Benchmark dei modelli con Ultralytics YOLO#

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 la precisione media media (mAP50-95), l'accuratezza e il tempo di inferenza in millisecondi. Per eseguire i benchmark, puoi utilizzare comandi Python o da riga di comando (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, device=0)

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

L'esportazione dei modelli YOLO26 in formati diversi come ONNX, TensorRT e OpenVINO consente di ottimizzare le prestazioni in base al tuo ambiente di distribuzione. Ad esempio:

• ONNX: Offre un'accelerazione della CPU fino a 3 volte.
• TensorRT: Offre un'accelerazione della GPU fino a 5 volte.
• OpenVINO: Specificamente ottimizzato per l'hardware Intel.

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

Il benchmarking dei tuoi modelli YOLO26 è essenziale per diversi motivi:

• Decisioni informate: Comprendi i compromessi tra velocità e accuratezza.
• Allocazione delle risorse: Misura 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 dei benchmark.

Metriche chiave come mAP50-95, accuratezza Top-1 e tempo di inferenza aiutano a effettuare queste valutazioni. Fa' riferimento alla sezione Metriche chiave per ulteriori informazioni.

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

• ONNX: Ideale per le prestazioni della CPU.
• TensorRT: Ideale per l'efficienza della GPU.
• OpenVINO: Ottimizzato per l'hardware Intel.
• CoreML e TensorFlow: Utili per iOS e applicazioni di machine learning generali.

Per un elenco completo dei formati supportati e dei rispettivi vantaggi, controlla la sezione Formati di esportazione supportati.

Durante l'esecuzione dei benchmark, è possibile personalizzare diversi argomenti per soddisfare esigenze specifiche:

• model: Percorso del file del modello (ad esempio, "yolo26n.pt").
• data: Percorso del file YAML del dataset (ad esempio, "coco8.yaml"); la classificazione richiede invece una directory del dataset o il nome di un dataset integrato (ad esempio, imagenet10).
• imgsz: La dimensione dell'immagine di input quadrata come singolo intero, ad esempio 640. La modalità Benchmark utilizza la stessa dimensione di immagine quadrata sia in PyTorch che nei formati esportati per un confronto equo.
• quantize: Precisione richiesta: 16 per FP16, 8 per INT8 (utile per dispositivi edge); 32/non impostato è FP32 laddove il formato lo supporta — un formato che non può esportare in FP32 rifiuta un esplicito 32 o ripiega sulla precisione richiesta. La riga nativa PyTorch non viene esportata: solo 16 la influenza, selezionando l'inferenza FP16, mentre 8, 32 e il valore non impostato eseguono FP32. Ciascun formato esegue quindi l'inferenza alla propria precisione di runtime.
• device: Specifica il dispositivo di calcolo (ad esempio, "cpu", "cuda:0").
• verbose: Controlla il livello di dettaglio dei log.

Per un elenco completo degli argomenti, fa' riferimento alla sezione Argomenti.