# convert

Python API: `hubai_sdk.services.convert`

运行托管模型转换并下载可部署的工件。

目标特定辅助函数
[RVC2](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)、[RVC3](https://docs.luxonis.com/zh/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)、[RVC4](https://docs.luxonis.com/zh/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)
和 [Hailo](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md) 是推荐的转换
API。每个辅助函数都会准备目标选项并委托给
[convert](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)，后者协调完整的
HubAI 工作流程：

 1. 从模型文件、YAML 配置或 NN Archive 读取模型元数据。
 2. 创建或重用模型和变体资源。
 3. 将源模型作为实例上传。
 4. 启动导出作业并等待其完成。
 5. 下载导出的实例。

> **示例**
> 使用 HubAI 的通用校准数据将 ONNX 模型转换为 RVC4。

```python
result = client.convert.RVC4(
    path="detector.onnx",
    name="detector",
    quantization_mode="INT8_STANDARD",
    quantization_data="GENERAL",
)
print(result.downloaded_path)
```

 * `输入配置：`：`path` 可以指向模型文件、NN Archive 或 YAML 配置。附加的 `opts` 会覆盖从该配置加载的值。在 Python 中，字典通常最简单；平面列表形式用于命令行界面。
 * `资源重用：`：传递 `model_id` 或 `variant_id`
   以将转换附加到现有资源。如果没有它们，[convert](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)
   会创建资源并重用具有相同 slug 的模型（如果已存在）。
 * `量化：`：RVC4 和 Hailo 接受内置校准域、以 `aid_` 开头的数据集 ID 或本地 ZIP 文件。传递 ZIP 路径会将其上传以进行导出作业。RVC2 和 RVC3 会忽略量化输入，因为这些辅助函数会公开其平台特定的精度控制。

## 转换参数

转换 API 接受输入、HubAI 资源和所选目标的参数。下面的函数签名提供了确切的类型和默认值；此概述按用途对参数进行分组。

### 通用参数

 * `path`：输入模型文件、YAML 配置或 NN Archive。
 * `tool_version`：转换工具的版本。
 * `quantization_mode`：RVC4 量化模式。`FP16_STANDARD` 跳过校准。
 * `output_dir`：下载输出文件的目录。如果省略，下载器会在当前工作目录中创建一个以导出实例 slug 命名的目录。

### YOLO 参数

 * `yolo_input_shape`：YOLO 输入形状。如果省略或无效，则默认为 `[640, 640]`。
 * `yolo_version`：YOLO 版本，例如 `"yolov8"`。优先使用自动检测，仅在检测失败时设置此项。
 * `yolo_class_names`：模型类名。

### 模型参数

除非提供了 `model_id`，否则这些参数会创建一个 HubAI 模型资源。

 * `model_id`：要重用的现有模型的 ID。
 * `name`：模型名称。默认为配置或输入模型名称。
 * `license_type`：模型的许可证类型。
 * `is_public`：模型是公共的、私有的还是团队范围的。
 * `description` 和 `description_short`：模型的完整和简短描述。简短描述默认为 `"<empty>"`。
 * `architecture_id`：模型架构 ID。
 * `tasks`：模型支持的任务。
 * `links`：模型的附加链接。
 * `is_yolo`：模型是否为 YOLO 模型。

### 模型变体参数

 * `model_id`：要添加变体的现有模型的 ID。
 * `variant_version`：模型变体的版本。如果省略，HubAI 会自动使用下一个版本。
 * `variant_description`：完整的变体描述。
 * `repository_url` 和 `commit_hash`：相关的存储库 URL 和提交。
 * `domain`：变体域。
 * `variant_tags`：变体标签。

### 模型实例参数

 * `variant_id`：要重用的现有模型变体的 ID。
 * `quantization_data`：预定义的校准域、`aid_` 数据集 ID 或本地自定义 `.zip` 路径。传递 ZIP 路径而不是 `CUSTOM`。
 * `max_quantization_images`：用于量化的最大图像数量。
 * `instance_tags`：模型实例标签。
 * `input_shape`：模型输入形状。
 * `is_deployable`：模型实例是否可部署。

### RVC2 参数

 * `mo_args`：模型优化器的参数。
 * `compile_tool_args`：BLOB 编译器的参数。
 * `compress_to_fp16`：是否将模型权重压缩为 FP16。默认为 `True`。
 * `number_of_shaves`：要使用的 shaves 数量。默认为 `8`。
 * `superblob`：是否创建 superblob。默认为 `True`；禁用它以使用旧版 RVC2 转换。

### RVC3 参数

 * `mo_args`：模型优化器的参数。
 * `compile_tool_args`：BLOB 编译器的参数。
 * `compress_to_fp16`：是否将模型权重压缩为 FP16。默认为 `True`。
 * `pot_target_device`：训练后优化的目标设备。默认为 `"VPU"`。

### RVC4 参数

 * `snpe_onnx_to_dlc_args`：`snpe-onnx-to-dlc` 的参数。
 * `snpe_dlc_quant_args`：`snpe-dlc-quant` 的参数。
 * `snpe_dlc_graph_prepare_args`：`snpe-dlc-graph-prepare` 的参数。
 * `use_per_channel_quantization`：是否使用逐通道量化。默认为 `True`。
 * `use_per_row_quantization`：是否使用逐行量化。默认为 `False`。
 * `htp_socs`：要使用的 HTP SoC。默认为 `["sm8550"]`。

### Hailo 参数

 * `optimization_level`：优化级别。默认为 `2`。
 * `compression_level`：压缩级别。默认为 `2`。
 * `batch_size`：量化批次大小。默认为 `8`。
 * `alls`：附加的 ALLS 参数。

## 函数

### convert

```python
def convert(target: Target, opts: list[str] | None = None, /, *, path: str, name: str | None = None, license_type: License = 'undefined', is_public: bool | None = False, description_short: str = '<empty>', description: str | None = None, architecture_id: UUID | str | None = None, tasks: list[Task] | None = None, links: list[str] | None = None, is_yolo: bool = False, model_id: UUID | str | None = None, variant_version: str | None = None, variant_description: str | None = None, repository_url: str | None = None, commit_hash: str | None = None, quantization_mode: QuantizationMode | None = None, domain: str | None = None, variant_tags: list[str] | None = None, variant_id: UUID | str | None = None, quantization_data: QuantizationData | PathType | None = None, max_quantization_images: int | None = None, instance_tags: list[str] | None = None, input_shape: list[int] | None = None, is_deployable: bool | None = None, output_dir: str | None = None, tool_version: str | None = None, yolo_input_shape: list[int] | None = None, yolo_version: YoloVersion | None = None, yolo_class_names: list[str] | None = None) -> ConvertResponse:
```

启动在线转换过程。

参数

 * `target` (`Target`)：目标平台。
 * `opts` (`list[str] | None`)：转换过程的附加选项。
 * `path` (`str`)：输入模型文件、NN Archive 或 YAML 配置文件的路径。
 * `name` (`str | None`)：模型名称。如果未指定，则从配置文件或模型文件中获取名称。
 * `license_type` (`License`)：新创建模型的许可证类型。
 * `is_public` (`bool | None`)：模型是公共的 (`True`)、私有的 (`False`) 还是团队范围的 (`None`)。
 * `description_short` (`str`)：模型的简短描述。默认为 `"<empty>"`。
 * `description` (`str | None`)：模型的完整描述。
 * `architecture_id` (`UUID | str | None`)：架构 ID。
 * `tasks` (`list[Task] | None`)：模型支持的任务。
 * `links` (`list[str] | None`)：模型的附加链接。
 * `is_yolo` (`bool`)：模型是否为 YOLO 模型。
 * `model_id` (`UUID | str | None`)：现有模型资源的 ID。如果指定，则使用该模型而不是创建新模型。
 * `variant_version` (`str | None`)：模型版本。如果未指定，则版本会从模型的最新版本自动递增。如果不存在任何版本，则版本为 `"0.1.0"`。
 * `variant_description` (`str | None`)：模型变体的完整描述。
 * `repository_url` (`str | None`)：存储库的 URL。
 * `commit_hash` (`str | None`)：提交哈希。
 * `quantization_mode` (`QuantizationMode | None`)：在 RVC4 转换期间使用的量化模式。必须是
   `INT8_STANDARD`、`INT8_ACCURACY_FOCUSED`、`INT8_INT16_MIXED`、`INT8_INT16_MIXED_ACCURACY_FOCUSED` 或 `FP16_STANDARD`
   之一。`INT8_STANDARD` 是标准的 INT8 量化，带有校准，可实现最佳性能和模型大小。`INT8_ACCURACY_FOCUSED` 是带有校准的 INT8
   量化，可以提高准确性，而不会降低性能或增加模型大小，具体取决于模型。`INT8_INT16_MIXED` 在所有层中使用 8 位权重和 16
   位激活，以提高数值稳定性和准确性，但会牺牲性能和模型大小。`INT8_INT16_MIXED_ACCURACY_FOCUSED` 是一种基于校准的混合 INT8 和 INT16 模式，优先考虑准确性而不是吞吐量。`FP16_STANDARD` 是
   FP16 量化，没有校准，适用于需要更高准确性和数值稳定性的模型，但会牺牲性能和模型大小。`FP16_STANDARD` 跳过校准。
 * `domain` (`str | None`)：模型变体的域。
 * `variant_tags` (`list[str] | None`)：模型变体的标签。
 * `variant_id` (`UUID | str | None`)：现有模型版本资源的 ID。如果指定，则使用该版本而不是创建新版本。
 * `quantization_data` (`QuantizationData | PathType | None`)：用于量化此模型的数据。这可以是预定义的域
   (`DRIVING`、`FOOD`、`GENERAL`、`INDOORS`、`RANDOM`、`WAREHOUSE`、`CLIP`、`UNKNOWN`)、数据集 ID 或本地量化 `.zip` 文件的路径。传递 `.zip` 路径本身而不是
   `CUSTOM`；SDK 会自动规范化本地 zip 输入。
 * `max_quantization_images` (`int | None`)：用于量化的最大图像数量。
 * `instance_tags` (`list[str] | None`)：模型实例的标签。
 * `input_shape` (`list[int] | None`)：模型实例的输入形状。
 * `is_deployable` (`bool | None`)：模型实例是否可部署。
 * `output_dir` (`str | None`)：下载文件的目录路径。如果未指定，下载器会在当前工作目录下创建一个以导出实例 slug 命名的目录。
 * `tool_version` (`str | None`)：用于转换的工具版本。对于 RVC2 和 RVC3，这是 IR 版本，而对于 RVC4，这是 SNPE 版本。
 * `yolo_input_shape` (`list[int] | None`)：YOLO 模型的输入形状。如果省略或无效，则默认为 `[640, 640]`。
 * `yolo_version` (`YoloVersion | None`)：YOLO 版本，例如 `"yolov8"`。通常省略此项以使用自动检测；仅在检测失败时指定。
 * `yolo_class_names` (`list[str] | None`)：YOLO 模型的类名。

返回

 * `ConvertResponse`：转换结果，包含下载的输出路径、导出作业和导出的模型实例。

### Hailo

```python
def Hailo(path: PathType, optimization_level: Literal[-100, 0, 1, 2, 3, 4] = 2, compression_level: Literal[0, 1, 2, 3, 4, 5] = 2, batch_size: int = 8, alls: list[str] | None = None, opts: Kwargs | list[str] | None = None, **hub_kwargs) -> ConvertResponse:
```

将模型转换为 Hailo 格式。

参数

 * `path` (`PathType`)：要转换的模型文件的路径。
 * `optimization_level` (`Literal[-100, 0, 1, 2, 3, 4]`)：转换的优化级别。默认为 `2`。
 * `compression_level` (`Literal[0, 1, 2, 3, 4, 5]`)：转换的压缩级别。默认为 `2`。
 * `batch_size` (`int`)：量化的批次大小。默认为 `8`。
 * `alls` (`list[str] | None`)：在转换期间应用的附加 Hailo ALLS 参数。
 * `opts` (`Kwargs | list[str] | None`)：附加转换选项。这些可以覆盖配置值。
 * `name`：模型名称。如果未指定，则从配置文件或模型文件中获取名称。
 * `license_type`：许可证类型。
 * `is_public`：模型是公共的 (`True`)、私有的 (`False`) 还是团队范围的 (`None`)。
 * `description_short`：模型的简短描述。
 * `description`：模型的完整描述。
 * `architecture_id`：架构 ID。
 * `tasks`：此模型支持的任务。
 * `links`：相关资源的链接。
 * `is_yolo`：模型是否为 YOLO 模型。
 * `model_id`：现有模型资源的 ID。如果指定，则使用该模型而不是创建新模型。
 * `variant_version`：模型版本。如果未指定，则版本会从模型的最新版本自动递增。如果不存在任何版本，则版本为 `"0.1.0"`。
 * `variant_description`：模型变体的完整描述。
 * `repository_url`：存储库的 URL。
 * `commit_hash`：提交哈希。
 * `quantization_mode`：量化模式。
 * `quantization_data`：用于量化此模型的数据。这可以是预定义的域 (`DRIVING`、`FOOD`、`GENERAL`、`INDOORS`、`RANDOM`、`WAREHOUSE`、`CLIP`、`UNKNOWN`)、数据集 ID
   或本地量化 `.zip` 文件的路径。
 * `max_quantization_images`：最大量化图像数量。
 * `domain`：模型的域。
 * `variant_tags`：模型变体的标签。
 * `variant_id`：现有模型版本资源的 ID。如果指定，则使用该版本而不是创建新版本。
 * `input_shape`：模型实例的输入形状。
 * `is_deployable`：模型实例是否可部署。
 * `output_dir`：下载文件的目录路径。如果未指定，下载器会在当前工作目录下创建一个以导出实例 slug 命名的目录。
 * `tool_version`：用于转换的工具版本。对于 RVC2 和 RVC3，这是 IR 版本，而对于 RVC4，这是 SNPE 版本。
 * `yolo_input_shape`：YOLO 模型的输入形状。
 * `yolo_version`：YOLO 版本。
 * `yolo_class_names`：YOLO 模型的类名。
 * `**hub_kwargs`：传递给
   [convert](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)
   的附加关键字参数。

返回

 * `ConvertResponse`：转换结果，包含下载的输出路径、导出作业和导出的模型实例。

### RVC2

```python
def RVC2(path: PathType, mo_args: list[str] | None = None, compile_tool_args: list[str] | None = None, compress_to_fp16: bool = True, number_of_shaves: int = 8, superblob: bool = True, opts: Kwargs | list[str] | None = None, **hub_kwargs) -> ConvertResponse:
```

将模型转换为 RVC2 格式。

参数

 * `path` (`PathType`)：要转换的模型文件的路径。
 * `mo_args` (`list[str] | None`)：模型优化器的附加参数。
 * `compile_tool_args` (`list[str] | None`)：编译工具的附加参数。
 * `compress_to_fp16` (`bool`)：是否将模型权重压缩为 FP16。默认为 `True`。
 * `number_of_shaves` (`int`)：用于转换的 shaves 数量。默认为 `8`。
 * `superblob` (`bool`)：是否为模型创建 superblob。默认为 `True`。禁用它以使用旧版 RVC2 转换。
 * `opts` (`Kwargs | list[str] | None`)：附加转换选项。这些可以覆盖配置值。
 * `name`：模型名称。如果未指定，则从配置文件或模型文件中获取名称。
 * `license_type`：许可证类型。
 * `is_public`：模型是公共的 (`True`)、私有的 (`False`) 还是团队范围的 (`None`)。
 * `description_short`：模型的简短描述。
 * `description`：模型的完整描述。
 * `architecture_id`：架构 ID。
 * `tasks`：此模型支持的任务。
 * `links`：相关资源的链接。
 * `is_yolo`：模型是否为 YOLO 模型。
 * `model_id`：现有模型资源的 ID。如果指定，则使用该模型而不是创建新模型。
 * `variant_version`：模型版本。如果未指定，则版本会从模型的最新版本自动递增。如果不存在任何版本，则版本为 `"0.1.0"`。
 * `variant_description`：模型变体的完整描述。
 * `repository_url`：存储库的 URL。
 * `commit_hash`：提交哈希。
 * `domain`：模型的域。
 * `variant_tags`：模型变体的标签。
 * `variant_id`：现有模型版本资源的 ID。如果指定，则使用该版本而不是创建新版本。
 * `input_shape`：模型实例的输入形状。
 * `is_deployable`：模型实例是否可部署。
 * `output_dir`：下载文件的目录路径。如果未指定，下载器会在当前工作目录下创建一个以导出实例 slug 命名的目录。
 * `tool_version`：用于转换的工具版本。对于 RVC2 和 RVC3，这是 IR 版本，而对于 RVC4，这是 SNPE 版本。
 * `yolo_input_shape`：YOLO 模型的输入形状。
 * `yolo_version`：YOLO 版本。
 * `yolo_class_names`：YOLO 模型的类名。
 * `**hub_kwargs`：传递给
   [convert](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)
   的附加关键字参数。

返回

 * `ConvertResponse`：转换结果，包含下载的输出路径、导出作业和导出的模型实例。

### RVC3

```python
def RVC3(path: PathType, mo_args: list[str] | None = None, compile_tool_args: list[str] | None = None, compress_to_fp16: bool = True, pot_target_device: PotDevice | Literal['VPU', 'ANY'] = PotDevice.VPU, opts: Kwargs | list[str] | None = None, **hub_kwargs) -> ConvertResponse:
```

将模型转换为 RVC3 格式。

参数

 * `path` (`PathType`)：要转换的模型文件的路径。
 * `mo_args` (`list[str] | None`)：模型优化器的附加参数。
 * `compile_tool_args` (`list[str] | None`)：编译工具的附加参数。
 * `compress_to_fp16` (`bool`)：是否将模型权重压缩为 FP16。默认为 `True`。
 * `pot_target_device` (`PotDevice | Literal['VPU', 'ANY']`)：训练后优化的目标设备。默认为 `"VPU"`。
 * `opts` (`Kwargs | list[str] | None`)：附加转换选项。这些可以覆盖配置值。
 * `name`：模型名称。如果未指定，则从配置文件或模型文件中获取名称。
 * `license_type`：许可证类型。
 * `is_public`：模型是公共的 (`True`)、私有的 (`False`) 还是团队范围的 (`None`)。
 * `description_short`：模型的简短描述。
 * `description`：模型的完整描述。
 * `architecture_id`：架构 ID。
 * `tasks`：此模型支持的任务。
 * `links`：相关资源的链接。
 * `is_yolo`：模型是否为 YOLO 模型。
 * `model_id`：现有模型资源的 ID。如果指定，则使用该模型而不是创建新模型。
 * `variant_version`：模型版本。如果未指定，则版本会从模型的最新版本自动递增。如果不存在任何版本，则版本为 `"0.1.0"`。
 * `variant_description`：模型变体的完整描述。
 * `repository_url`：存储库的 URL。
 * `commit_hash`：提交哈希。
 * `domain`：模型的域。
 * `variant_tags`：模型变体的标签。
 * `variant_id`：现有模型版本资源的 ID。如果指定，则使用该版本而不是创建新版本。
 * `input_shape`：模型实例的输入形状。
 * `is_deployable`：模型实例是否可部署。
 * `output_dir`：下载文件的目录路径。如果未指定，下载器会在当前工作目录下创建一个以导出实例 slug 命名的目录。
 * `tool_version`：用于转换的工具版本。对于 RVC2 和 RVC3，这是 IR 版本，而对于 RVC4，这是 SNPE 版本。
 * `yolo_input_shape`：YOLO 模型的输入形状。
 * `yolo_version`：YOLO 版本。
 * `yolo_class_names`：YOLO 模型的类名。
 * `**hub_kwargs`：传递给
   [convert](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)
   的附加关键字参数。

返回

 * `ConvertResponse`：转换结果，包含下载的输出路径、导出作业和导出的模型实例。

### RVC4

```python
def RVC4(path: PathType, snpe_onnx_to_dlc_args: list[str] | None = None, snpe_dlc_quant_args: list[str] | None = None, snpe_dlc_graph_prepare_args: list[str] | None = None, use_per_channel_quantization: bool = True, use_per_row_quantization: bool = False, htp_socs: list[Literal['sm8350', 'sm8450', 'sm8550', 'sm8650', 'qcs6490', 'qcs8550']] | None = None, opts: Kwargs | list[str] | None = None, **hub_kwargs) -> ConvertResponse:
```

将模型转换为 RVC4 格式。

参数

 * `path` (`PathType`)：要转换的模型文件的路径。
 * `snpe_onnx_to_dlc_args` (`list[str] | None`)：SNPE ONNX 到 DLC 转换的附加参数。
 * `snpe_dlc_quant_args` (`list[str] | None`)：SNPE DLC 量化的附加参数。
 * `snpe_dlc_graph_prepare_args` (`list[str] | None`)：SNPE DLC 图准备的附加参数。
 * `use_per_channel_quantization` (`bool`)：是否使用逐通道量化。默认为 `True`。
 * `use_per_row_quantization` (`bool`)：是否使用逐行量化。默认为 `False`。
 * `htp_socs` (`list[Literal['sm8350', 'sm8450', 'sm8550', 'sm8650', 'qcs6490', 'qcs8550']] | None`)：最终 DLC 图的 HTP SoC。默认为
   `["sm8550"]`。
 * `opts` (`Kwargs | list[str] | None`)：附加转换选项。这些可以覆盖配置值。
 * `name`：模型名称。如果未指定，则从配置文件或模型文件中获取名称。
 * `license_type`：许可证类型。
 * `is_public`：模型是公共的 (`True`)、私有的 (`False`) 还是团队范围的 (`None`)。
 * `description_short`：模型的简短描述。
 * `description`：模型的完整描述。
 * `architecture_id`：架构 ID。
 * `tasks`：此模型支持的任务。
 * `links`：相关资源的链接。
 * `is_yolo`：模型是否为 YOLO 模型。
 * `model_id`：现有模型资源的 ID。如果指定，则使用该模型而不是创建新模型。
 * `variant_version`：模型版本。如果未指定，则版本会从模型的最新版本自动递增。如果不存在任何版本，则版本为 `"0.1.0"`。
 * `variant_description`：模型变体的完整描述。
 * `repository_url`：存储库的 URL。
 * `commit_hash`：提交哈希。
 * `quantization_mode`：在转换期间使用的量化模式。必须是
   `INT8_STANDARD`、`INT8_ACCURACY_FOCUSED`、`INT8_INT16_MIXED`、`INT8_INT16_MIXED_ACCURACY_FOCUSED` 或 `FP16_STANDARD`
   之一。`INT8_STANDARD` 是标准的 INT8 量化，带有校准，可实现最佳性能和模型大小。`INT8_ACCURACY_FOCUSED` 是带有校准的 INT8
   量化，可以提高准确性，而不会降低性能或增加模型大小，具体取决于模型。`INT8_INT16_MIXED` 在所有层中使用 8 位权重和 16
   位激活，以提高数值稳定性和准确性，但会牺牲性能和模型大小。`INT8_INT16_MIXED_ACCURACY_FOCUSED` 是一种基于校准的混合 INT8 和 INT16 模式，优先考虑准确性而不是吞吐量。`FP16_STANDARD` 是
   FP16 量化，没有校准，适用于需要更高准确性和数值稳定性的模型，但会牺牲性能和模型大小。
 * `domain`：模型的域。
 * `variant_tags`：模型变体的标签。
 * `variant_id`：现有模型版本资源的 ID。如果指定，则使用该版本而不是创建新版本。
 * `quantization_data`：用于量化此模型的数据。这可以是预定义的域 (`DRIVING`、`FOOD`、`GENERAL`、`INDOORS`、`RANDOM`、`WAREHOUSE`、`CLIP`、`UNKNOWN`)、数据集 ID
   或本地量化 `.zip` 文件的路径。传递 `.zip` 路径本身而不是 `CUSTOM`；SDK 会自动规范化本地 zip 输入。
 * `max_quantization_images`：最大量化图像数量。
 * `input_shape`：模型实例的输入形状。
 * `is_deployable`：模型实例是否可部署。
 * `output_dir`：下载文件的目录路径。如果未指定，下载器会在当前工作目录下创建一个以导出实例 slug 命名的目录。
 * `tool_version`：用于转换的工具版本。对于 RVC2 和 RVC3，这是 IR 版本，而对于 RVC4，这是 SNPE 版本。
 * `yolo_input_shape`：YOLO 模型的输入形状。
 * `yolo_version`：YOLO 版本。
 * `yolo_class_names`：YOLO 模型的类名。
 * `**hub_kwargs`：传递给
   [convert](/cloud/hubai/model-registry/hubai-sdk/hubai-sdk-api-reference/services/convert.md)
   的附加关键字参数。

返回

 * `ConvertResponse`：转换结果，包含下载的输出路径、导出作业和导出的模型实例。
