YOLO 目标检测实战（05）：导出 ONNX 与结果对齐

发表于2026-07-26|更新于2026-07-21|YOLODetect

|浏览量:

目标：把 best.pt 导出为 ONNX，并用同一张图对比 PyTorch 与 ONNX 的检测框，确认导出没有「悄悄跑偏」。导出成功 ≠ 导出正确，这一篇的重点就是那道对齐检查。

这是「YOLO 目标检测实战」的第 05 篇。完整目录见 00 · 系列导读。

一、为什么先做 ONNX

ONNX 是跨框架部署常见的中间格式，也便于后续再转其他 runtime；
相对 TensorRT engine，ONNX 更易在不同机器间拷贝试跑（仍建议同环境复现）；
对齐脚本能在上 TensorRT 之前，先把导出问题拦下来。

二、导出

容器内：

1	bash scripts/04_export_onnx.sh

核心命令：

yolo export \
  model=/workspace/runs/train/coco128/weights/best.pt \
  format=onnx \
  imgsz=640 \
  device=0

Ultralytics 默认把 best.onnx 写在 .pt 同目录；脚本会再拷贝一份到：

1	weights/best.onnx

方便后续基准与部署统一从 weights/ 取文件。

三、对齐检查

1
2
3

python scripts/05_onnx_infer.py
# 或指定图片
python scripts/05_onnx_infer.py --image /workspace/data/images/bus.jpg

脚本逻辑简述：

分别用 best.pt 与 best.onnx 推理同一张图（conf=0.25）；
按同类 + IoU ≥ 0.5 贪心匹配框；
打印匹配对数、平均 IoU、xyxy 平均绝对差。

经验阈值（脚本内）：

条件	结论
匹配 IoU 均值 ≥ 0.85 且匹配数合理	OK：对齐良好
≥ 0.7	OK：大致接近
更低或一侧空框	WARN：需人工看图排查

数值后端（NMS、浮点）会有微小差异，完全一致的框坐标并不现实；关注的是「是否同一目标、框是否大体重合」。

四、产物清单

文件	用途
`runs/train/.../weights/best.onnx`	导出原始位置
`weights/best.onnx`	统一存放，给基准 / 对照用

下一步

ONNX 对齐没问题，再上 TensorRT 榨延迟。→ 06 · TensorRT 导出与三后端基准

文章作者: WALL-E-2000

文章链接: http://shiguol.github.io/2026/07/26/YOLO%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E5%AE%9E%E6%88%98-05-%E5%AF%BC%E5%87%BAONNX%E4%B8%8E%E7%BB%93%E6%9E%9C%E5%AF%B9%E9%BD%90/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 WALL-E's Blog！

2026 YOLO 目标检测 Ultralytics ONNX 模型导出

相关推荐

YOLO 目标检测实战（03）：COCO128 短训

目标：在 COCO128（128 张训练图）上对 s 档模型做一次短训，走通完整训练流水线。这一阶段指标不是重点——数据集太小，数字本来就会抖——可复现和产物路径清晰才是要拿到手的东西。这是「YOLO 目标检测实战」的第 03 篇。完整目录见 00 · 系列导读。一、数据配置训练使用本地 yaml：data/datasets/coco128.local.yaml。要点： path 固定为容器内 /workspace/data/datasets/coco128； train / val 均指向 images/train2017（COCO128 官方小集常见写法）；含 COCO 80 类 names；去掉会触发联网下载的 download 字段。这样即使训练时断网，也不会再去拉 zip。二、执行容器内（GPU 空闲）： 1bash scripts/02_train_coco128.sh 默认超参（可按显存调整）：参数默认值 imgsz 640 epochs 5 batch 16 workers 4 device 0 ...

YOLO 目标检测实战（06）：TensorRT 导出与三后端基准

目标：导出 FP16 TensorRT engine，并在同一张图上对比 PyTorch / ONNX / TensorRT 三个后端的平均延迟，看看引擎到底快在哪。这是「YOLO 目标检测实战」的第 06 篇。完整目录见 00 · 系列导读。一、导出 TensorRT容器内需已安装 tensorrt（镜像已 pin tensorrt-cu12；脚本在缺失时会尝试安装固定版本）。 1bash scripts/06_export_tensorrt.sh 关键参数： 1234567yolo export \ model=/workspace/runs/train/coco128/weights/best.pt \ format=engine \ imgsz=640 \ device=0 \ quantize=16 \ workspace=4 说明： quantize=16 → FP16 engine（新卡上常用默认，不必再传已弃用的 half 写法）； workspace=4：构建时的工作空间（GB 量级），可按显存调整；生成的 b...

YOLO 目标检测实战（04）：验证与预测

目标：用训练得到的 best.pt 做一次正式 val，再在样例图上 predict，确认微调权重确实可用、加载路径无误。这是「YOLO 目标检测实战」的第 04 篇。完整目录见 00 · 系列导读。一、前置条件已有 runs/train/coco128/weights/best.pt（见 03 · 短训）；本地数据 yaml 仍在：data/datasets/coco128.local.yaml。二、执行容器内： 1bash scripts/03_val_test.sh 脚本分两步。 1. Val1234567yolo detect val \ model=/workspace/runs/train/coco128/weights/best.pt \ data=/workspace/data/datasets/coco128.local.yaml \ device=0 \ project=/workspace/runs/val \ name=coco128 \ exist_ok=True 输出目录示例： 1234runs/val/coco12...

YOLO 目标检测实战（01）：Docker GPU 环境搭建

目标：在隔离的 Docker 镜像里跑通 YOLO 所需的 CUDA / PyTorch / Ultralytics / TensorRT，并准备好权重与样例数据。这一步做扎实了，后面训练、导出、部署才不会被环境问题反复拖住。这是「YOLO 目标检测实战」的第 01 篇。系列共 8 篇，完整目录见 00 · 系列导读。文中路径统一用容器内 /workspace 或项目相对路径。一、为什么用 Docker 宿主机只保留驱动与 NVIDIA Container Toolkit，训练依赖全部锁在镜像里。新架构（如 Blackwell）需要较新的 CUDA wheel（本实验用 CUDA 12.8 + cu128），镜像便于复现。同一镜像既做训练，也起 FastAPI，避免「本机能跑、服务环境缺包」这种最耗时的问题。二、仓库结构（相关部分）12345678├── docker/ # Dockerfile + compose + entrypoint├── scripts/ # 分步脚本├── api/...

YOLO 目标检测实战（02）：预训练模型冒烟推理

目标：在正式训练之前，先用官方预训练权重对样例图跑一次检测，确认 GPU 推理链路是通的。这一步花不了几分钟，却能把「环境没配对」和「训练超参没调好」这两类问题彻底分开。这是「YOLO 目标检测实战」的第 02 篇。完整目录见 00 · 系列导读。一、前置条件已完成 01 · 环境搭建；存在预训练 s 档权重（如 weights/yolo_s.pt）与 data/images/（由 scripts/00_download_assets.sh 准备）。二、执行容器内： 1bash scripts/01_smoke_detect.sh 等价于： 1234567yolo detect predict \ model=/workspace/weights/yolo_s.pt \ source=/workspace/data/images \ device=0 \ project=/workspace/runs/detect \ name=smoke \ exist_ok=True 三、产物可视化结果写到： 1runs/detect/smoke/ 打开...

YOLO 目标检测实战（00）：系列导读

「跑通一个目标检测模型」听起来简单，但真正把它从环境、训练、评估一路带到能对外提供服务，中间有一堆坑：显卡驱动、CUDA 版本、共享内存、导出对齐、引擎版本绑定、服务预热……这个系列把这条链路完整走一遍，每一步都可复现、可回看。这是「YOLO 目标检测实战」的第 00 篇（导读）。系列共 8 篇，以 Ultralytics YOLO 为例，串起 Docker GPU 环境 → 冒烟推理 → COCO128 短训 → 验证/预测 → ONNX 导出对齐 → TensorRT 基准 → FastAPI 部署的完整闭环。文中路径统一用容器内 /workspace 或项目相对路径，硬件与版本号均以示例给出，不绑定具体机器或账号。一、这个系列想解决什么网上「YOLO 五分钟上手」的教程很多，但它们通常停在「我在自己机器上 predict 出了一张带框的图」。真正做工程时，你会连续遇到这些问题：环境不可复现：本机能跑，换台机器 / 换个同事就缺包、版本对不上。训练一跑就崩：共享内存不足、OOM、DataLoader 卡死。导出后「悄悄跑偏」：ONNX...