为静态图格式，一旦导出后结构相对固定，但可被专用推理引擎深度优化（如 TensorRT 的 FP16/INT8 量化、层融合），通常能获得更高的推理效率，尤其在生产环境中优势明显。

总结​

• PT 是 PyTorch 原生格式，适合训练、调试和 PyTorch 生态内的开发；
• ONNX 是跨框架开放格式，适合模型部署和跨平台推理。

实际流程中，常先在 PyTorch 中用 PT 格式保存模型，训练完成后导出为 ONNX 格式，再部署到生产环境。