Link to this sectionBenchmark dei modelli con Ultralytics YOLO#

Link to this sectionVisualizzazione del benchmark#

Link to this sectionIntroduzione#

Una volta che il tuo modello è addestrato e convalidato, il passo logico successivo è valutarne le prestazioni in vari scenari reali. La modalità benchmark in Ultralytics YOLO26 serve a questo scopo, fornendo un framework robusto per valutare la velocità e l'accuratezza del tuo modello attraverso una serie di formati di esportazione.

Link to this sectionPerché il benchmarking è fondamentale?#

• Decisioni informate: ottieni informazioni sui compromessi tra velocità e accuratezza.
• Allocazione delle risorse: comprendi come i diversi formati di esportazione si comportano su diversi hardware.
• Ottimizzazione: scopri quale formato di esportazione offre le migliori prestazioni per il tuo caso d'uso specifico.
• Efficienza dei costi: utilizza in modo più efficiente le risorse hardware in base ai risultati del benchmark.

Link to this sectionMetriche chiave nella modalità benchmark#

• mAP50-95: per object detection, segmentazione e stima della posa.
• accuracy_top1: Per la classificazione delle immagini.
• Tempo di inferenza: tempo impiegato per ogni immagine in millisecondi.

Link to this sectionFormati di esportazione supportati#

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

Link to this sectionEsempi di Utilizzo#

pip install ultralytics[export]

Esegui i benchmark di YOLO26n su tutti i formati di esportazione supportati (ONNX, TensorRT, ecc.). Vedi la sezione Argomenti qui sotto per un elenco completo delle opzioni di esportazione.

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 sectionArgomenti#

Argomenti come model, data, imgsz, half, device, verbose e format offrono agli utenti la flessibilità di perfezionare i benchmark secondo le proprie esigenze specifiche e confrontare facilmente le prestazioni dei diversi formati di esportazione.

Link to this sectionFormati di esportazione#

I benchmark tenteranno di essere eseguiti automaticamente su tutti i possibili formati di esportazione elencati di seguito. In alternativa, puoi eseguire i benchmark per un formato specifico utilizzando l'argomento format, che accetta uno qualsiasi dei formati menzionati di seguito.

Vedi i dettagli completi dell'export nella pagina Export.

Link to this sectionFAQ#

Link to this sectionCome faccio a testare le prestazioni del mio modello YOLO26 utilizzando Ultralytics?#

Ultralytics YOLO26 offre una modalità Benchmark per valutare le prestazioni del tuo modello su diversi formati di esportazione. Questa modalità fornisce informazioni su metriche chiave come mean Average Precision (mAP50-95), precisione e tempo di inferenza in millisecondi. Per eseguire i benchmark, puoi utilizzare comandi Python o CLI. Ad esempio, per eseguire il benchmark su una GPU:

from ultralytics.utils.benchmarks import benchmark

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

Per maggiori dettagli sugli argomenti dei benchmark, visita la sezione Arguments.

Link to this sectionQuali sono i vantaggi dell'esportazione dei modelli YOLO26 in diversi formati?#

Esportare i modelli YOLO26 in diversi formati come ONNX, TensorRT e OpenVINO ti consente di ottimizzare le prestazioni in base al tuo ambiente di distribuzione. Ad esempio:

• ONNX: Fornisce fino a 3x di velocizzazione su CPU.
• TensorRT: Offre fino a 5x di velocizzazione su GPU.
• OpenVINO: Specificamente ottimizzato per hardware Intel.

Questi formati migliorano sia la velocità che l'accuratezza dei tuoi modelli, rendendoli più efficienti per varie applicazioni reali. Visita la pagina Export per i dettagli completi.

Link to this sectionPerché il benchmarking è fondamentale nella valutazione dei modelli YOLO26?#

Il benchmarking dei tuoi modelli YOLO26 è essenziale per diverse ragioni:

• Decisioni informate: Comprendi i compromessi tra velocità e precisione.
• Allocazione delle risorse: Valuta le prestazioni su diverse opzioni hardware.
• Ottimizzazione: Determina quale formato di esportazione offre le migliori prestazioni per casi d'uso specifici.
• Efficienza dei costi: Ottimizza l'utilizzo dell'hardware in base ai risultati del benchmark.

Metriche chiave come mAP50-95, accuratezza Top-1 e tempo di inferenza aiutano a effettuare queste valutazioni. Consulta la sezione Metriche chiave per maggiori informazioni.

Link to this sectionQuali formati di esportazione sono supportati da YOLO26 e quali sono i loro vantaggi?#

YOLO26 supporta una varietà di formati di esportazione, ognuno su misura per hardware e casi d'uso specifici:

• ONNX: Ideale per le prestazioni su CPU.
• TensorRT: Ideale per l'efficienza su GPU.
• OpenVINO: Ottimizzato per hardware Intel.
• CoreML & TensorFlow: Utili per iOS e applicazioni ML generali.

Per un elenco completo dei formati supportati e i loro rispettivi vantaggi, controlla la sezione Supported Export Formats.

Link to this sectionQuali argomenti posso utilizzare per ottimizzare i miei benchmark YOLO26?#

Quando esegui i benchmark, diversi argomenti possono essere personalizzati per soddisfare esigenze specifiche:

• model: Percorso del file del modello (es. "yolo26n.pt").
• data: Percorso del file YAML che definisce il dataset (es. "coco8.yaml").
• imgsz: La dimensione dell'immagine di input, come singolo intero o tupla.
• half: Abilita l'inferenza FP16 per prestazioni migliori.
• int8: Attiva la quantizzazione INT8 per dispositivi edge.
• device: Specifica il dispositivo di calcolo (es. "cpu", "cuda:0").
• verbose: Controlla il livello di dettaglio del logging.

Per un elenco completo degli argomenti, fai riferimento alla sezione Arguments.