YOLO11 部署选项的对比分析

简介

您在 YOLO11 的探索之路上已经走了很远。您勤奋地收集数据，细致地进行标注，并投入大量时间来训练和严格评估您的自定义 YOLO11 模型。现在，是时候让您的模型为您的特定应用、用例或项目服务了。但是，在您面前有一个关键的决定：如何有效地导出和部署您的模型。

<br/><strong>观看：</strong> 如何为您的项目选择最佳的 Ultralytics YOLO11 部署格式 | TensorRT | OpenVINO 🚀 </p><p>本指南将引导您了解 YOLO11 的部署选项以及选择适合您项目的正确选项时需要考虑的关键因素。</p><h2 id="how-to-select-the-right-deployment-option-for-your-yolo11-model">如何为您的 YOLO11 模型选择正确的部署选项</h2><p>当需要部署您的YOLO11模型时，选择合适的导出格式非常重要。正如<a href="../../modes/export/#usage-examples">Ultralytics YOLO11 Modes 文档</a>中所述，model.export()函数允许将您训练好的模型转换为各种格式，以适应不同的环境和性能要求。</p><p>理想的格式取决于您的模型的目标操作环境，从而平衡速度、硬件约束和易于集成。在以下部分中，我们将仔细研究每个导出选项，了解何时选择每个选项。</p><h2 id="yolo11s-deployment-options">YOLO11 的部署选项</h2><p>让我们来看看不同的 YOLO11 部署选项。有关导出过程的详细步骤，请访问 <a href="../../modes/export/">Ultralytics 文档页面，了解有关导出的信息</a>。</p><h3 id="pytorch">PyTorch</h3><p>PyTorch 是一个开源机器学习库，广泛用于<a href="https://www.ultralytics.com/glossary/deep-learning-dl">深度学习</a>和<a href="https://www.ultralytics.com/glossary/artificial-intelligence-ai">人工智能</a>领域的应用。它提供了高度的灵活性和速度，这使其成为研究人员和开发人员的最爱。</p><ul><li><strong>性能基准测试</strong>: PyTorch 以其易用性和灵活性而闻名，与其他更专业和优化的框架相比，这可能会导致原始性能略有下降。</li><li><strong>兼容性和集成</strong>: 在 python 中，与各种数据科学和机器学习库具有出色的兼容性。</li><li><strong>社区支持与生态系统</strong>: 拥有最活跃的社区之一，提供丰富的学习和问题排查资源。</li><li><strong>案例研究</strong>: 常用于研究原型，许多学术论文都引用了在 PyTorch 中部署的模型。</li><li><strong>维护和更新</strong>: 定期更新，并积极开发和支持新功能。</li><li><strong>安全注意事项</strong>: 定期修复安全问题，但安全性在很大程度上取决于部署的整体环境。</li><li><strong>硬件加速</strong>: 支持 CUDA 进行 GPU 加速，这对于加速模型训练和推理至关重要。</li></ul><h3 id="torchscript">TorchScript</h3><p>TorchScript 扩展了 PyTorch 的功能，允许导出模型以在 C++ 运行时环境中运行。这使其适用于 Python 不可用的生产环境。</p><ul><li><strong>性能基准测试</strong>: 可以提供比原生 PyTorch 更好的性能，尤其是在生产环境中。</li><li><strong>兼容性和集成</strong>: 专为从 PyTorch 到 C++ 生产环境的无缝过渡而设计，但某些高级功能可能无法完美转换。</li><li><strong>社区支持和生态系统 (Community Support and Ecosystem)</strong>: 受益于 PyTorch 庞大的社区，但专业开发人员的范围较窄。</li><li><strong>案例研究</strong>: 广泛应用于 Python 性能开销成为瓶颈的行业环境中。</li><li><strong>维护和更新</strong>: 与 PyTorch 一起维护，并提供一致的更新。</li><li><strong>安全注意事项</strong>: 通过在没有完整 python 安装的环境中运行模型，从而提高安全性。</li><li><strong>硬件加速</strong>: 继承 PyTorch 的 CUDA 支持，确保高效的 GPU 利用率。</li></ul><h3 id="onnx">ONNX</h3><p>开放式 <a href="https://www.ultralytics.com/glossary/neural-network-nn">神经网络</a> 交换 (ONNX) 是一种允许跨不同框架进行模型互操作性的格式，这在部署到各种平台时可能至关重要。</p><ul><li><strong>性能基准测试</strong>: ONNX 模型可能会根据其部署的特定运行时环境而遇到不同的性能表现。</li><li><strong>兼容性和集成</strong>: 由于其与框架无关的特性，因此在多个平台和硬件上具有很高的互操作性。</li><li><strong>社区支持与生态系统</strong>: 受到许多组织的支持，从而形成广泛的生态系统和各种优化工具。</li><li><strong>案例研究</strong>: 经常用于在不同的机器学习框架之间迁移模型，展示了其灵活性。</li><li><strong>维护和更新</strong>: 作为开放标准，ONNX 会定期更新以支持新的操作和模型。</li><li><strong>安全注意事项</strong>: 与任何跨平台工具一样，必须确保转换和部署管道中的安全措施。</li><li><strong>硬件加速</strong>: 借助 ONNX Runtime，模型可以利用各种硬件优化。</li></ul><h3 id="openvino">OpenVINO</h3><p>OpenVINO 是一个 Intel 工具包，旨在促进深度学习模型在 Intel 硬件上的部署，从而提高性能和速度。</p><ul><li><strong>性能基准测试</strong>: 专门针对 Intel CPU、GPU 和 VPU 进行了优化，可在兼容硬件上提供显著的性能提升。</li><li><strong>兼容性和集成</strong>: 在Intel生态系统中表现最佳，但也支持各种其他平台。</li><li><strong>社区支持和生态系统 (Community Support and Ecosystem)</strong>: 由 Intel 提供支持，拥有坚实的用户基础，尤其是在<a href="https://www.ultralytics.com/glossary/computer-vision-cv">计算机视觉</a>领域。</li><li><strong>案例研究</strong>: 经常用于物联网和 <a href="https://www.ultralytics.com/glossary/edge-computing">边缘计算</a> 场景，在这些场景中，Intel 硬件非常普遍。</li><li><strong>维护和更新</strong>: Intel 定期更新 OpenVINO，以支持最新的深度学习模型和 Intel 硬件。</li><li><strong>安全注意事项</strong>: 提供强大的安全功能，适合在敏感应用程序中部署。</li><li><strong>硬件加速</strong>: 专为 Intel 硬件上的加速而定制，利用专用指令集和硬件功能。</li></ul><p>有关使用 OpenVINO 部署的更多详细信息，请参阅 Ultralytics 集成文档：<a href="../../integrations/openvino/">Intel OpenVINO 导出</a>。</p><h3 id="tensorrt">TensorRT</h3><p>TensorRT 是 NVIDIA 提供的高性能深度学习推理优化器和运行时，非常适合需要速度和效率的应用程序。</p><ul><li><strong>性能基准测试</strong>: 在支持高速推理的 NVIDIA GPU 上提供顶级的性能。</li><li><strong>兼容性和集成</strong>: 最适合 NVIDIA 硬件，在此环境之外的支持有限。</li><li><strong>社区支持与生态系统</strong>: 通过 NVIDIA 的开发者论坛和文档提供强大的支持网络。</li><li><strong>案例研究</strong>: 广泛应用于需要在视频和图像数据上进行实时推理的行业。</li><li><strong>维护和更新</strong>: NVIDIA 维护 TensorRT，并经常更新以提高性能并支持新的 GPU 架构。</li><li><strong>安全注意事项</strong>: 与许多 NVIDIA 产品一样，它非常重视安全性，但具体取决于部署环境。</li><li><strong>硬件加速</strong>: 专为 NVIDIA GPU 设计，提供深度优化和加速。</li></ul><p>有关 TensorRT 部署的更多信息，请查看<a href="../../integrations/tensorrt/">TensorRT 集成指南</a>。</p><h3 id="coreml">CoreML</h3><p>CoreML 是 Apple 的机器学习框架，针对 Apple 生态系统（包括 iOS、macOS、watchOS 和 tvOS）中的设备端性能进行了优化。</p><ul><li><strong>性能基准测试</strong>: 经过优化，可在 Apple 硬件上实现最佳设备性能，并最大限度地减少电池使用。</li><li><strong>兼容性和集成</strong>: 专为 Apple 的生态系统设计，为 iOS 和 macOS 应用程序提供简化的工作流程。</li><li><strong>社区支持与生态系统</strong>: 获得 Apple 的强大支持以及专门的开发者社区，提供大量的文档和工具。</li><li><strong>案例研究</strong>: 常用于需要在 Apple 产品上实现设备端机器学习功能的应用程序。</li><li><strong>维护和更新</strong>: Apple 定期更新以支持最新的机器学习进步和 Apple 硬件。</li><li><strong>安全注意事项</strong>: 受益于 Apple 对用户隐私和<a href="https://www.ultralytics.com/glossary/data-security">数据安全</a>的关注。</li><li><strong>硬件加速</strong>: 充分利用 Apple 的神经引擎和 GPU 来加速机器学习任务。</li></ul><h3 id="tf-savedmodel">TF SavedModel</h3><p>TF SavedModel 是 TensorFlow 用于保存和提供机器学习模型的格式，特别适合可扩展的服务器环境。</p><ul><li><strong>性能基准测试</strong>: 在服务器环境中提供可扩展的性能，尤其是在与 TensorFlow Serving 一起使用时。</li><li><strong>兼容性和集成</strong>: 在TensorFlow生态系统中具有广泛的兼容性，包括云和企业服务器部署。</li><li><strong>社区支持和生态系统 (Community Support and Ecosystem)</strong>: 由于 TensorFlow 的普及，拥有庞大的社区支持，以及大量的部署和优化工具。</li><li><strong>案例研究</strong>: 广泛应用于生产环境中，用于大规模部署深度学习模型。</li><li><strong>维护和更新</strong>: 由 Google 和 TensorFlow 社区提供支持，确保定期更新和新功能。</li><li><strong>安全注意事项</strong>: 使用 TensorFlow Serving 进行部署包括强大的安全功能，适用于企业级应用程序。</li><li><strong>硬件加速</strong>: 通过 TensorFlow 的后端支持各种硬件加速。</li></ul><h3 id="tf-graphdef">TF GraphDef</h3><p>TF GraphDef 是一种 TensorFlow 格式，它将模型表示为一个图，这对于需要静态计算图的环境非常有用。</p><ul><li><strong>性能基准测试</strong>: 为静态计算图提供稳定的性能，并注重一致性和可靠性。</li><li><strong>兼容性和集成</strong>: 易于集成到 TensorFlow 的基础设施中，但与 SavedModel 相比灵活性较差。</li><li><strong>社区支持和生态系统 (Community Support and Ecosystem)</strong>: TensorFlow 的生态系统提供了良好的支持，有许多可用于优化静态图的资源。</li><li><strong>案例研究</strong>: 在需要静态图的场景中非常有用，例如在某些嵌入式系统中。</li><li><strong>维护和更新</strong>: 与 TensorFlow 的核心更新一起定期更新。</li><li><strong>安全注意事项</strong>: 通过 TensorFlow 既定的安全实践，确保安全部署。</li><li><strong>硬件加速</strong>: 可以利用 TensorFlow 的硬件加速选项，但不如 SavedModel 灵活。</li></ul><p>在我们的 <a href="../../integrations/tf-graphdef/">TF GraphDef 集成指南</a> 中了解更多关于 TF GraphDef 的信息。</p><h3 id="tf-lite">TF Lite</h3><p>TF Lite 是 TensorFlow 针对移动和嵌入式设备机器学习的解决方案，提供了一个轻量级库，用于在设备上进行推理。</p><ul><li><strong>性能基准测试</strong>: 专为移动和嵌入式设备的快速和高效而设计。</li><li><strong>兼容性和集成</strong>: 由于其轻量级的特性，可以用于各种设备。</li><li><strong>社区支持和生态系统 (Community Support and Ecosystem)</strong>: 由 Google 提供支持，拥有强大的社区和越来越多的开发者资源。</li><li><strong>案例研究</strong>: 在移动应用中很受欢迎，这些应用需要在设备上进行推理，且占用空间最小。</li><li><strong>维护和更新</strong>: 定期更新，以包含移动设备的最新功能和优化。</li><li><strong>安全注意事项</strong>: 为在最终用户设备上运行模型提供安全的环境。</li><li><strong>硬件加速</strong>: 支持各种硬件加速选项，包括 GPU 和 DSP。</li></ul><h3 id="tf-edge-tpu">TF Edge TPU</h3><p>TF Edge TPU 专为 Google 的 Edge TPU 硬件上的高速、高效计算而设计，非常适合需要实时处理的 IoT 设备。</p><ul><li><strong>性能基准测试</strong>: 专门针对 Google 的 Edge TPU 硬件上的高速、高效计算进行了优化。</li><li><strong>兼容性和集成</strong>: 仅适用于Edge TPU设备上的TensorFlow Lite模型。</li><li><strong>社区支持和生态系统 (Community Support and Ecosystem)</strong>: 在 Google 和第三方开发者提供的资源的支持下，支持力度不断增长。</li><li><strong>案例研究</strong>: 用于需要低延迟实时处理的物联网设备和应用程序。</li><li><strong>维护和更新</strong>: 不断改进以利用新的 Edge TPU 硬件版本的功能。</li><li><strong>安全注意事项</strong>: 与 Google 强大的物联网和边缘设备安全性集成。</li><li><strong>硬件加速</strong>: 专为充分利用 Google Coral 设备而设计。</li></ul><h3 id="tfjs">TF.js</h3><p>TensorFlow.js (TF.js) 是一个将机器学习功能直接引入浏览器的库，为 Web 开发者和用户提供了新的可能性。它允许在 Web 应用程序中集成机器学习模型，而无需后端基础设施。</p><ul><li><strong>性能基准测试</strong>: 允许直接在浏览器中进行机器学习，并具有合理的性能，具体取决于客户端设备。</li><li><strong>兼容性和集成</strong>: 与 Web 技术高度兼容，可以轻松集成到 Web 应用程序中。</li><li><strong>社区支持与生态系统</strong>: 获得 Web 和 Node.js 开发者社区的支持，并提供各种在浏览器中部署 ML 模型的工具。</li><li><strong>案例研究</strong>: 非常适合交互式 Web 应用程序，这些应用程序受益于客户端机器学习，而无需服务器端处理。</li><li><strong>维护和更新</strong>: 由 TensorFlow 团队维护，并接受来自开源社区的贡献。</li><li><strong>安全注意事项</strong>: 在浏览器的安全上下文中运行，利用 Web 平台的安全模型。</li><li><strong>硬件加速</strong>: 性能可以通过访问 WebGL 等硬件加速的基于 Web 的 API 来增强。</li></ul><h3 id="paddlepaddle">PaddlePaddle</h3><p>PaddlePaddle 是由百度开发的开源深度学习框架。它旨在为研究人员提供效率，并为开发人员提供易用性。它在中国尤其受欢迎，并为中文语言处理提供专门的支持。</p><ul><li><strong>性能基准测试</strong>: 提供具有竞争力的性能，同时注重易用性和可扩展性。</li><li><strong>兼容性和集成</strong>: 在百度的生态系统中实现了良好的集成，并支持广泛的应用程序。</li><li><strong>社区支持与生态系统</strong>: 虽然在全球范围内社区较小，但它正在迅速增长，尤其是在中国。</li><li><strong>案例研究</strong>: 常用于中国市场以及寻求替代其他主要框架的开发人员。</li><li><strong>维护和更新</strong>: 定期更新，重点是为中文 AI 应用和服务提供支持。</li><li><strong>安全注意事项</strong>: 强调<a href="https://www.ultralytics.com/glossary/data-privacy">数据隐私</a>和安全，满足中国的数据治理标准。</li><li><strong>硬件加速</strong>: 支持各种硬件加速，包括百度的昆仑芯片。</li></ul><h3 id="mnn">MNN</h3><p>MNN 是一种高效且轻量级的深度学习框架。它支持深度学习模型的推理和训练，并在设备上的推理和训练方面具有行业领先的性能。此外，MNN 还用于嵌入式设备，如物联网。</p><ul><li><strong>性能基准</strong>：移动设备的高性能，针对 ARM 系统进行了出色的优化。</li><li><strong>兼容性和集成</strong>: 与移动和嵌入式 ARM 系统以及 X86-64 CPU 架构配合良好。</li><li><strong>社区支持和生态系统</strong>: 受到移动和嵌入式机器学习社区的支持。</li><li><strong>案例研究</strong>: 非常适合需要在移动系统上实现高效性能的应用程序。</li><li><strong>维护和更新</strong>: 定期维护，以确保在移动设备上的高性能。</li><li><strong>安全考量</strong>：通过将数据保存在本地，提供设备上的安全优势。</li><li><strong>硬件加速</strong>：针对ARM CPUs和GPUs进行了优化，以实现最高的效率。</li></ul><h3 id="ncnn">NCNN</h3><p>NCNN 是一种针对移动平台优化的高性能神经网络推理框架。它以其轻量级和高效性而著称，特别适合资源有限的移动和嵌入式设备。</p><ul><li><strong>性能基准测试</strong>: 针对移动平台进行了高度优化，可在基于 ARM 的设备上提供高效的推理。</li><li><strong>兼容性和集成</strong>: 适用于采用 ARM 架构的手机和嵌入式系统上的应用程序。</li><li><strong>社区支持与生态系统</strong>: 受到专注于移动和嵌入式 ML 应用的小众但活跃的社区的支持。</li><li><strong>案例研究</strong>：适用于在Android 和其他基于 ARM 的系统上对效率和速度要求极高的移动应用。</li><li><strong>维护和更新</strong>: 不断改进，以在各种 ARM 设备上保持高性能。</li><li><strong>安全注意事项</strong>: 侧重于在设备本地运行，利用设备上处理的固有安全性。</li><li><strong>硬件加速</strong>: 专为 ARM CPU 和 GPU 定制，针对这些架构进行了特定优化。</li></ul><h2 id="comparative-analysis-of-yolo11-deployment-options_1">YOLO11 部署选项的对比分析</h2><p>下表提供了 YOLO11 模型各种部署选项的快照，帮助您根据几个关键标准评估哪种部署方式最适合您的项目需求。要深入了解每种部署选项的格式，请参阅 <a href="../../modes/export/#export-formats">Ultralytics 关于导出格式的文档页面</a>。</p><table><thead><tr><th>部署选项</th><th>性能基准</th><th>兼容性与集成</th><th>社区支持与生态系统</th><th>案例研究</th><th>维护和更新</th><th>安全注意事项</th><th>硬件加速</th></tr></thead><tbody><tr><td>PyTorch</td><td>具有良好的灵活性，可能会牺牲一部分原始性能</td><td>与 python 库配合良好</td><td>丰富的资源和社区</td><td>研究和原型</td><td>定期、积极的开发</td><td>取决于部署环境</td><td>用于 GPU 加速的 CUDA 支持</td></tr><tr><td>TorchScript</td><td>比 PyTorch 更适合生产环境</td><td>从 PyTorch 到 C++ 的平滑过渡</td><td>比 PyTorch 更专业但更窄</td><td>Python成为瓶颈的行业</td><td>使用 PyTorch 进行持续更新</td><td>在没有完整 python 的情况下提高安全性</td><td>继承 PyTorch 的 CUDA 支持</td></tr><tr><td>ONNX</td><td>取决于运行时的变量</td><td>在不同框架中表现出色</td><td>广泛的生态系统，受到许多组织的支持</td><td>跨 ML 框架的灵活性</td><td>新操作定期更新</td><td>确保安全的转换和部署实践</td><td>各种硬件优化</td></tr><tr><td>OpenVINO</td><td>针对 Intel 硬件进行了优化</td><td>Intel 生态系统中的最佳选择</td><td>在计算机视觉领域中很可靠</td><td>基于 Intel 硬件的物联网和边缘计算</td><td>Intel 硬件定期更新</td><td>强大的敏感应用功能</td><td>专为 Intel 硬件量身定制</td></tr><tr><td>TensorRT</td><td>NVIDIA GPU 上的顶尖性能</td><td>NVIDIA 硬件的最佳选择</td><td>通过 NVIDIA 建立强大的网络</td><td>实时视频和图像推理</td><td>新 GPU 的频繁更新</td><td>强调安全性</td><td>专为 NVIDIA GPU 设计</td></tr><tr><td>CoreML</td><td>针对设备上的 Apple 硬件进行了优化</td><td>Apple 生态系统专有</td><td>强大的 Apple 和开发者支持</td><td>Apple 产品上的设备端 ML</td><td>Apple 定期更新</td><td>专注于隐私和安全</td><td>Apple 神经网络引擎和 GPU</td></tr><tr><td>TF SavedModel</td><td>在服务器环境中可扩展</td><td>TensorFlow 生态系统中的广泛兼容性</td><td>由于 TensorFlow 的普及，拥有广泛的支持</td><td>大规模模型服务</td><td>Google 和社区定期更新</td><td>强大的企业功能</td><td>各种硬件加速</td></tr><tr><td>TF GraphDef</td><td>静态计算图的稳定性</td><td>与 TensorFlow 基础设施良好集成</td><td>用于优化静态图的资源</td><td>需要静态图的场景</td><td>与 TensorFlow 核心一同更新</td><td>已建立的 TensorFlow 安全实践</td><td>TensorFlow 加速选项</td></tr><tr><td>TF Lite</td><td>移动/嵌入式设备上的速度和效率</td><td>广泛的设备支持</td><td>强大的社区，Google 支持</td><td>占用空间最小的移动应用程序</td><td>最新的移动功能</td><td>最终用户设备上的安全环境</td><td>GPU 和 DSP 等</td></tr><tr><td>TF Edge TPU</td><td>针对 Google 的 Edge TPU 硬件进行了优化</td><td>Edge TPU 设备专有</td><td>与 Google 和第三方资源共同成长</td><td>需要实时处理的物联网设备</td><td>新 Edge TPU 硬件的改进</td><td>Google 强大的物联网安全</td><td>专为 Google Coral 设计</td></tr><tr><td>TF.js</td><td>合理的浏览器内性能</td><td>与 Web 技术结合</td><td>Web 和 Node.js 开发者支持</td><td>交互式 Web 应用程序</td><td>TensorFlow 团队和社区贡献</td><td>Web 平台安全模型</td><td>通过 WebGL 和其他 API 增强</td></tr><tr><td>PaddlePaddle</td><td>具有竞争力、易于使用且可扩展</td><td>百度生态系统，广泛的应用支持</td><td>快速增长，尤其是在中国</td><td>中国市场和语言处理</td><td>专注于中国 AI 应用</td><td>强调数据隐私和安全</td><td>包括百度的昆仑芯片</td></tr><tr><td>MNN</td><td>移动设备的高性能。</td><td>移动和嵌入式 ARM 系统和 X86-64 CPU</td><td>移动/嵌入式 ML 社区</td><td>移动系统效率</td><td>移动设备上的高性能维护</td><td>设备端安全优势</td><td>ARM CPUs 和 GPUs 优化</td></tr><tr><td>NCNN</td><td>针对移动 ARM 设备进行了优化</td><td>移动和嵌入式 ARM 系统</td><td>小众但活跃的移动/嵌入式 ML 社区</td><td>Android 和 ARM 系统的效率</td><td>ARM 上的高性能维护</td><td>设备端安全优势</td><td>ARM CPUs 和 GPUs 优化</td></tr></tbody></table><p>此对比分析为您提供了一个高级概述。对于部署，必须考虑项目的具体要求和约束，并查阅每个选项的详细文档和可用资源。</p><h2 id="community-and-support">社区与支持</h2><p>当您开始使用 YOLO11 时，拥有一个乐于助人的社区和支持可以产生重大影响。以下是如何与分享您的兴趣的其他人联系并获得您需要的帮助。</p><h3 id="engage-with-the-broader-community">参与更广泛的社区</h3><ul><li><strong>GitHub 讨论：</strong> <a href="https://github.com/ultralytics/ultralytics">GitHub 上的 YOLO11 仓库</a> 包含一个“Discussions”版块，您可以在其中提问、报告问题和提出改进建议。</li><li><strong>Ultralytics Discord 服务器：</strong> Ultralytics 拥有一个 <a href="https://discord.com/invite/ultralytics">Discord 服务器</a>，您可以在其中与其他用户和开发人员互动。</li></ul><h3 id="official-documentation-and-resources">官方文档和资源</h3><ul><li><strong>Ultralytics YOLO11 Docs:</strong> <a href="../../">官方文档</a> 提供了 YOLO11 的全面概述，以及关于安装、使用和故障排除的指南。</li></ul><p>这些资源将帮助您应对挑战，并及时了解 YOLO11 社区中的最新趋势和最佳实践。</p><h2 id="conclusion">结论</h2><p>在本指南中，我们探讨了 YOLO11 的不同部署选项。我们还讨论了在做出选择时要考虑的重要因素。这些选项允许您为各种环境和性能要求定制您的模型，使其适用于实际应用。</p><p>不要忘记 YOLO11 和 <a href="https://github.com/orgs/ultralytics/discussions">Ultralytics 社区</a> 是一个宝贵的帮助来源。与其他开发者和专家联系，学习您可能在常规文档中找不到的独特技巧和解决方案。不断寻求知识，探索新想法，并分享您的经验。</p><p>祝您部署顺利！</p><h2 id="faq">常见问题</h2><h3 id="what-are-the-deployment-options-available-for-yolo11-on-different-hardware-platforms">在不同的硬件平台上，YOLO11 有哪些可用的部署选项？</h3><p>Ultralytics YOLO11 支持各种部署格式，每种格式都专为特定环境和硬件平台而设计。主要格式包括：</p><ul><li><strong>PyTorch</strong> 用于研究和原型设计，具有出色的 python 集成。</li><li>用于 Python 不可用的生产环境的 <strong>TorchScript</strong>。</li><li><strong>ONNX</strong>，实现跨平台兼容性和硬件加速。</li><li><strong>OpenVINO</strong>，在 Intel 硬件上实现优化的性能。</li><li><strong>TensorRT</strong>，用于在 NVIDIA GPU 上进行高速推理。</li></ul><p>每种格式都有其独特的优势。有关详细的演练，请参阅我们的<a href="../../modes/export/#usage-examples">导出过程文档</a>。</p><h3 id="how-do-i-improve-the-inference-speed-of-my-yolo11-model-on-an-intel-cpu">如何提高我的 YOLO11 模型在 Intel CPU 上的推理速度？</h3><p>要提高 Intel CPU 上的推理速度，可以使用 Intel 的 OpenVINO 工具包部署 YOLO11 模型。OpenVINO 通过优化模型以有效利用 Intel 硬件，从而显著提高性能。</p><ol><li>使用以下方法将您的 YOLO11 模型转换为 OpenVINO 格式 <code data-wg-notranslate="">model.export()</code> 函数。</li><li>请按照<a href="../../integrations/openvino/">Intel OpenVINO 导出文档</a>中的详细设置指南进行操作。</li></ol><p>要获得更多见解，请查看我们的<a href="https://www.ultralytics.com/blog/achieve-faster-inference-speeds-ultralytics-yolov8-openvino">博客文章</a>。</p><h3 id="can-i-deploy-yolo11-models-on-mobile-devices">是否可以在移动设备上部署 YOLO11 模型？</h3><p>是的，YOLO11 模型可以使用 <a href="https://www.ultralytics.com/glossary/tensorflow">TensorFlow</a> Lite (TF Lite) 部署在 Android 和 iOS 平台的移动设备上。TF Lite 专为移动和嵌入式设备而设计，可提供高效的设备端推理。</p><div class="admonition example"><p class="admonition-title">示例</p><div class="tabbed-set tabbed-alternate" data-tabs="1:2"><input checked="checked" id="python" name="__tabbed_1" type="radio"/><input id="cli" name="__tabbed_1" type="radio"/><div class="tabbed-labels"><label for="python">Python</label><label for="cli">CLI</label></div><div class="tabbed-content"><div class="tabbed-block"><div class="highlight"><pre><span/><code data-wg-notranslate=""><span/><span class="c1"># Export command for TFLite format</span> <span/><span class="n">model</span><span class="o">.</span><span class="n">export</span><span class="p">(</span><span class="nb">format</span><span class="o">=</span><span class="s2">"tflite"</span><span class="p">)</span> </code></pre></div></div><div class="tabbed-block"><div class="highlight"><pre><span/><code data-wg-notranslate=""><span/><span class="c1"># CLI command for TFLite export</span> <span/>yolo<span class="w"> </span><span class="nb">export</span><span class="w"> </span>--format<span class="w"> </span>tflite </code></pre></div></div></div></div></div><p>有关将模型部署到移动设备的更多详细信息，请参阅我们的<a href="../../integrations/tflite/">TF Lite 集成指南</a>。</p><h3 id="what-factors-should-i-consider-when-choosing-a-deployment-format-for-my-yolo11-model">为我的 YOLO11 模型选择部署格式时，应考虑哪些因素？</h3><p>在为 YOLO11 选择部署格式时，请考虑以下因素：</p><ul><li><strong>性能</strong>：某些格式（如 TensorRT）在 NVIDIA GPU 上提供出色的速度，而 OpenVINO 针对 Intel 硬件进行了优化。</li><li><strong>兼容性</strong>: ONNX在不同平台之间提供广泛的兼容性。</li><li><strong>易于集成</strong>：CoreML 或 TF Lite 等格式专为 iOS 和 Android 等特定生态系统量身定制。</li><li><strong>社区支持</strong>: <a href="https://www.ultralytics.com/glossary/pytorch">PyTorch</a> 和 TensorFlow 等格式拥有广泛的社区资源和支持。</li></ul><p>有关对比分析，请参阅我们的<a href="../../modes/export/#export-formats">导出格式文档</a>。</p><h3 id="how-can-i-deploy-yolo11-models-in-a-web-application">如何在 Web 应用程序中部署 YOLO11 模型？</h3><p>要在 Web 应用程序中部署 YOLO11 模型，可以使用 TensorFlow.js (TF.js)，它允许直接在浏览器中运行<a href="https://www.ultralytics.com/glossary/machine-learning-ml">机器学习</a>模型。这种方法无需后端基础设施，并提供实时性能。</p><ol><li>将 YOLO11 模型导出为 TF.js 格式。</li><li>将导出的模型集成到您的 Web 应用程序中。</li></ol><p>有关分步说明，请参阅我们的 <a href="../../integrations/tfjs/">TensorFlow.js 集成</a> 指南。</p><br/><br/><div class="git-info"><div class="dates-container"><span class="date-item" title="此页面初次创建于 2023 年 11 月 12 日"><span class="hover-item">📅</span>创建于 2 年前 </span><span class="date-item" title="本页面最后更新于 2025 年 10 月 28 日"><span class="hover-item">✏️</span>已更新 17 天前 </span></div><div class="authors-container"><a class="author-link" href="https://github.com/glenn-jocher" title="glenn-jocher（14 次更改）"><img alt="glenn-jocher" class="hover-item" loading="lazy" src="https://avatars.githubusercontent.com/u/26833433?v=4&amp;s=96"/></a><a class="author-link" href="https://github.com/UltralyticsAssistant" title="UltralyticsAssistant (2 处更改)"><img alt="UltralyticsAssistant" class="hover-item" loading="lazy" src="https://avatars.githubusercontent.com/u/135830346?v=4&amp;s=96"/></a><a class="author-link" href="https://github.com/RizwanMunawar" title="RizwanMunawar (1 项更改)"><img alt="RizwanMunawar" class="hover-item" loading="lazy" src="https://avatars.githubusercontent.com/u/62513924?v=4&amp;s=96"/></a><a class="author-link" href="https://github.com/leonnil" title="leonnil (1 次更改)"><img alt="leonnil" class="hover-item" loading="lazy" src="https://avatars.githubusercontent.com/u/146309319?v=4&amp;s=96"/></a><a class="author-link" href="https://github.com/wangzhaode" title="wangzhaode（1 处更改）"><img alt="wangzhaode" class="hover-item" loading="lazy" src="https://avatars.githubusercontent.com/u/8401806?v=4&amp;s=96"/></a><a class="author-link" href="https://github.com/MatthewNoyce" title="MatthewNoyce (1 处更改)"><img alt="MatthewNoyce" class="hover-item" loading="lazy" src="https://avatars.githubusercontent.com/u/131261051?v=4&amp;s=96"/></a><a class="author-link" href="https://github.com/abirami-vina" title="abirami-vina (1 项更改)"><img alt="abirami-vina" class="hover-item" loading="lazy" src="https://avatars.githubusercontent.com/u/25847604?v=4&amp;s=96"/></a></div></div><div class="share-buttons"><button class="share-button hover-item" onclick="window.open('https://twitter.com/intent/tweet?url=https%3A%2F%2Fdocs.ultralytics.com%2Fguides%2Fmodel-deployment-options', 'TwitterShare', 'width=550,height=680,menubar=no,toolbar=no'); return false;"><i class="fa-brands fa-x-twitter"/> Tweet </button><button class="share-button hover-item linkedin" onclick="window.open('https://www.linkedin.com/shareArticle?url=https%3A%2F%2Fdocs.ultralytics.com%2Fguides%2Fmodel-deployment-options', 'LinkedinShare', 'width=550,height=730,menubar=no,toolbar=no'); return false;"><i class="fa-brands fa-linkedin-in"/> 分享 </button></div><br/><h2 id="__comments">评论</h2><div id="giscus-container"/></article></div> </button></main><footer class="md-footer"><nav aria-label="Footer" class="md-footer__inner md-grid"><a aria-label="Previous: YOLO Data Augmentation" class="md-footer__link md-footer__link--prev" href="../yolo-data-augmentation/"><div class="md-footer__button md-icon"><svg viewbox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path d="M20 11v2H8l5.5 5.5-1.42 1.42L4.16 12l7.92-7.92L13.5 5.5 8 11z"/></svg></div><div class="md-footer__title"><span class="md-footer__direction"> 上一页 </span><div class="md-ellipsis"> YOLO 数据增强 </div></div></a><a aria-label="Next: Model YAML Configuration Guide" class="md-footer__link md-footer__link--next" href="../model-yaml-config/"><div class="md-footer__title"><span class="md-footer__direction"> 下一页 </span><div class="md-ellipsis"> 模型 YAML 配置文件指南 </div></div><div class="md-footer__button md-icon"><svg viewbox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path d="M4 11v2h12l-5.5 5.5 1.42 1.42L19.84 12l-7.92-7.92L10.5 5.5 16 11z"/></svg></div></a></nav><div class="md-footer-meta md-typeset"><div class="md-footer-meta__inner md-grid"><div class="md-copyright"><div class="md-copyright__highlight"><a href="https://www.ultralytics.com/" target="_blank">© 2025 Ultralytics Inc.</a> 保留所有权利。 </div> 使用以下工具制作 <a href="https://squidfunk.github.io/mkdocs-material/" rel="noopener" target="_blank"> Material for MkDocs </a></div><div class="md-social"><a class="md-social__link" href="https://github.com/ultralytics" rel="noopener" target="_blank" title="github.com"><svg viewbox="0 0 512 512" xmlns="http://www.w3.org/2000/svg"><path d="M173.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6m-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3m44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9M252.8 8C114.1 8 8 113.3 8 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C436.2 457.8 504 362.9 504 252 504 113.3 391.5 8 252.8 8M105.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1m-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7m32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1m-11.4-14.7c-1.6 1-1.6 3.6 0 5.9s4.3 3.3 5.6 2.3c1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2"/></svg></a><a class="md-social__link" href="https://www.linkedin.com/company/ultralytics/" rel="noopener" target="_blank" title="www.linkedin.com"><svg viewbox="0 0 448 512" xmlns="http://www.w3.org/2000/svg"><path d="M416 32H31.9C14.3 32 0 46.5 0 64.3v383.4C0 465.5 14.3 480 31.9 480H416c17.6 0 32-14.5 32-32.3V64.3c0-17.8-14.4-32.3-32-32.3M135.4 416H69V202.2h66.5V416zM102.2 96a38.5 38.5 0 1 1 0 77 38.5 38.5 0 1 1 0-77m282.1 320h-66.4V312c0-24.8-.5-56.7-34.5-56.7-34.6 0-39.9 27-39.9 54.9V416h-66.4V202.2h63.7v29.2h.9c8.9-16.8 30.6-34.5 62.9-34.5 67.2 0 79.7 44.3 79.7 101.9z"/></svg></a><a class="md-social__link" href="https://x.com/ultralytics" rel="noopener" target="_blank" title="x.com"><svg viewbox="0 0 448 512" xmlns="http://www.w3.org/2000/svg"><path d="M357.2 48h70.6L273.6 224.2 455 464H313L201.7 318.6 74.5 464H3.8l164.9-188.5L-5.2 48h145.6l100.5 132.9zm-24.8 373.8h39.1L119.1 88h-42z"/></svg></a><a class="md-social__link" href="https://youtube.com/ultralytics?sub_confirmation=1" rel="noopener" target="_blank" title="youtube.com"><svg viewbox="0 0 576 512" xmlns="http://www.w3.org/2000/svg"><path d="M549.7 124.1c-6.2-23.7-24.8-42.3-48.3-48.6C458.9 64 288.1 64 288.1 64S117.3 64 74.7 75.5c-23.5 6.3-42 24.9-48.3 48.6C15 167 15 256.4 15 256.4s0 89.4 11.4 132.3c6.3 23.6 24.8 41.5 48.3 47.8C117.3 448 288.1 448 288.1 448s170.8 0 213.4-11.5c23.5-6.3 42-24.2 48.3-47.8 11.4-42.9 11.4-132.3 11.4-132.3s0-89.4-11.4-132.3zM232.2 337.6V175.2l142.7 81.2z"/></svg></a><a class="md-social__link" href="https://hub.docker.com/r/ultralytics/ultralytics/" rel="noopener" target="_blank" title="hub.docker.com"><svg viewbox="0 0 640 512" xmlns="http://www.w3.org/2000/svg"><path d="M349.9 236.3h-66.1v-59.4h66.1zm0-204.3h-66.1v60.7h66.1zm78.2 144.8H362v59.4h66.1zm-156.3-72.1h-66.1v60.1h66.1zm78.1 0h-66.1v60.1h66.1zm276.8 100c-14.4-9.7-47.6-13.2-73.1-8.4-3.3-24-16.7-44.9-41.1-63.7l-14-9.3-9.3 14c-18.4 27.8-23.4 73.6-3.7 103.8-8.7 4.7-25.8 11.1-48.4 10.7H2.4c-8.7 50.8 5.8 116.8 44 162.1 37.1 43.9 92.7 66.2 165.4 66.2 157.4 0 273.9-72.5 328.4-204.2 21.4.4 67.6.1 91.3-45.2 1.5-2.5 6.6-13.2 8.5-17.1zm-511.1-27.9h-66v59.4h66.1v-59.4zm78.1 0h-66.1v59.4h66.1zm78.1 0h-66.1v59.4h66.1zm-78.1-72.1h-66.1v60.1h66.1z"/></svg></a><a class="md-social__link" href="https://pypi.org/project/ultralytics/" rel="noopener" target="_blank" title="pypi.org"><svg viewbox="0 0 448 512" xmlns="http://www.w3.org/2000/svg"><path d="M439.8 200.5c-7.7-30.9-22.3-54.2-53.4-54.2h-40.1v47.4c0 36.8-31.2 67.8-66.8 67.8H172.7c-29.2 0-53.4 25-53.4 54.3v101.8c0 29 25.2 46 53.4 54.3 33.8 9.9 66.3 11.7 106.8 0 26.9-7.8 53.4-23.5 53.4-54.3v-40.7H226.2v-13.6h160.2c31.1 0 42.6-21.7 53.4-54.2 11.2-33.5 10.7-65.7 0-108.6M286.2 444.7a20.4 20.4 0 1 1 0-40.7 20.4 20.4 0 1 1 0 40.7M167.8 248.1h106.8c29.7 0 53.4-24.5 53.4-54.3V91.9c0-29-24.4-50.7-53.4-55.6-35.8-5.9-74.7-5.6-106.8.1-45.2 8-53.4 24.7-53.4 55.6v40.7h106.9v13.6h-147c-31.1 0-58.3 18.7-66.8 54.2-9.8 40.7-10.2 66.1 0 108.6 7.6 31.6 25.7 54.2 56.8 54.2H101v-48.8c0-35.3 30.5-66.4 66.8-66.4m-6.6-183.4a20.4 20.4 0 1 1 0 40.8 20.4 20.4 0 1 1 0-40.8"/></svg></a><a class="md-social__link" href="https://discord.com/invite/ultralytics" rel="noopener" target="_blank" title="discord.com"><svg viewbox="0 0 576 512" xmlns="http://www.w3.org/2000/svg"><path d="M492.5 69.8c-.2-.3-.4-.6-.8-.7-38.1-17.5-78.4-30-119.7-37.1-.4-.1-.8 0-1.1.1s-.6.4-.8.8c-5.5 9.9-10.5 20.2-14.9 30.6-44.6-6.8-89.9-6.8-134.4 0-4.5-10.5-9.5-20.7-15.1-30.6-.2-.3-.5-.6-.8-.8s-.7-.2-1.1-.2C162.5 39 122.2 51.5 84.1 69c-.3.1-.6.4-.8.7C7.1 183.5-13.8 294.6-3.6 404.2c0 .3.1.5.2.8s.3.4.5.6c44.4 32.9 94 58 146.8 74.2.4.1.8.1 1.1 0s.7-.4.9-.7c11.3-15.4 21.4-31.8 30-48.8.1-.2.2-.5.2-.8s0-.5-.1-.8-.2-.5-.4-.6-.4-.3-.7-.4c-15.8-6.1-31.2-13.4-45.9-21.9-.3-.2-.5-.4-.7-.6s-.3-.6-.3-.9 0-.6.2-.9.3-.5.6-.7c3.1-2.3 6.2-4.7 9.1-7.1.3-.2.6-.4.9-.4s.7 0 1 .1c96.2 43.9 200.4 43.9 295.5 0 .3-.1.7-.2 1-.2s.7.2.9.4c2.9 2.4 6 4.9 9.1 7.2.2.2.4.4.6.7s.2.6.2.9-.1.6-.3.9-.4.5-.6.6c-14.7 8.6-30 15.9-45.9 21.8-.2.1-.5.2-.7.4s-.3.4-.4.7-.1.5-.1.8.1.5.2.8c8.8 17 18.8 33.3 30 48.8.2.3.6.6.9.7s.8.1 1.1 0c52.9-16.2 102.6-41.3 147.1-74.2.2-.2.4-.4.5-.6s.2-.5.2-.8c12.3-126.8-20.5-236.9-86.9-334.5zm-302 267.7c-29 0-52.8-26.6-52.8-59.2s23.4-59.2 52.8-59.2c29.7 0 53.3 26.8 52.8 59.2 0 32.7-23.4 59.2-52.8 59.2m195.4 0c-29 0-52.8-26.6-52.8-59.2s23.4-59.2 52.8-59.2c29.7 0 53.3 26.8 52.8 59.2 0 32.7-23.2 59.2-52.8 59.2"/></svg></a><a class="md-social__link" href="https://reddit.com/r/ultralytics" rel="noopener" target="_blank" title="reddit.com"><svg viewbox="0 0 512 512" xmlns="http://www.w3.org/2000/svg"><path d="M0 256C0 114.6 114.6 0 256 0s256 114.6 256 256-114.6 256-256 256H37.1c-13.7 0-20.5-16.5-10.9-26.2L75 437C28.7 390.7 0 326.7 0 256m349.6-102.4c23.6 0 42.7-19.1 42.7-42.7s-19.1-42.7-42.7-42.7c-20.6 0-37.8 14.6-41.8 34-34.5 3.7-61.4 33-61.4 68.4v.2c-37.5 1.6-71.8 12.3-99 29.1-10.1-7.8-22.8-12.5-36.5-12.5-33 0-59.8 26.8-59.8 59.8 0 24 14.1 44.6 34.4 54.1 2 69.4 77.6 125.2 170.6 125.2s168.7-55.9 170.6-125.3c20.2-9.6 34.1-30.2 34.1-54 0-33-26.8-59.8-59.8-59.8-13.7 0-26.3 4.6-36.4 12.4-27.4-17-62.1-27.7-100-29.1v-.2c0-25.4 18.9-46.5 43.4-49.9 4.4 18.8 21.3 32.8 41.5 32.8zm-172.5 93.3c16.7 0 29.5 17.6 28.5 39.3s-13.5 29.6-30.3 29.6-31.4-8.8-30.4-30.5S160.3 247 177 247zm190.1 38.3c1 21.7-13.7 30.5-30.4 30.5s-29.3-7.9-30.3-29.6 11.8-39.3 28.5-39.3 31.2 16.6 32.1 38.3zm-48.1 56.7c-10.3 24.6-34.6 41.9-63 41.9s-52.7-17.3-63-41.9c-1.2-2.9.8-6.2 3.9-6.5 18.4-1.9 38.3-2.9 59.1-2.9s40.7 1 59.1 2.9c3.1.3 5.1 3.6 3.9 6.5"/></svg></a><a class="md-social__link" href="https://weixin.qq.com/r/mp/LxckPDfEgWr_rXNf90I9" rel="noopener" target="_blank" title="weixin.qq.com"><svg viewbox="0 0 576 512" xmlns="http://www.w3.org/2000/svg"><path d="M385.2 167.6c6.4 0 12.6.3 18.8 1.1C387.4 90.3 303.3 32 207.7 32 100.5 32 13 104.8 13 197.4c0 53.4 29.3 97.5 77.9 131.6l-19.3 58.6 68-34.1c24.4 4.8 43.8 9.7 68.2 9.7 6.2 0 12.1-.3 18.3-.8-4-12.9-6.2-26.6-6.2-40.8-.1-84.9 72.9-154 165.3-154m-104.5-52.9c14.5 0 24.2 9.7 24.2 24.4 0 14.5-9.7 24.2-24.2 24.2-14.8 0-29.3-9.7-29.3-24.2.1-14.7 14.6-24.4 29.3-24.4m-136.4 48.6c-14.5 0-29.3-9.7-29.3-24.2 0-14.8 14.8-24.4 29.3-24.4 14.8 0 24.4 9.7 24.4 24.4 0 14.6-9.6 24.2-24.4 24.2M563 319.4c0-77.9-77.9-141.3-165.4-141.3-92.7 0-165.4 63.4-165.4 141.3S305 460.7 397.6 460.7c19.3 0 38.9-5.1 58.6-9.9l53.4 29.3-14.8-48.6C534 402.1 563 363.2 563 319.4m-219.1-24.5c-9.7 0-19.3-9.7-19.3-19.6 0-9.7 9.7-19.3 19.3-19.3 14.8 0 24.4 9.7 24.4 19.3 0 10-9.7 19.6-24.4 19.6m107.1 0c-9.7 0-19.3-9.7-19.3-19.6 0-9.7 9.7-19.3 19.3-19.3 14.5 0 24.4 9.7 24.4 19.3.1 10-9.9 19.6-24.4 19.6"/></svg></a></div></div></div></footer></div><div class="md-dialog" data-md-component="dialog"><div class="md-dialog__inner md-typeset"/></div><div class="md-progress" data-md-component="progress" role="progressbar"/>