05实战经验X-anylabelingAI自动标注数据集-onnx简单解绍（2025年12月）

1.onnx介绍（Open Neural Network Exchange）

为什么导出成ONNX？

导出成 ONNX 后，你就可以用 TensorRT、OpenVINO、ONNX Runtime 等工具加速推理。

个人理解：

（1）专为推理优化，去除非必要计算节点，更加轻量级， 移除训练相关参数，模型体积通常减小30-50%，更加**标准化，**统一的模型表示，避免框架依赖。

（2）以yolo为例，训练出来的best.pt文件，（它主要进行训练和推理，需要完整的pytorch环境，模型相对于onnx也较大，相对于onnx也较慢，跨平台有限，主要是依赖gpu）。

对于.pt转换之后的onnx文件，（它主要进行推理，仅仅依赖ONNX Runtime，相对于.pt文件优化后更快(10-30%)）

1.需要按照必要的库文件，这里采用了镜像源加速。

复制代码

# 安装必要库
pip install onnx onnxruntime onnxslim -i https://pypi.tuna.tsinghua.edu.cn/simple

2.基础转换（单行命令代码）

复制代码

# 使用YOLOv8 CLI直接转换（CLI 是 Command-Line Interface（命令行界面））
#（与图形用户界面（GUI）不同，CLI 不依赖鼠标点击，而是靠键盘输入指令）
yolo export model=yolov8n.pt format=onnx

2.高级转换脚本（带详细配置）ptToOnnx.py

复制代码

from ultralytics import YOLO

model = YOLO("yolov8n1.pt")
model.export(
    format="onnx",
    imgsz=640,  # 固定输入尺寸
    opset=13,
#YOLOv8 官方推荐使用 opset=12 或 13。指定 ONNX 的 算子集版本（Operator Set Version） 为 13
    simplify=True,#在导出 ONNX 后，自动对模型进行图优化简化
    dynamic=False  # ← 关键！禁用动态输入（即动态的输入图片尺寸）
)

运行这段代码后，会在 best.pt 所在目录下生成一个新文件：

复制代码

yolov8n1.onnx

3.验证onnx模型是否正确，创建verifyOnnx.py

复制代码

import onnxruntime as ort

model_path = "yolov8n1.onnx"
session = ort.InferenceSession(model_path)
input_name = session.get_inputs()[0].name
input_shape = session.get_inputs()[0].shape
print("Input shape:", input_shape)

验证无误

4.编写yaml文件，定义模型属性，yaml文件放置位置不限，c_coco128_detection.yaml

复制代码

type: yolov8
name: c_coco128-yolov8-r20251226
display_name: c_coco128 Detection (YOLOv8)
provider: cfk
model_path: C:/Users/liupei/Desktop/ultralytics-v8.2.82/yolov8n1.onnx
conf_threshold: 0.3
iou_threshold: 0.5
max_det: 100
classes:
  - person
  - bicycle
  - car
  - motorcycle
  - airplane
  - bus
  - train
  - truck
  - boat
  - traffic light
  - fire hydrant
  - stop sign
  - parking meter
  - bench
  - bird
  - cat
  - dog
  - horse
  - sheep
  - cow
  - elephant
  - bear
  - zebra
  - giraffe
  - backpack
  - umbrella
  - handbag
  - tie
  - suitcase
  - frisbee
  - skis
  - snowboard
  - sports ball
  - kite
  - baseball bat
  - baseball glove
  - skateboard
  - surfboard
  - tennis racket
  - bottle
  - wine glass
  - cup
  - fork
  - knife
  - spoon
  - bowl
  - banana
  - apple
  - sandwich
  - orange
  - broccoli
  - carrot
  - hot dog
  - pizza
  - donut
  - cake
  - chair
  - couch
  - potted plant
  - bed
  - dining table
  - toilet
  - tv
  - laptop
  - mouse
  - remote
  - keyboard
  - cell phone
  - microwave
  - oven
  - toaster
  - sink
  - refrigerator
  - book
  - clock
  - vase
  - scissors
  - teddy bear
  - hair drier
  - toothbrush

5.在x-anylabeling中加载自定义模型

打开 X-AnyLabeling；
点击顶部菜单栏的 AI 按钮（或按 Ctrl+A）；
在模型下拉列表底部，选择 "...加载自定义模型"；
选择你刚创建的 c_coco128_detection.yaml文件；
成功加载后，模型名称 "c_coco128 Detection (YOLOv8)" 会出现在下拉列表中；
选择"c_coco128 Detection (YOLOv8)"后，点击开始按钮，即可全部标注所有图片。
如下图

点击运行

ps：遇到问题

复制代码

ModuleNotFoundError: No module named 'cv2'

解决方法，下载对应opencv的依赖包，采用清华源加速

复制代码

pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple