Link to this sectionBenchmarking de modelos com Ultralytics YOLO#

Link to this sectionVisualização de Benchmark#

Link to this sectionIntrodução#

Uma vez que o seu modelo esteja treinado e validado, o próximo passo lógico é avaliar o seu desempenho em vários cenários do mundo real. O modo Benchmark no Ultralytics YOLO26 serve este propósito ao fornecer uma estrutura robusta para avaliar a velocidade e a precisão do seu modelo através de uma variedade de formatos de exportação.

Link to this sectionPor que o Benchmarking é Crucial?#

• Decisões Informadas: Obtenha insights sobre os compromissos entre velocidade e precisão.
• Alocação de Recursos: Entenda como diferentes formatos de exportação funcionam em diferentes hardwares.
• Otimização: Aprenda qual formato de exportação oferece o melhor desempenho para o seu caso de uso específico.
• Eficiência de Custos: Faça um uso mais eficiente dos recursos de hardware com base nos resultados dos benchmarks.

Link to this sectionPrincipais Métricas no Modo Benchmark#

• mAP50-95: Para detecção de objetos, segmentação e estimativa de pose.
• accuracy_top1: Para classificação de imagem.
• Tempo de Inferência: Tempo gasto para cada imagem em milissegundos.

Link to this sectionFormatos de Exportação Suportados#

• ONNX: Para desempenho ideal em CPU
• TensorRT: Para eficiência máxima em GPU
• OpenVINO: Para otimização de hardware Intel
• CoreML, TensorFlow SavedModel, e mais: Para diversas necessidades de implantação.

Link to this sectionExemplos de uso#

pip install ultralytics[export]

Execute benchmarks do YOLO26n em todos os formatos de exportação suportados (ONNX, TensorRT, etc.). Veja a seção Argumentos abaixo para uma lista completa de opções de exportação.

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 sectionArgumentos#

Argumentos como model, data, imgsz, half, device, verbose e format oferecem aos usuários a flexibilidade de ajustar os benchmarks às suas necessidades específicas e comparar o desempenho de diferentes formatos de exportação com facilidade.

Link to this sectionFormatos de Exportação#

Os benchmarks tentarão ser executados automaticamente em todos os possíveis formatos de exportação listados abaixo. Alternativamente, você pode executar benchmarks para um formato específico usando o argumento format, que aceita qualquer um dos formatos mencionados abaixo.

Veja detalhes completos de export na página Export.

Link to this sectionFAQ#

Link to this sectionComo posso avaliar o desempenho do meu modelo YOLO26 usando a Ultralytics?#

O YOLO26 da Ultralytics oferece um modo de Benchmark para avaliar o desempenho do seu modelo em diferentes formatos de exportação. Este modo fornece insights sobre métricas chave como mean Average Precision (mAP50-95), precisão e tempo de inferência em milissegundos. Para executar benchmarks, você pode usar comandos Python ou CLI. Por exemplo, para executar o benchmark em uma GPU:

from ultralytics.utils.benchmarks import benchmark

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

Para mais detalhes sobre argumentos de benchmark, visite a seção Arguments.

Link to this sectionQuais são os benefícios de exportar modelos YOLO26 para diferentes formatos?#

Exportar modelos YOLO26 para diferentes formatos como ONNX, TensorRT e OpenVINO permite que você otimize o desempenho com base no seu ambiente de implantação. Por exemplo:

• ONNX: Proporciona até 3x de aceleração na CPU.
• TensorRT: Oferece até 5x de aceleração na GPU.
• OpenVINO: Especificamente otimizado para hardware da Intel.

Esses formatos aprimoram tanto a velocidade quanto a precisão dos seus modelos, tornando-os mais eficientes para diversas aplicações do mundo real. Visite a página Export para detalhes completos.

Link to this sectionPor que o benchmarking é crucial na avaliação de modelos YOLO26?#

Realizar o benchmark dos seus modelos YOLO26 é essencial por várias razões:

• Decisões Informadas: Entenda os compromissos 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 de hardware com base nos resultados do benchmark.

Métricas chave como mAP50-95, precisão Top-1 e tempo de inferência ajudam a realizar essas avaliações. Consulta a secção Key Metrics para mais informações.

Link to this sectionQuais formatos de exportação são suportados pelo YOLO26 e quais são suas vantagens?#

O YOLO26 suporta uma variedade de formatos de exportação, cada um adaptado para hardware e casos de uso específicos:

• ONNX: Melhor para desempenho em CPU.
• TensorRT: Ideal para eficiência em GPU.
• OpenVINO: Otimizado para hardware da Intel.
• CoreML & TensorFlow: Úteis para iOS e aplicações gerais de ML.

Para uma lista completa de formatos suportados e suas respectivas vantagens, confira a seção Supported Export Formats.

Link to this sectionQuais argumentos posso usar para ajustar meus benchmarks do YOLO26?#

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 um arquivo YAML que define o conjunto de dados (por exemplo, "coco8.yaml").
• imgsz: O tamanho da imagem de entrada, seja como um único número inteiro ou uma tupla.
• half: Habilita inferência FP16 para melhor desempenho.
• int8: Ativa a quantização INT8 para dispositivos de borda (edge).
• device: Especifica o dispositivo de computação (por exemplo, "cpu", "cuda:0").
• verbose: Controla o nível de detalhe dos registros (logs).

Para uma lista completa de argumentos, consulte a seção Arguments.