모델 벤치마킹 Ultralytics YOLO

소개

모델이 학습되고 검증되면 다음 논리적 단계는 다양한 실제 시나리오에서 모델의 성능을 평가하는 것입니다. Ultralytics YOLOv8 의 벤치마크 모드는 다양한 내보내기 형식에서 모델의 속도와 정확성을 평가할 수 있는 강력한 프레임워크를 제공하여 이러한 목적을 달성할 수 있습니다.

Watch: Ultralytics 모드 튜토리얼: 벤치마크

벤치마킹이 중요한 이유는 무엇인가요?

• 정보에 기반한 의사 결정: 속도와 정확성 사이의 상충 관계에 대한 인사이트를 얻으세요.
• 리소스 할당: 다양한 하드웨어에서 서로 다른 내보내기 형식이 어떻게 작동하는지 이해합니다.
• 최적화: 특정 사용 사례에 가장 적합한 내보내기 형식을 알아보세요.
• 비용 효율성: 벤치마크 결과를 기반으로 하드웨어 리소스를 보다 효율적으로 활용하세요.

벤치마크 모드의 주요 지표

• mAP50-95: 물체 감지, 세분화 및 포즈 추정용.
• 정확도_top5: 이미지 분류용입니다.
• 추론 시간: 각 이미지에 소요된 시간(밀리초)입니다.

지원되는 내보내기 형식

• ONNX: 최적의 CPU 성능을 위해
• TensorRT: GPU 효율성 극대화
• OpenVINO: 인텔 하드웨어 최적화용
• CoreML, TensorFlow SavedModel , 기타: 다양한 배포 요구사항에 적합합니다.

사용 예

ONNX, TensorRT 등 지원되는 모든 내보내기 형식에서 YOLOv8n 벤치마크를 실행합니다. 내보내기 인수의 전체 목록은 아래의 인수 섹션을 참조하세요.

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

인수

다음과 같은 인수 model, data, imgsz, half, device및 verbose 는 사용자가 특정 요구 사항에 맞게 벤치마크를 미세 조정하고 다양한 내보내기 형식의 성능을 쉽게 비교할 수 있는 유연성을 제공합니다.

내보내기 형식

벤치마크는 아래의 모든 가능한 내보내기 형식에 대해 자동으로 실행을 시도합니다.

전체 보기 export 세부 정보에서 내보내기 페이지로 이동합니다.

댓글