コンテンツへスキップ

モデル・ベンチマークUltralytics YOLO

Ultralytics YOLO エコシステムと統合

ベンチマークの可視化

ブラウザの更新

クッキーの問題が発生する可能性があるため、グラフを正しく表示するにはページを更新する必要があります。











はじめに

モデルの学習と検証が完了したら、次の論理的なステップは、さまざまな実世界のシナリオでそのパフォーマンスを評価することです。Ultralytics YOLO11のベンチマークモードは、様々なエクスポートフォーマットでモデルのスピードと精度を評価するための堅牢なフレームワークを提供することで、この目的に役立ちます。



見るんだ： Ultralytics モードのチュートリアルベンチマーク

なぜベンチマーキングが重要なのか？

  • 情報に基づいた決断：スピードと精度のトレードオフに関する洞察を得る。
  • リソースの割り当て：異なるエクスポート・フォーマットが異なるハードウェア上でどのように動作するかを理解する。
  • 最適化：特定のユースケースに最適なパフォーマンスを提供するエクスポート形式をご覧ください。
  • コスト効率：ベンチマークの結果に基づき、ハードウェアリソースをより効率的に使用します。

ベンチマークモードでの主要指標

  • mAP50-95： 物体検出、セグメンテーション、姿勢推定用。
  • accuracy_top5： 画像分類用。
  • 推論時間：各画像にかかった時間（ミリ秒単位）。

対応エクスポート形式

  • ONNX:最適なCPU
  • TensorRT: GPU 効率を最大化する
  • OpenVINO: Intel ハードウェアの最適化
  • CoreML TensorFlow SavedModel など：多様な配備ニーズに対応

チップ

  • ONNX またはOpenVINO にエクスポートして、CPU を最大3倍高速化。
  • TensorRT にエクスポートして、GPU を最大5倍高速化。

使用例

YOLO11n ベンチマークを、ONNX 、TensorRT など、サポートされているすべてのエクスポートフォーマットで実行します。エクスポート引数の完全なリストについては、以下の引数のセクションを参照してください。

例

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

議論

などの議論がある。 model, data, imgsz, half, deviceそして verbose は、ベンチマークを特定のニーズに合わせて微調整し、異なるエクスポート形式のパフォーマンスを簡単に比較できる柔軟性をユーザーに提供します。

キーデフォルト値説明
modelNoneモデルファイルへのパスを指定します。以下の両方を受け入れます。 .pt そして .yaml などの形式がある、 "yolo11n.pt" 訓練済みモデルや設定ファイル
dataNoneベンチマーク用のデータセットを定義するYAMLファイルへのパス。 検証データ.例 "coco8.yaml".
imgsz640モデルの入力画像サイズ。正方形画像の場合は1つの整数，正方形画像の場合は1つのタプルになります． (width, height) 非正方形の場合、 (640, 480).
halfFalseFP16（半精度）推論を有効にし、メモリ使用量を削減し、互換性のあるハードウェアでは速度を向上させることができる。使用方法 half=True を有効にする。
int8FalseINT8 量子化を有効にすることで、サポートされているデバイスのパフォーマンスがさらに最適化されます。設定 int8=True を使用する。
deviceNoneベンチマーク用の計算デバイスを定義します。 "cpu" または "cuda:0".
verboseFalseロギング出力の詳細レベルを制御する。ブール値。 verbose=True は詳細なログを、float は閾値エラーを表示する。

輸出フォーマット

ベンチマークは、以下のすべての可能なエクスポートフォーマットで自動的に実行されます。

フォーマットformat 議論モデルメタデータ議論
PyTorch-yolo11n.pt✅-
TorchScripttorchscriptyolo11n.torchscript✅imgsz, optimize, batch
ONNXonnxyolo11n.onnx✅imgsz, half, dynamic, simplify, opset, batch
OpenVINOopenvinoyolo11n_openvino_model/✅imgsz, half, int8, batch
TensorRTengineyolo11n.engine✅imgsz, half, dynamic, simplify, workspace, int8, batch
CoreMLcoremlyolo11n.mlpackage✅imgsz, half, int8, nms, batch
TF SavedModelsaved_modelyolo11n_saved_model/✅imgsz, keras, int8, batch
TF GraphDefpbyolo11n.pb❌imgsz, batch
TF ライトtfliteyolo11n.tflite✅imgsz, half, int8, batch
TF エッジTPUedgetpuyolo11n_edgetpu.tflite✅imgsz
TF.jstfjsyolo11n_web_model/✅imgsz, half, int8, batch
PaddlePaddlepaddleyolo11n_paddle_model/✅imgsz, batch
MNNmnnyolo11n.mnn✅imgsz, batch, int8, half
NCNNncnnyolo11n_ncnn_model/✅imgsz, half, batch
IMX500imxyolo11n_imx_model/✅imgsz, int8

詳細を見る export 詳細は 輸出 ページを参照されたい。

よくあるご質問

Ultralytics 、YOLO11モデルの性能をベンチマークするには？

Ultralytics YOLO11には、さまざまなエクスポート形式でモデルのパフォーマンスを評価するベンチマークモードがあります。このモードでは、平均平均精度（mAP50-95）、精度、推論時間（ミリ秒）などの主要なメトリクスに関する洞察を得ることができます。ベンチマークを実行するには、Python またはCLI コマンドを使用します。たとえば、GPU でベンチマークを実行するには、 コマンドを使用します：

例

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

ベンチマークの引数の詳細については、引数のセクションをご覧ください。

YOLO11モデルを異なるフォーマットにエクスポートする利点は何ですか？

YOLO11モデルをONNX 、TensorRT 、OpenVINO などの異なるフォーマットにエクスポートすることで、展開環境に応じてパフォーマンスを最適化することができます。例えば

  • ONNX: CPU 、最大3倍のスピードアップを実現。
  • TensorRT: GPU 、最大5倍のスピードアップを実現。
  • OpenVINO: Intel ハードウェアに最適化されています。これらのフォーマットは、モデルの速度と精度の両方を向上させ、実世界のさまざまなアプリケーションでより効率的に使用できるようにします。詳細については、エクスポートのページをご覧ください。

YOLO11モデルの評価においてベンチマークが重要なのはなぜか？

YOLO11モデルのベンチマークは、いくつかの理由から不可欠である：

  • 情報に基づいた決断：スピードと精度のトレードオフを理解する。
  • リソースの割り当て：さまざまなハードウェアオプションのパフォーマンスを測定します。
  • 最適化：特定のユースケースに最適なパフォーマンスを提供するエクスポート形式を決定します。
  • コスト効率：ベンチマーク結果に基づいてハードウェアの使用量を最適化。mAP50-95、トップ5精度、推論時間などの主要メトリクスは、これらの評価に役立ちます。詳細については、「主要メトリクス」のセクションを参照してください。

YOLO11がサポートしているエクスポート形式と、その利点は？

YOLO11は、特定のハードウェアやユースケースに合わせた様々なエクスポートフォーマットをサポートしています：

  • ONNX: CPU パフォーマンスに最適。
  • TensorRT: GPU 効率を上げるのに最適。
  • OpenVINO: Intel ハードウェアに最適化。
  • CoreML &TensorFlow:iOS や一般的なMLアプリケーションに便利。サポートされているフォーマットの完全なリストとそれぞれの利点については、サポートされているエクスポートフォーマットのセクションをご覧ください。

YOLO11ベンチマークを微調整するには、どのような引数を使用すればよいですか？

ベンチマークを実行する際、いくつかの引数を特定のニーズに合わせてカスタマイズすることができる：

  • モデル：モデルファイルへのパス（例："yolo11n.pt"）。
  • データ：data: データセットを定義するYAMLファイルへのパス（例："coco8.yaml"）。
  • imgsz:入力画像のサイズ。整数またはタプル。
  • 半分：FP16 推論を有効にしてパフォーマンスを向上。
  • int8:エッジデバイスのINT8量子化を有効にする。
  • デバイスを指定する：計算デバイスを指定する（例： "cpu", "cuda:0"）。
  • 冗長：ロギングの詳細レベルを制御する。引数の完全なリストについては、引数のセクションを参照してください。
📅作成 1年前 ✏️更新：1日前
リズワン・ムナワール Y-T-G ウルトラリティクス・アシスタント グレン・ヨッハー jk4e マシューノイス アンビシャス・オクトパス ブルハンQ 笑q

コメント