YOLO26 模型转换成 ONNX 再转化成 OM 模型实战

本文旨在记录模型转化的过程以及踩过的坑。

想把 YOLO26 训练出来的模型到 昇腾 310B4 的板子上运行。

YOLO26 训练出来的模型转化成 ONNX

这一个步骤非常简单，直接有官网的转换案例，直接转就好了。[官网地址](使用 Ultralytics YOLO 进行模型导出 | Ultralytics 文档)

引入案例

1. 首先你要有一个训练好的模型，通常你用 YOLO26 训练好的话会有一个 best.pt 的权重文件。

2. 加载模型

3. 导出模型

这里说一嘴，感觉 ultralytics 公司还是很屌的，把文档和说明做的非常好，有好。

代码：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model 这里如果已经有训练好的模型，这一行都可以不用写
model = YOLO("path/to/best.pt")  # load a custom-trained model 加载自己训练好的模型就好了。

# Export the model
model.export(format="onnx") # 真正的是需要配置这个参数，埋个坑，直接这样运行以后导出的结果是不能够运行的。

• 上面的代码运行结束以后，就会在path/to/best.pt 路径下出现 best.onnx 这个文件

导出参数说明

根据官网的说明，导出 onnx 模型只需要用到的参数只有 imgsz, half, dynamic, simplify, opset, nms, batch, device 所以我们也只看这些参数的说明。

参数	类型	默认值	描述
format	str	'torchscript'	导出模型的目标格式，如 'onnx'、'torchscript'、'engine' (TensorRT) 等。每种格式都能实现与不同部署环境的兼容性。
imgsz	int 或 tuple	640	Desired image size for the model input. Can be an integer for square images (e.g., 640 for 640×640) or a tuple (height, width) for specific dimensions.
half	bool	False	启用 FP16（半精度）量化，减小模型大小，并可能在支持的硬件上加速推理。不兼容 INT8 量化或仅 CPU 导出。仅适用于特定格式，例如 ONNX（见下文）。
dynamic	bool	False	允许 TorchScript、ONNX、OpenVINO、TensorRT 和 CoreML 导出支持动态输入尺寸，增强了处理不同图像尺寸的灵活性。当在 TensorRT 中使用 INT8 时，此项自动设置为 True。如果设置了这个，那么在使用atc 的时候就可以变化的设置batch_size。
simplify	bool	True	使用 onnxslim 简化 ONNX 导出的模型图，这可能会提高性能以及与推理引擎的兼容性。
opset	int	None	指定 ONNX opset 版本，以兼容不同的 ONNX 解析器和运行时。若未设置，则使用最新支持的版本。很重要的一个参数，这个参数决定了，atc 能否转化，要看华为昇腾官网支持 onnx 导出版本支持到多少，下面给一个参考
nms	bool	False	在受支持时为导出的模型添加非极大值抑制 (NMS)（参见导出格式），提高检测后处理的效率。不适用于端到端模型。
batch	int	1	指定导出模型的批量推理大小，或导出模型在 predict 模式下并发处理的最大图像数量。对于 Edge TPU 导出，此值自动设置为 1。如果设置了这个，那么在 atc 导出的时候一定要和设置的一致，不然会尺寸不匹配，会出错。
device	str	None	指定导出的设备：GPU (device=0)、CPU (device=cpu)、Apple 芯片的 MPS (device=mps)、华为昇腾 NPU (device=npu 或 device=npu:0)，或 NVIDIA Jetson 的 DLA (device=dla:0 或 device=dla:1)。TensorRT 导出会自动使用 GPU。

opset 华为支持参考：

通过查看昇腾 CANN 对 ONNX 的支持 链接====>https://www.hiascend.com/document/detail/zh/canncommercial/900/API/aolapi/operatorlist_00177.html

通过查看 ONNX 对应的 ONNX opset 链接 ====> https://runtime.onnx.org.cn/docs/reference/compatibility.html

这里贴个图

再给一个 AI 推荐的列表

对于昇腾 310B4，所以推荐使用 16

场景	推荐 opset
最稳妥	11
兼容性较好	13
新模型可尝试	16
官方理论上限	18

正确导出案例

代码如下：

from ultralytics import YOLO

# Load a model
model = YOLO("/workstation/testYolo26/YOLO26_code/export_model_test/testOpset18.pt")  # load a custom-trained model

# Export the model 
model.export(
    format="onnx",
    opset=16,        # onnx opset 算子版本一般 昇腾支持 
    simplify=True,   # 简化模型，避免不支持的算子
    dynamic=True,   # 让模型动态变化，在atc的时候可以动态指定 batch_size，这里在使用opset=18的时候会出错，干脆用16，实践证明，这里如果用batch固定用 opset=18也会有问题
    imgsz=640,        # 固定图片尺寸，这个到时候要和 atc 工具使用时一样
)

下载昇腾离线模型转换工具

这个主要就是一个环境干净吧，我选择了直接在一个新的Ubuntu22.04 的docker 中运行下载工具集

工具集怎么下载根据这个一步一步来就好了

安装的过程中会出现Driver not install不必理会即可

链接如下 ====> 安装CANN-CANN社区版9.0.0-昇腾社区

记录一下我这里是 source /usr/local/Ascend/cann/set_env.sh

进行模型转化

昇腾 Atlas 200I A2 的芯片是 310B系列

官网指示 ===> 快速入门-CANN社区版9.0.0-昇腾社区

代码示例：

atc --model testOpset16.onnx --framework=5 --output=test_opset16 --soc_version=Ascend310B4 --input_format=NCHW --input_shape="images:32,3,640,640"

导出结果：

root@57cf3cec9f42:/AscendWorkstation# atc --model testOpset16.onnx --framework=5 --output=test_opset16 --soc_version=Ascend310B4 --input_format=NCHW --input_shape="images:32,3,640,640"
ATC start working now, please wait for a moment.
.........
ATC run success, welcome to the next use.
[PID: 18195] 2026-05-28-11:57:36.189.706 Performance_Not_Optimal_Operator(W11001): Op /model.23/Mod does not hit the high-priority operator information library, which might result in compromised performance.
[PID: 18195] 2026-05-28-11:57:36.202.158 Performance_Not_Optimal_Operator(W11001): Op /model.23/GatherElements does not hit the high-priority operator information library, which might result in compromised performance.
[PID: 18195] 2026-05-28-11:57:36.210.960 Performance_Not_Optimal_Operator(W11001): Op /model.23/Div_1 does not hit the high-priority operator information library, which might result in compromised performance.

后面的是警告（性能警告），不影响模型的运行，直接用就好，