Benchmarking del modello con Ultralytics YOLO

Visualizzazione dei benchmark

Introduzione

Una volta che il modello è stato addestrato e convalidato, il passo logico successivo è quello di valutarne le prestazioni in vari scenari reali. La modalità Benchmark di Ultralytics YOLO11 serve a questo scopo, fornendo un quadro solido per valutare la velocità e l'accuratezza del modello in una serie di formati di esportazione.

Guarda: Ultralytics Esercitazione sulle modalità: Benchmark

Perché il benchmarking è cruciale?

• Decisioni informate: Acquisizione di informazioni sui compromessi tra velocità e precisione.
• Allocazione delle risorse: Capire come si comportano i diversi formati di esportazione su hardware diversi.
• Ottimizzazione: Scoprite quale formato di esportazione offre le migliori prestazioni per il vostro caso d'uso specifico.
• Efficienza dei costi: Uso più efficiente delle risorse hardware in base ai risultati dei benchmark.

Metriche chiave in modalità Benchmark

• mAP50-95: Per il rilevamento, la segmentazione e la stima della posa degli oggetti.
• accuracy_top5: per la classificazione delle immagini.
• Tempo di inferenza: tempo impiegato per ogni immagine in millisecondi.

Formati di esportazione supportati

• ONNX: Per prestazioni ottimali CPU
• TensorRT: Per la massima efficienza di GPU
• OpenVINO: Per l'ottimizzazione dell'hardware di Intel
• CoreML, TensorFlow SavedModel , e altro ancora: Per diverse esigenze di implementazione.

Esempi di utilizzo

Esegue i benchmark di YOLO11n su tutti i formati di esportazione supportati, compresi ONNX, TensorRT ecc. Per un elenco completo degli argomenti di esportazione, vedere la sezione Argomenti.

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Argomenti

Argomenti come model, data, imgsz, half, device, e verbose offrono agli utenti la flessibilità necessaria per adattare i benchmark alle loro esigenze specifiche e per confrontare facilmente le prestazioni di diversi formati di esportazione.

Formati di esportazione

I benchmark tenteranno di essere eseguiti automaticamente su tutti i possibili formati di esportazione indicati di seguito.

Vedi tutto export dettagli nel Esportazione pagina.

FAQ

Come si fa a fare un benchmark delle prestazioni del modello YOLO11 utilizzando Ultralytics?

Ultralytics YOLO11 offre una modalità Benchmark per valutare le prestazioni del modello in diversi formati di esportazione. Questa modalità fornisce informazioni su metriche chiave come la precisione media (mAP50-95), l'accuratezza e il tempo di inferenza in millisecondi. Per eseguire i benchmark, si possono usare i comandi Python o CLI . Ad esempio, per eseguire un benchmark su GPU:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Per maggiori dettagli sugli argomenti dei benchmark, visitate la sezione Argomenti.

Quali sono i vantaggi dell'esportazione dei modelli YOLO11 in diversi formati?

L'esportazione dei modelli YOLO11 in diversi formati, come ONNX, TensorRT e OpenVINO , consente di ottimizzare le prestazioni in base all'ambiente di distribuzione. Ad esempio:

• ONNX: Fornisce una velocità fino a 3 volte superiore a CPU .
• TensorRT: Offre una velocità fino a 5 volte superiore a GPU .
• OpenVINO: Ottimizzati specificamente per l'hardware di Intel . Questi formati migliorano la velocità e l'accuratezza dei modelli, rendendoli più efficienti per varie applicazioni reali. Per maggiori dettagli, visitare la pagina Esportazione.

Perché il benchmarking è fondamentale per valutare i modelli di YOLO11 ?

Il benchmarking dei modelli YOLO11 è essenziale per diversi motivi:

• Decisioni informate: Comprendere i compromessi tra velocità e precisione.
• Allocazione delle risorse: Valutare le prestazioni tra le diverse opzioni hardware.
• Ottimizzazione: Determinare il formato di esportazione che offre le migliori prestazioni per casi d'uso specifici.
• Efficienza dei costi: Ottimizzare l'uso dell'hardware in base ai risultati dei benchmark. Metriche chiave come mAP50-95, accuratezza Top-5 e tempo di inferenza aiutano a fare queste valutazioni. Per ulteriori informazioni, consultare la sezione Metriche chiave.

Quali sono i formati di esportazione supportati da YOLO11 e quali sono i loro vantaggi?

YOLO11 supporta una varietà di formati di esportazione, ognuno dei quali è stato adattato a hardware e casi d'uso specifici:

• ONNX: Il migliore per le prestazioni di CPU .
• TensorRT: Ideale per l'efficienza di GPU .
• OpenVINO: Ottimizzato per l'hardware di Intel .
• CoreML & TensorFlow: Utile per iOS e per le applicazioni ML in generale. Per un elenco completo dei formati supportati e dei rispettivi vantaggi, consultare la sezione Formati di esportazione supportati.

Quali argomenti si possono usare per mettere a punto i benchmark di YOLO11 ?

Quando si eseguono i benchmark, è possibile personalizzare diversi argomenti per soddisfare esigenze specifiche:

• modello: Percorso del file del modello (ad esempio, "yolo11n.pt").
• dati: Percorso di un file YAML che definisce il set di dati (ad esempio, "coco8.yaml").
• imgsz: la dimensione dell'immagine di ingresso, come singolo numero intero o come tupla.
• metà: Abilita l'inferenza FP16 per ottenere prestazioni migliori.
• int8: attiva la quantizzazione INT8 per i dispositivi edge.
• dispositivo: Specificare il dispositivo di calcolo (ad esempio, "cpu", "cuda:0").
• verboso: Controlla il livello di dettaglio della registrazione. Per un elenco completo degli argomenti, consultare la sezione Argomenti.

📅C reato 1 anno fa ✏️ Aggiornato 2 giorni fa

Commenti