Link to this sectionÉvaluation comparative de modèles avec Ultralytics YOLO#
Link to this sectionVisualisation des benchmarks#
Il est possible que tu doives actualiser la page pour afficher correctement les graphiques en raison de problèmes potentiels de cookies.
Link to this sectionIntroduction#
Une fois ton modèle entraîné et validé, l'étape logique suivante consiste à évaluer ses performances dans divers scénarios réels. Le mode benchmark dans Ultralytics YOLO26 sert cet objectif en fournissant un framework robuste pour évaluer la vitesse et la précision de ton modèle à travers une gamme de formats d'exportation.
Watch: Benchmark Ultralytics YOLO26 Models | How to Compare Model Performance on Different Hardware?
Link to this sectionPourquoi le benchmarking est-il crucial ?#
- Décisions éclairées : Obtiens des informations sur les compromis entre vitesse et précision.
- Allocation des ressources : Comprends comment différents formats d'exportation fonctionnent sur différents matériels.
- Optimisation : Apprends quel format d'exportation offre les meilleures performances pour ton cas d'utilisation spécifique.
- Efficacité des coûts : Utilise plus efficacement les ressources matérielles en fonction des résultats des benchmarks.
Link to this sectionMétriques clés en mode Benchmark#
- mAP50-95 : Pour la détection d'objets, la segmentation et l'estimation de pose.
- accuracy_top1 : Pour la classification d'images.
- Inference Time : Temps pris pour chaque image en millisecondes.
Link to this sectionFormats d'exportation pris en charge#
- ONNX : Pour une performance CPU optimale
- TensorRT : Pour une efficacité GPU maximale
- OpenVINO : Pour l'optimisation sur matériel Intel
- CoreML, TensorFlow SavedModel, et plus : Pour divers besoins de déploiement.
- Exporte vers ONNX ou OpenVINO pour jusqu'à 3x d'accélération CPU.
- Exporte vers TensorRT pour jusqu'à 5x d'accélération GPU.
Link to this sectionExemples d'utilisation#
Installe Ultralytics avec les dépendances d'exportation avant de lancer les benchmarks pour éviter les paquets manquants.
pip install ultralytics[export]Exécute les benchmarks YOLO26n sur tous les formats d'exportation pris en charge (ONNX, TensorRT, etc.). Consulte la section Arguments ci-dessous pour une liste complète des options d'exportation.
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
# Benchmark specific export format
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, format="onnx")Link to this sectionArguments#
Des arguments tels que model, data, imgsz, half, device, verbose et format offrent aux utilisateurs la flexibilité d'ajuster finement les benchmarks à leurs besoins spécifiques et de comparer facilement les performances des différents formats d'exportation.
| Clé | Valeur par défaut | Description |
|---|---|---|
model | None | Spécifie le chemin vers le fichier de modèle. Accepte les formats .pt et .yaml, par exemple "yolo26n.pt" pour les modèles pré-entraînés ou les fichiers de configuration. |
data | None | Chemin vers un fichier YAML définissant le dataset pour le benchmarking, incluant généralement les chemins et paramètres pour les données de validation. Exemple : "coco8.yaml". |
imgsz | 640 | La taille de l'image d'entrée pour le modèle. Doit être un entier unique pour des images carrées (ex: 640) ; benchmark() ne prend en charge que les tailles d'images carrées. |
half | False | Active l'inférence FP16 (demi-précision), réduisant l'utilisation de la mémoire et augmentant potentiellement la vitesse sur le matériel compatible. Utilise half=True pour activer. |
int8 | False | Active la quantification INT8 pour une performance optimisée supplémentaire sur les appareils pris en charge, particulièrement utile pour les appareils de périphérie (edge devices). Définit int8=True pour utiliser. |
device | 'cpu' | Définit le(s) appareil(s) de calcul pour le benchmarking, tel que "cpu" ou "cuda:0". |
verbose | False | Contrôle le niveau de détail dans la sortie de journalisation. Définit verbose=True pour des journaux détaillés. |
format | '' | Teste uniquement le format d'exportation spécifié (ex: format=onnx). Laisse vide pour tester automatiquement chaque format pris en charge. |
Link to this sectionFormats d'exportation#
Les benchmarks tenteront de s'exécuter automatiquement sur tous les formats d'exportation possibles listés ci-dessous. Alternativement, tu peux exécuter des benchmarks pour un format spécifique en utilisant l'argument format, qui accepte l'un des formats mentionnés ci-dessous.
| Format | Argument format | Modèle | Métadonnées | Arguments |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, int8, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn_model/ | ✅ | imgsz, batch, name, int8, data, fraction, device |
Consulte les détails complets de export sur la page Export.
Link to this sectionFAQ#
Link to this sectionComment évaluer les performances de mon modèle YOLO26 avec Ultralytics ?#
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 (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, half=False, device=0)Pour plus de détails sur les arguments de benchmark, visite la section Arguments.
Link to this sectionQuels sont les avantages de l'exportation des modèles YOLO26 vers différents formats ?#
L'exportation des modèles YOLO26 vers différents formats comme ONNX, TensorRT et OpenVINO te permet d'optimiser les performances en fonction de ton environnement de déploiement. Par exemple :
- ONNX : Fournit jusqu'à 3x d'accélération CPU.
- TensorRT : Offre jusqu'à 5x d'accélération 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 réelles. Visite la page Export pour tous les détails.
Link to this sectionPourquoi le benchmarking est-il crucial pour évaluer les modèles YOLO26 ?#
Le benchmarking de tes modèles YOLO26 est essentiel 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 du benchmark.
Des métriques clés comme mAP50-95, la précision Top-1 et le temps d'inférence t'aident à effectuer ces évaluations. Consulte la section Key Metrics pour plus d'informations.
Link to this sectionQuels formats d'exportation sont pris en charge par YOLO26 et quels sont leurs avantages ?#
YOLO26 prend en charge divers formats d'exportation, chacun adapté à du matériel et des cas d'utilisation spécifiques :
- ONNX : Le meilleur pour les performances CPU.
- TensorRT : Idéal pour l'efficacité GPU.
- OpenVINO : Optimisé pour le matériel Intel.
- CoreML & TensorFlow : Utile pour iOS et les applications ML générales.
Pour une liste complète des formats pris en charge et leurs avantages respectifs, consulte la section Supported Export Formats.
Link to this sectionQuels arguments puis-je utiliser pour affiner mes benchmarks YOLO26 ?#
Lors de l'exécution des benchmarks, plusieurs arguments peuvent être personnalisés pour répondre à des besoins spécifiques :
- model : Chemin d'accès vers le fichier du modèle (par exemple, "yolo26n.pt").
- data : Chemin d'accès vers un fichier YAML définissant le jeu de données (par exemple, "coco8.yaml").
- imgsz : La taille de l'image d'entrée, sous forme d'un seul entier ou d'un tuple.
- half : Active l'inférence FP16 pour de meilleures performances.
- int8 : Active la quantification INT8 pour les appareils en périphérie (edge devices).
- device : Spécifie le périphérique de calcul (par exemple, "cpu", "cuda:0").
- verbose : Contrôle le niveau de détail des journaux.
Pour une liste complète des arguments, reporte-toi à la section Arguments.