Analyse comparative des modèles avec Ultralytics YOLO

Introduction

Une fois ton modèle formé et validé, la prochaine étape logique consiste à évaluer ses performances dans divers scénarios du monde réel. Le mode Benchmark de Ultralytics YOLOv8 répond à cet objectif en fournissant un cadre solide pour évaluer la vitesse et la précision de ton modèle dans toute une série de formats d'exportation.

Regarde : Ultralytics Tutoriel sur les modes : Benchmark

Pourquoi l'analyse comparative est-elle cruciale ?

• Des décisions éclairées : Apprends à connaître les compromis entre la vitesse et la précision.
• Allocation des ressources : Comprendre comment les différents formats d'exportation se comportent sur différents matériels.
• Optimisation : Apprends quel format d'exportation offre les meilleures performances pour ton cas d'utilisation spécifique.
• Rentabilité : Utilise plus efficacement les ressources matérielles en fonction des résultats des analyses comparatives.

Métriques clés en mode benchmark

• mAP50-95 : Pour la détection d'objets, la segmentation et l'estimation de la pose.
• accuracy_top5 : Pour la classification des images.
• Temps d'inférence : temps pris pour chaque image en millisecondes.

Formats d'exportation pris en charge

• ONNX: Pour une performance optimale CPU
• TensorRT: Pour une efficacité maximale GPU
• OpenVINO: Pour l'optimisation du matériel Intel
• CoreML, TensorFlow SavedModel , et plus encore : Pour divers besoins de déploiement.

Exemples d'utilisation

Exécute les tests YOLOv8n sur tous les formats d'exportation pris en charge, y compris ONNX, TensorRT , etc. Voir la section Arguments ci-dessous pour une liste complète des arguments d'exportation.

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

Arguments

Des arguments tels que model, data, imgsz, half, deviceet verbose offrent aux utilisateurs la possibilité d'adapter les repères à leurs besoins spécifiques et de comparer facilement les performances des différents formats d'exportation.

Formats d'exportation

Les tests tenteront de s'exécuter automatiquement sur tous les formats d'exportation possibles ci-dessous.

Voir l'intégralité export détails dans le Exporter page.

FAQ

Comment puis-je évaluer les performances de mon modèle YOLOv8 à l'aide de Ultralytics?

Ultralytics YOLOv8 propose un mode Benchmark pour évaluer les performances de ton modèle dans différents formats d'exportation. Ce mode fournit des informations sur des paramètres clés tels que la précision moyenne (mAP50-95), la précision et le temps d'inférence en millisecondes. Pour effectuer des analyses comparatives, tu peux utiliser les commandes Python ou CLI . Par exemple, pour effectuer une analyse comparative sur un site GPU:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

Pour plus de détails sur les arguments du benchmark, visite la section Arguments.

Quels sont les avantages de l'exportation des modèles YOLOv8 vers différents formats ?

L'exportation des modèles YOLOv8 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: Permet d'accélérer jusqu'à 3 fois CPU .
• TensorRT: Offre jusqu'à 5 fois la vitesse de 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 d'exportation pour plus de détails.

Pourquoi le benchmarking est-il crucial dans l'évaluation des modèles YOLOv8 ?

L'analyse comparative de tes modèles YOLOv8 est essentielle pour plusieurs raisons :

• Décisions éclairées : Comprendre les compromis entre la vitesse et la précision.
• Allocation des ressources : Évalue les performances des différentes options matérielles.
• Optimisation : Détermine le format d'exportation qui offre les meilleures performances pour des cas d'utilisation spécifiques.
• Rentabilité : Optimise l'utilisation du matériel en fonction des résultats de l'analyse comparative. Des mesures clés telles que mAP50-95, la précision Top-5 et le temps d'inférence aident à faire ces évaluations. Reporte-toi à la section Mesures clés pour plus d'informations.

Quels sont les formats d'exportation pris en charge par YOLOv8, et quels sont leurs avantages ?

YOLOv8 prend en charge une variété de formats d'exportation, chacun adapté à un matériel et à des cas d'utilisation spécifiques :

• ONNX: Meilleur pour CPU performance.
• TensorRT: Idéal pour GPU l'efficacité.
• OpenVINO: Optimisé pour le matériel Intel .
• CoreML & TensorFlow: Utile pour iOS et les applications ML générales. Pour obtenir une liste complète des formats pris en charge et de leurs avantages respectifs, consulte la section Formats d'exportation pris en charge.

Quels arguments puis-je utiliser pour affiner mes repères sur YOLOv8 ?

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

• modèle : Chemin d'accès au fichier du modèle (par exemple, "yolov8n.pt ").
• data : Chemin d'accès à un fichier YAML définissant l'ensemble de données (par exemple, "coco8.yaml").
• imgsz : La taille de l'image d'entrée, soit sous forme d'un seul entier, soit sous forme d'un tuple.
• moitié : Active l'inférence FP16 pour de meilleures performances.
• int8 : Active la quantification INT8 pour les périphériques de bord.
• device : Spécifie le dispositif de calcul (par exemple, "cpu", "cuda:0 ").
• verbose : Contrôle le niveau de détail de la journalisation. Pour obtenir la liste complète des arguments, reporte-toi à la section Arguments.

Commentaires