1. 概要

在实际场景中，深度学习模型通常通过 PyTorch、TensorFlow 等框架来完成，直接通过这些模型来进行推理效率并不高，特别是对延时要求严格的线上场景。由此，经过工业界和学术界数年的探索，模型部署有了一条流行的流水线：

这一条流水线解决了模型部署中的两大难点：使用对接深度学习框架和推理引擎的中间表示，开发者不必担心如何在新环境中运行各个复杂的框架；通过中间表示的网络结构优化和推理引擎对运算的底层优化，模型的运算效率大幅提升。

本文将会对yolo11的目标检测模型进行转换，获得我们需要的NCNN模型。

2. 将 PyTorch 模型转换为 ONNX 模型

转换方法有两个

1. 通过ultralytics官方提供的内置工具包进行转换**（很方便，但是转换的模型yolo11模型不能直接使用Tencent官方提供的examples中的yolo11检测代码）**
2. 通过Tencent官方建议：不使用onnx转换，而是用pnnx转换
   本文使用的是方法1，关于方法2，可以参考如下链接：方法二

2.1 方法1

1.首先安装好相关的依赖

# Install the required package for YOLO11
pip install ultralytics

2.进行模型转换

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates '/yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("./yolo11n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

通过上述方法即可获得需要的.bin与.param模型

3. 总结

通过如上的方法可以轻易得到.param与.bin文件，在下一章节中，将会讲述如何移植ncnn到imx6ull上以及如何实现我们的yolo11检测代码.

4.参考链接

https://blog.angustar.com/archives/deploying-DNNs-on-embedded-development-boards-1.html

5. 章节

imx6ull移植ncnn框架并运行yolo11目标检测模型（2）移植ncnn致imx6ull并成功跑通例程

imx6ull移植ncnn框架并运行yolo11目标检测模型（3）部署yolo11目标检测模型，交叉编译自己写的检测文件