Évaluation des performances des modèles avec Ultralytics YOLO#

Ultralytics YOLO26 propose un mode Benchmark pour évaluer les performances de ton modèle sur différents formats d'exportation. Ce mode fournit des informations sur des mesures clés telles que la précision moyenne moyenne (mAP50-95), la précision et le temps d'inférence en millisecondes. Pour exécuter des benchmarks, tu peux utiliser Python ou des commandes CLI. Par exemple, pour effectuer un benchmark sur un GPU :

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

Pour plus de détails sur les arguments des benchmarks, visite la section Arguments.

L'exportation des modèles YOLO26 vers différents formats tels que ONNX, TensorRT et OpenVINO te permet d'optimiser les performances en fonction de ton environnement de déploiement. Par exemple :

• ONNX : Fournit jusqu'à 3x plus de vitesse sur CPU.
• TensorRT : Offre jusqu'à 5x plus de vitesse sur GPU.
• OpenVINO : Spécifiquement optimisé pour le matériel Intel.

Ces formats améliorent à la fois la vitesse et la précision de tes modèles, les rendant plus efficaces pour diverses applications concrètes. Consulte la page Export pour tous les détails.

L'évaluation de tes modèles YOLO26 est essentielle pour plusieurs raisons :

• Décisions éclairées : Comprends les compromis entre vitesse et précision.
• Allocation des ressources : Évalue les performances sur différentes options matérielles.
• Optimisation : Détermine quel format d'exportation offre les meilleures performances pour des cas d'utilisation spécifiques.
• Efficacité des coûts : Optimise l'utilisation du matériel en fonction des résultats des benchmarks.

Des métriques clés telles que le mAP50-95, la précision Top-1 et le temps d'inférence aident à réaliser ces évaluations. Consulte la section Key Metrics pour plus d'informations.

YOLO26 prend en charge une variété de formats d'exportation, chacun étant conçu pour un matériel et des cas d'utilisation spécifiques :

• ONNX : Idéal pour les performances du processeur.
• TensorRT : Idéal pour l'efficacité du GPU.
• OpenVINO : Optimisé pour le matériel Intel.
• CoreML & TensorFlow : Utiles pour les applications iOS et d'apprentissage automatique général.

Pour obtenir une liste complète des formats pris en charge et de leurs avantages respectifs, consulte la section Supported Export Formats.

Lors de l'exécution de benchmarks, plusieurs arguments peuvent être personnalisés pour répondre à des besoins spécifiques :

• model : Chemin d'accès au fichier du modèle (par exemple, "yolo26n.pt").
• data : Chemin d'accès au fichier YAML du jeu de données (par exemple, "coco8.yaml") ; la classification prend à la place un répertoire de jeu de données ou un nom de jeu de données intégré (par exemple, imagenet10).
• imgsz : La taille de l'image d'entrée carrée sous forme d'un entier unique, tel que 640. Le mode Benchmark utilise la même taille d'image carrée entre PyTorch et les formats exportés pour une comparaison équitable.
• quantize : Précision demandée : 16 pour FP16, 8 pour INT8 (utile pour les appareils de périphérie) ; 32/non défini correspond à FP32 lorsque le format le prend en charge — un format qui ne peut pas exporter en FP32 rejette un 32 explicite ou revient à la précision requise. La ligne PyTorch native n'est pas exportée : seul 16 l'affecte en sélectionnant l'inférence FP16, tandis que 8, 32 et l'absence de définition exécutent FP32. Chaque format exécute ensuite l'inférence à sa propre précision d'exécution.
• device : Spécifie le périphérique de calcul (par exemple, "cpu", "cuda:0").
• verbose : Contrôle le niveau de détail des journaux.

Pour obtenir une liste complète des arguments, reporte-toi à la section Arguments.