تصدير Intel OpenVINO

في هذا الدليل، نغطي تصدير نماذج YOLO11 إلى تنسيق OpenVINO، والذي يمكن أن يوفر ما يصل إلى 3 أضعاف تسريع وحدة المعالجة المركزية CPU، بالإضافة إلى تسريع استنتاج YOLO على أجهزة وحدة معالجة الرسومات GPU و وحدة المعالجة العصبية NPU من Intel.

OpenVINO، اختصار لـ Open Visual Inference & Neural Network Optimization toolkit، هي مجموعة أدوات شاملة لتحسين ونشر نماذج الاستدلال بالذكاء الاصطناعي. على الرغم من أن الاسم يحتوي على Visual، إلا أن OpenVINO يدعم أيضًا العديد من المهام الإضافية بما في ذلك اللغة والصوت والسلاسل الزمنية وما إلى ذلك.

شاهد: كيفية تصدير Ultralytics YOLO11 إلى تنسيق Intel OpenVINO للاستدلال الأسرع 🚀

أمثلة الاستخدام

قم بتصدير نموذج YOLO11n إلى تنسيق OpenVINO وتشغيل الاستدلال باستخدام النموذج الذي تم تصديره.

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model
model.export(format="openvino")  # creates 'yolo11n_openvino_model/'

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")

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

# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

# Export a YOLO11n PyTorch model to OpenVINO format
yolo export model=yolo11n.pt format=openvino # creates 'yolo11n_openvino_model/'

# Run inference with the exported model
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg'

# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg' device="intel:gpu"

وسائط التصدير

لمزيد من التفاصيل حول عملية التصدير، قم بزيارة صفحة وثائق Ultralytics حول التصدير.

فوائد OpenVINO

1. الأداء: يوفر OpenVINO استدلالًا عالي الأداء من خلال الاستفادة من قوة وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) المتكاملة والمنفصلة، و FPGAs من Intel.
2. دعم التنفيذ غير المتجانس: يوفر OpenVINO واجهة برمجة تطبيقات (API) للكتابة مرة واحدة والنشر على أي جهاز Intel مدعوم (وحدة المعالجة المركزية CPU، ووحدة معالجة الرسومات GPU، و FPGA، و VPU، وما إلى ذلك).
3. محسِّن النموذج (Model Optimizer): يوفر OpenVINO مُحسِّن نموذج يستورد النماذج ويحولها ويحسنها من أطر التعلم العميق الشائعة مثل PyTorch و TensorFlow و TensorFlow Lite و Keras و ONNX و PaddlePaddle و Caffe.
4. سهولة الاستخدام: تأتي مجموعة الأدوات مع أكثر من 80 دفترًا تعليميًا (بما في ذلك تحسين YOLOv8) لتعليم جوانب مختلفة من مجموعة الأدوات.

هيكل تصدير OpenVINO

عندما تقوم بتصدير نموذج إلى تنسيق OpenVINO، فإنه يؤدي إلى دليل يحتوي على ما يلي:

1. ملف XML: يصف هيكل الشبكة.
2. ملف BIN: يحتوي على بيانات ثنائية للأوزان والانحيازات.
3. ملف الربط: يحتفظ بربط موترات إخراج النموذج الأصلي بأسماء موترات OpenVINO.

يمكنك استخدام هذه الملفات لتشغيل الاستدلال باستخدام محرك الاستدلال OpenVINO.

استخدام تصدير OpenVINO في النشر

بمجرد تصدير النموذج الخاص بك بنجاح إلى تنسيق OpenVINO، لديك خياران أساسيان لتشغيل الاستدلال:

1. استخدم ultralytics ، الذي يوفر واجهة برمجة تطبيقات عالية المستوى ويغلف وقت تشغيل OpenVINO.

2. استخدم الأصلي openvino لتوفير تحكم أكثر تقدمًا أو مخصصًا في سلوك الاستدلال.

الاستدلال باستخدام Ultralytics

تتيح لك حزمة ultralytics تشغيل الاستدلال بسهولة باستخدام نموذج OpenVINO المصدر عبر طريقة التنبؤ. يمكنك أيضًا تحديد الجهاز المستهدف (على سبيل المثال، intel:gpu, intel:npu, intel:cpu) باستخدام وسيطة الجهاز.

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")  # the path of your exported OpenVINO model
# Run inference with the exported model
ov_model.predict(device="intel:gpu")  # specify the device you want to run inference on

هذا الأسلوب مثالي للنماذج الأولية السريعة أو النشر عندما لا تحتاج إلى تحكم كامل في مسار الاستدلال.

الاستدلال باستخدام OpenVINO Runtime

يوفر OpenVINO Runtime واجهة برمجة تطبيقات موحدة للاستدلال عبر جميع أجهزة Intel المدعومة. كما يوفر أيضًا إمكانات متقدمة مثل موازنة التحميل عبر أجهزة Intel والتنفيذ غير المتزامن. لمزيد من المعلومات حول تشغيل الاستدلال، راجع دفاتر ملاحظات YOLO11.

تذكر، ستحتاج إلى ملفات XML و BIN بالإضافة إلى أي إعدادات خاصة بالتطبيق مثل حجم الإدخال، عامل القياس للتطبيع، وما إلى ذلك، لتهيئة النموذج واستخدامه بشكل صحيح مع وقت التشغيل.

في تطبيق النشر الخاص بك، ستقوم عادةً بالخطوات التالية:

1. تهيئة OpenVINO عن طريق إنشاء core = Core().
2. قم بتحميل النموذج باستخدام core.read_model() دالة (method).
3. تجميع النموذج باستخدام core.compile_model() الدالة.
4. إعداد المدخلات (صورة، نص، صوت، إلخ).
5. تشغيل الاستدلال باستخدام compiled_model(input_data).

للحصول على خطوات ومقتطفات التعليمات البرمجية أكثر تفصيلاً، راجع وثائق OpenVINO أو البرنامج التعليمي لواجهة برمجة التطبيقات (API).

معايير OpenVINO YOLO11

قام فريق Ultralytics بتقييم YOLO11 عبر تنسيقات نماذج مختلفة و دقة، وتقييم السرعة والدقة على أجهزة Intel المختلفة المتوافقة مع OpenVINO.

وحدة المعالجة المركزية Intel Core

تُعد سلسلة Intel® Core® مجموعة من المعالجات عالية الأداء من Intel. تشتمل التشكيلة على Core i3 (المستوى المبتدئ) و Core i5 (النطاق المتوسط) و Core i7 (المستوى العالي) و Core i9 (الأداء الفائق). تلبي كل سلسلة احتياجات وميزانيات حوسبة مختلفة، من المهام اليومية إلى أعباء العمل الاحترافية الصعبة. مع كل جيل جديد، يتم إجراء تحسينات على الأداء وكفاءة الطاقة والميزات.

تعمل المقاييس المرجعية أدناه على الجيل الثاني عشر من معالج Intel® Core® i9-12900KS CPU بدقة FP32.

Intel® Core™ Ultra

تمثل سلسلة Intel® Core™ Ultra™ معيارًا جديدًا في الحوسبة عالية الأداء، وهي مصممة لتلبية المتطلبات المتطورة للمستخدمين العصريين - من اللاعبين والمبدعين إلى المحترفين الذين يستفيدون من الذكاء الاصطناعي. هذه التشكيلة من الجيل التالي هي أكثر من مجرد سلسلة وحدات معالجة مركزية تقليدية؛ فهي تجمع بين نوى وحدة المعالجة المركزية القوية وقدرات وحدة معالجة الرسوميات GPU عالية الأداء المدمجة ووحدة المعالجة العصبية المخصصة (NPU) داخل شريحة واحدة، مما يوفر حلاً موحدًا لأعباء العمل الحسابية المتنوعة والمكثفة.

يكمن في قلب بنية Intel® Core Ultra™ تصميم هجين يتيح أداءً استثنائيًا عبر مهام المعالجة التقليدية وأعباء العمل المتسارعة بواسطة GPU والعمليات المدفوعة بالذكاء الاصطناعي. يعزز تضمين NPU الاستنتاج بالذكاء الاصطناعي على الجهاز، مما يتيح تعلمًا آليًا أسرع وأكثر كفاءة ومعالجة بيانات عبر مجموعة واسعة من التطبيقات.

تتضمن عائلة Core Ultra™ نماذج مختلفة مصممة خصيصًا لتلبية احتياجات الأداء المختلفة، مع خيارات تتراوح من التصميمات الموفرة للطاقة إلى المتغيرات عالية الطاقة التي تحمل علامة "H" — وهي مثالية لأجهزة الكمبيوتر المحمولة وعوامل الشكل المدمجة التي تتطلب قوة حوسبة جادة. عبر المجموعة، يستفيد المستخدمون من التآزر بين تكامل CPU و GPU و NPU، مما يوفر كفاءة واستجابة وقدرات تعدد المهام رائعة.

كجزء من ابتكارات Intel المستمرة، تضع سلسلة Core Ultra™ معيارًا جديدًا للحوسبة الجاهزة للمستقبل. مع توفر نماذج متعددة والمزيد في الأفق، تؤكد هذه السلسلة التزام Intel بتقديم حلول متطورة للجيل القادم من الأجهزة الذكية والمعززة بالذكاء الاصطناعي.

تعمل المقاييس المرجعية أدناه على معالجات Intel® Core™ Ultra™ 7 258V و Intel® Core™ Ultra™ 7 265K بدقة FP32 و INT8.

Intel® Core™ Ultra™ 7 258V

المعايير

وحدة معالجة الرسوميات Intel® Arc™ GPU مدمجةIntel® Lunar Lake CPUوحدة المعالجة العصبية Intel® AI Boost NPU مدمجة

نتائج معيارية تفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميجابايت)	metrics/mAP50-95(B)	وقت الاستدلال (مللي ثانية / صورة)
YOLO11n	PyTorch	FP32	✅	5.4	0.5052	32.27
YOLO11n	OpenVINO	FP32	✅	10.4	0.5068	11.84
YOLO11n	OpenVINO	INT8	✅	3.3	0.4969	11.24
YOLO11s	PyTorch	FP32	✅	18.4	0.5776	92.09
YOLO11s	OpenVINO	FP32	✅	36.4	0.5797	14.82
YOLO11s	OpenVINO	INT8	✅	9.8	0.5751	12.88
YOLO11m	PyTorch	FP32	✅	38.8	0.6262	277.24
YOLO11m	OpenVINO	FP32	✅	77.1	0.6306	22.94
YOLO11m	OpenVINO	INT8	✅	20.2	0.6126	17.85
YOLO11l	PyTorch	FP32	✅	49.0	0.6361	348.97
YOLO11l	OpenVINO	FP32	✅	97.3	0.6365	27.34
YOLO11l	OpenVINO	INT8	✅	25.7	0.6242	20.83
YOLO11x	PyTorch	FP32	✅	109.3	0.6984	666.07
YOLO11x	OpenVINO	FP32	✅	217.8	0.6890	39.09
YOLO11x	OpenVINO	INT8	✅	55.9	0.6856	30.60

نتائج معيارية تفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميجابايت)	metrics/mAP50-95(B)	وقت الاستدلال (مللي ثانية / صورة)
YOLO11n	PyTorch	FP32	✅	5.4	0.5052	32.27
YOLO11n	OpenVINO	FP32	✅	10.4	0.5077	32.55
YOLO11n	OpenVINO	INT8	✅	3.3	0.4980	22.98
YOLO11s	PyTorch	FP32	✅	18.4	0.5776	92.09
YOLO11s	OpenVINO	FP32	✅	36.4	0.5782	98.38
YOLO11s	OpenVINO	INT8	✅	9.8	0.5745	52.84
YOLO11m	PyTorch	FP32	✅	38.8	0.6262	277.24
YOLO11m	OpenVINO	FP32	✅	77.1	0.6307	275.74
YOLO11m	OpenVINO	INT8	✅	20.2	0.6172	132.63
YOLO11l	PyTorch	FP32	✅	49.0	0.6361	348.97
YOLO11l	OpenVINO	FP32	✅	97.3	0.6361	348.97
YOLO11l	OpenVINO	INT8	✅	25.7	0.6240	171.36
YOLO11x	PyTorch	FP32	✅	109.3	0.6984	666.07
YOLO11x	OpenVINO	FP32	✅	217.8	0.6900	783.16
YOLO11x	OpenVINO	INT8	✅	55.9	0.6890	346.82

نتائج معيارية تفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميجابايت)	metrics/mAP50-95(B)	وقت الاستدلال (مللي ثانية / صورة)
YOLO11n	PyTorch	FP32	✅	5.4	0.5052	32.27
YOLO11n	OpenVINO	FP32	✅	10.4	0.5085	8.33
YOLO11n	OpenVINO	INT8	✅	3.3	0.5019	8.91
YOLO11s	PyTorch	FP32	✅	18.4	0.5776	92.09
YOLO11s	OpenVINO	FP32	✅	36.4	0.5788	9.72
YOLO11s	OpenVINO	INT8	✅	9.8	0.5710	10.58
YOLO11m	PyTorch	FP32	✅	38.8	0.6262	277.24
YOLO11m	OpenVINO	FP32	✅	77.1	0.6301	19.41
YOLO11m	OpenVINO	INT8	✅	20.2	0.6124	18.26
YOLO11l	PyTorch	FP32	✅	49.0	0.6361	348.97
YOLO11l	OpenVINO	FP32	✅	97.3	0.6362	23.70
YOLO11l	OpenVINO	INT8	✅	25.7	0.6240	21.40
YOLO11x	PyTorch	FP32	✅	109.3	0.6984	666.07
YOLO11x	OpenVINO	FP32	✅	217.8	0.6892	43.91
YOLO11x	OpenVINO	INT8	✅	55.9	0.6890	34.04

Intel® Core™ Ultra™ 7 265K

المعايير

وحدة معالجة الرسوميات Intel® Arc™ GPU مدمجةIntel® Arrow Lake CPUوحدة المعالجة العصبية Intel® AI Boost NPU مدمجة

نتائج معيارية تفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميجابايت)	metrics/mAP50-95(B)	وقت الاستدلال (مللي ثانية / صورة)
YOLO11n	PyTorch	FP32	✅	5.4	0.5072	16.29
YOLO11n	OpenVINO	FP32	✅	10.4	0.5079	13.13
YOLO11n	OpenVINO	INT8	✅	3.3	0.4976	8.86
YOLO11s	PyTorch	FP32	✅	18.4	0.5771	39.61
YOLO11s	OpenVINO	FP32	✅	36.4	0.5808	18.26
YOLO11s	OpenVINO	INT8	✅	9.8	0.5726	13.24
YOLO11m	PyTorch	FP32	✅	38.8	0.6258	100.65
YOLO11m	OpenVINO	FP32	✅	77.1	0.6310	43.50
YOLO11m	OpenVINO	INT8	✅	20.2	0.6137	20.90
YOLO11l	PyTorch	FP32	✅	49.0	0.6367	131.37
YOLO11l	OpenVINO	FP32	✅	97.3	0.6371	54.52
YOLO11l	OpenVINO	INT8	✅	25.7	0.6226	27.36
YOLO11x	PyTorch	FP32	✅	109.3	0.6990	212.45
YOLO11x	OpenVINO	FP32	✅	217.8	0.6884	112.76
YOLO11x	OpenVINO	INT8	✅	55.9	0.6900	52.06

نتائج معيارية تفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميجابايت)	metrics/mAP50-95(B)	وقت الاستدلال (مللي ثانية / صورة)
YOLO11n	PyTorch	FP32	✅	5.4	0.5072	16.29
YOLO11n	OpenVINO	FP32	✅	10.4	0.5077	15.04
YOLO11n	OpenVINO	INT8	✅	3.3	0.4980	11.60
YOLO11s	PyTorch	FP32	✅	18.4	0.5771	39.61
YOLO11s	OpenVINO	FP32	✅	36.4	0.5782	33.45
YOLO11s	OpenVINO	INT8	✅	9.8	0.5745	20.64
YOLO11m	PyTorch	FP32	✅	38.8	0.6258	100.65
YOLO11m	OpenVINO	FP32	✅	77.1	0.6307	81.15
YOLO11m	OpenVINO	INT8	✅	20.2	0.6172	44.63
YOLO11l	PyTorch	FP32	✅	49.0	0.6367	131.37
YOLO11l	OpenVINO	FP32	✅	97.3	0.6409	103.77
YOLO11l	OpenVINO	INT8	✅	25.7	0.6240	58.00
YOLO11x	PyTorch	FP32	✅	109.3	0.6990	212.45
YOLO11x	OpenVINO	FP32	✅	217.8	0.6900	208.37
YOLO11x	OpenVINO	INT8	✅	55.9	0.6897	113.04

نتائج معيارية تفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميجابايت)	metrics/mAP50-95(B)	وقت الاستدلال (مللي ثانية / صورة)
YOLO11n	PyTorch	FP32	✅	5.4	0.5072	16.29
YOLO11n	OpenVINO	FP32	✅	10.4	0.5075	8.02
YOLO11n	OpenVINO	INT8	✅	3.3	0.3656	9.28
YOLO11s	PyTorch	FP32	✅	18.4	0.5771	39.61
YOLO11s	OpenVINO	FP32	✅	36.4	0.5801	13.12
YOLO11s	OpenVINO	INT8	✅	9.8	0.5686	13.12
YOLO11m	PyTorch	FP32	✅	38.8	0.6258	100.65
YOLO11m	OpenVINO	FP32	✅	77.1	0.6310	29.88
YOLO11m	OpenVINO	INT8	✅	20.2	0.6111	26.32
YOLO11l	PyTorch	FP32	✅	49.0	0.6367	131.37
YOLO11l	OpenVINO	FP32	✅	97.3	0.6356	37.08
YOLO11l	OpenVINO	INT8	✅	25.7	0.6245	30.81
YOLO11x	PyTorch	FP32	✅	109.3	0.6990	212.45
YOLO11x	OpenVINO	FP32	✅	217.8	0.6894	68.48
YOLO11x	OpenVINO	INT8	✅	55.9	0.6417	49.76

Intel® Arc GPU

تُعد Intel® Arc™ خطًا من بطاقات الرسومات المنفصلة من Intel مصممة للألعاب عالية الأداء وإنشاء المحتوى وأحمال عمل الذكاء الاصطناعي. تتميز سلسلة Arc ببنى GPU متقدمة تدعم تتبع الأشعة في الوقت الفعلي والرسومات المحسّنة بالذكاء الاصطناعي والألعاب عالية الدقة. مع التركيز على الأداء والكفاءة، تهدف Intel® Arc™ إلى منافسة العلامات التجارية الرائدة الأخرى في مجال GPU مع توفير ميزات فريدة مثل ترميز AV1 المسرّع بالأجهزة ودعم أحدث واجهات برمجة تطبيقات الرسومات.

تعمل المقاييس المرجعية أدناه على Intel Arc A770 و Intel Arc B580 بدقة FP32 و INT8.

Intel Arc A770

Intel Arc B580

إعادة إنتاج نتائجنا

لإعادة إنتاج معايير Ultralytics المذكورة أعلاه على جميع صيغ التصدير، قم بتشغيل هذا الكود:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml")

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all export formats
yolo benchmark model=yolo11n.pt data=coco128.yaml

الخلاصة

توضح نتائج المقارنة المعيارية بوضوح فوائد تصدير نموذج YOLO11 إلى تنسيق OpenVINO. عبر النماذج المختلفة والمنصات الصلبة، يتفوق تنسيق OpenVINO باستمرار على التنسيقات الأخرى من حيث سرعة الاستدلال مع الحفاظ على دقة مماثلة.

تؤكد المعايير فعالية OpenVINO كأداة لنشر نماذج التعلم العميق. من خلال تحويل النماذج إلى تنسيق OpenVINO، يمكن للمطورين تحقيق تحسينات كبيرة في الأداء، مما يسهل نشر هذه النماذج في تطبيقات العالم الحقيقي.

لمزيد من المعلومات التفصيلية والإرشادات حول استخدام OpenVINO، راجع وثائق OpenVINO الرسمية.

الأسئلة الشائعة

كيف يمكنني تصدير نماذج YOLO11 إلى تنسيق OpenVINO؟

يمكن أن يؤدي تصدير نماذج YOLO11 إلى تنسيق OpenVINO إلى تحسين سرعة وحدة المعالجة المركزية (CPU) بشكل كبير وتمكين تسريع وحدة معالجة الرسومات (GPU) ووحدة المعالجة العصبية (NPU) على أجهزة Intel. للتصدير، يمكنك استخدام Python أو CLI كما هو موضح أدناه:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model
model.export(format="openvino")  # creates 'yolo11n_openvino_model/'

# Export a YOLO11n PyTorch model to OpenVINO format
yolo export model=yolo11n.pt format=openvino # creates 'yolo11n_openvino_model/'

لمزيد من المعلومات، راجع وثائق تنسيقات التصدير.

ما هي فوائد استخدام OpenVINO مع نماذج YOLO11؟

يوفر استخدام مجموعة أدوات OpenVINO من Intel مع نماذج YOLO11 العديد من المزايا:

1. الأداء: حقق تسريعًا يصل إلى 3x في استنتاج وحدة المعالجة المركزية (CPU) واستفد من وحدات معالجة الرسومات (GPU) ووحدات المعالجة العصبية (NPU) من Intel للتسريع.
2. محسِّن النموذج (Model Optimizer): قم بتحويل النماذج وتحسينها وتنفيذها من الأطر الشائعة مثل PyTorch و TensorFlow و ONNX.
3. سهولة الاستخدام: يتوفر أكثر من 80 دفترًا تعليميًا لمساعدة المستخدمين على البدء، بما في ذلك دفاتر خاصة بـ YOLO11.
4. تنفيذ غير متجانس: نشر النماذج على أجهزة Intel المختلفة بواجهة برمجة تطبيقات موحدة.

للحصول على مقارنات تفصيلية للأداء، تفضل بزيارة قسم المعايير الخاص بنا.

كيف يمكنني تشغيل الاستدلال باستخدام نموذج YOLO11 تم تصديره إلى OpenVINO؟

بعد تصدير نموذج YOLO11n إلى تنسيق OpenVINO، يمكنك تشغيل الاستدلال باستخدام Python أو CLI:

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")

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

# Run inference with the exported model
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg'

راجع وثائق وضع التنبؤ لمزيد من التفاصيل.

لماذا يجب علي اختيار Ultralytics YOLO11 على النماذج الأخرى لتصدير OpenVINO؟

تم تحسين Ultralytics YOLO11 للكشف عن الكائنات في الوقت الفعلي بدقة وسرعة عالية. على وجه التحديد، عند دمجه مع OpenVINO، يوفر YOLO11:

• تسريع يصل إلى 3 أضعاف على وحدات المعالجة المركزية Intel
• نشر سلس على وحدات معالجة الرسوميات (GPU) ووحدات المعالجة العصبية (NPU) من Intel
• دقة متسقة وقابلة للمقارنة عبر تنسيقات التصدير المختلفة

لتحليل متعمق للأداء، تحقق من معايير YOLO11 التفصيلية الخاصة بنا على أجهزة مختلفة.

هل يمكنني قياس أداء نماذج YOLO11 على تنسيقات مختلفة مثل PyTorch و ONNX و OpenVINO؟

نعم، يمكنك قياس أداء نماذج YOLO11 بتنسيقات مختلفة بما في ذلك PyTorch و TorchScript و ONNX و OpenVINO. استخدم مقتطف التعليمات البرمجية التالي لتشغيل المقاييس على مجموعة البيانات التي اخترتها:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and [accuracy](https://www.ultralytics.com/glossary/accuracy) on the COCO8 dataset for all export formats
results = model.benchmark(data="coco8.yaml")

# Benchmark YOLO11n speed and accuracy on the COCO8 dataset for all export formats
yolo benchmark model=yolo11n.pt data=coco8.yaml

للحصول على نتائج معيارية مفصلة، راجع قسم المعايير ووثائق تنسيقات التصدير الخاصة بنا.

📅 تم إنشاؤها منذ 2 سنوات مضت ✏️ تم التحديث منذ 2 أشهر

تعليقات