Benchmark de modelos com Ultralytics YOLO#

O Ultralytics YOLO26 oferece um modo de benchmark para avaliar o desempenho do modelo em diferentes formatos de exportação. Esse modo fornece informações sobre métricas importantes, como precisão média (mAP50-95), precisão e tempo de inferência em milissegundos. Para executar benchmarks, você pode usar comandos Python ou CLI. Por exemplo, para executar um benchmark na GPU:

from ultralytics.utils.benchmarks import benchmark

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

Para saber mais sobre os argumentos de benchmark, visite a seção Argumentos.

Exportar modelos YOLO26 para diferentes formatos, como ONNX, TensorRT e OpenVINO, permite otimizar o desempenho de acordo com o ambiente de implantação. Por exemplo:

• ONNX: oferece até 3x mais velocidade na CPU.
• TensorRT: oferece até 5x mais velocidade na GPU.
• OpenVINO: otimizado especificamente para hardware Intel.

Esses formatos melhoram a velocidade de inferência no hardware de destino, tornando seus modelos mais eficientes para diversas aplicações do mundo real. Acesse a página Exportação para ver todos os detalhes.

Executar benchmarks dos seus modelos YOLO26 é essencial por vários motivos:

• Decisões bem embasadas: entenda as vantagens e desvantagens entre velocidade e precisão.
• Alocação de recursos: avalie o desempenho em diferentes opções de hardware.
• Otimização: determine qual formato de exportação oferece o melhor desempenho para casos de uso específicos.
• Eficiência de custos: otimize o uso do hardware com base nos resultados dos benchmarks.

Métricas importantes, como mAP50-95, precisão Top-1 e tempo de inferência, ajudam a fazer essas avaliações. Consulte a seção Principais métricas para saber mais.

O YOLO26 é compatível com diversos formatos de exportação, cada um adaptado a hardwares e casos de uso específicos:

• ONNX: ideal para o desempenho da CPU.
• TensorRT: ideal para a eficiência da GPU.
• OpenVINO: otimizado para hardware Intel.
• CoreML e TensorFlow: úteis para iOS e aplicações de ML em geral.

Para ver a lista completa de formatos compatíveis e suas respectivas vantagens, consulte a seção Formatos de exportação compatíveis.

Ao executar benchmarks, vários argumentos podem ser personalizados para atender a necessidades específicas:

• model: caminho para o arquivo do modelo (por exemplo, "yolo26n.pt").
• data: caminho para o YAML do conjunto de dados (por exemplo, "coco8.yaml"); para classificação, use um diretório do conjunto de dados ou o nome de um conjunto de dados integrado (por exemplo, imagenet10).
• imgsz: tamanho quadrado da imagem de entrada como um único número inteiro, como 640. O modo de benchmark usa o mesmo tamanho quadrado de imagem no PyTorch e nos formatos exportados para permitir uma comparação justa.
• quantize: precisão solicitada: 16 para FP16, 8 para INT8 (útil para dispositivos de borda); 32/não definido usa FP32 quando o formato é compatível — um formato que não pode exportar FP32 rejeita um 32 explícito ou recorre à precisão exigida. A linha nativa do PyTorch não é exportada: apenas 16 afeta essa linha, selecionando a inferência FP16, enquanto 8, 32 e a opção não definida executam FP32. Cada formato executa a inferência com sua própria precisão de execução.
• device: especifica o dispositivo de computação (por exemplo, "cpu", "cuda:0").
• verbose: gera uma exceção em caso de falha do benchmark, em vez de registrá-la; passe um número de ponto flutuante para também exigir que a métrica de cada formato supere esse limite.

Para ver a lista completa de argumentos, consulte a seção Argumentos.