Оптимизация выводов YOLO11 с помощью движка Neural Magic'DeepSparse Engine

При развертывании моделей обнаружения объектов, таких как Ultralytics YOLO11 на различных аппаратных средствах, вы можете столкнуться с такими уникальными проблемами, как оптимизация. Именно здесь на помощь приходит YOLO11'интеграция с Neural Magic'DeepSparse Engine. Она изменяет способ выполнения YOLO11 -моделей и обеспечивает GPU-уровень производительности непосредственно на центральных процессорах.

В этом руководстве показано, как развернуть YOLO11 с помощью Neural Magic'DeepSparse, как запустить выводы, а также как проверить производительность, чтобы убедиться, что она оптимизирована.

Neural Magic'DeepSparse

Neural MagicDeepSparse - это время выполнения вычислений, предназначенное для оптимизации работы нейронных сетей на центральных процессорах. В ней применяются такие передовые методы, как разреженность, обрезка и квантование, что позволяет значительно снизить вычислительные требования при сохранении точности. DeepSparse предлагает гибкое решение для эффективного и масштабируемого выполнения нейронных сетей на различных устройствах.

Преимущества интеграции Neural Magic'DeepSparse с YOLO11

Прежде чем погружаться в то, как развернуть YOLO11 с помощью DeepSparse, давайте разберемся в преимуществах использования DeepSparse. Вот некоторые ключевые преимущества:

• Повышенная скорость вычислений: Достигает 525 кадров в секунду (на YOLO11n), что значительно ускоряет работу YOLO11 с выводами по сравнению с традиционными методами.

• Оптимизированная эффективность модели: Использует обрезку и квантование для повышения эффективности YOLO11, уменьшая размер модели и вычислительные требования при сохранении точности.

• Высокая производительность на стандартных процессорах: Обеспечивает производительность, подобную GPU, на центральных процессорах, предоставляя более доступный и экономичный вариант для различных приложений.

• Оптимизированная интеграция и развертывание: Предлагает удобные инструменты для простой интеграции YOLO11 в приложения, включая функции аннотирования изображений и видео.

• Поддержка различных типов моделей: Совместимость со стандартными и оптимизированными по разреженности моделями YOLO11 обеспечивает гибкость развертывания.

• Экономически эффективное и масштабируемое решение: Сокращает эксплуатационные расходы и обеспечивает масштабируемое развертывание передовых моделей обнаружения объектов.

Как работает технология DeepSparse от Neural Magic?

Neural MagicТехнология Deep Sparse вдохновлена эффективностью человеческого мозга в вычислениях нейронных сетей. Она использует два ключевых принципа работы мозга:

• Разреженность: Процесс спарсификации заключается в удалении избыточной информации из сетей глубокого обучения, что приводит к созданию более компактных и быстрых моделей без ущерба для точности. Эта техника значительно уменьшает размер сети и вычислительные потребности.

• Локальность ссылки: DeepSparse использует уникальный метод выполнения, разбивая сеть на Tensor колонки. Эти столбцы выполняются в глубину, полностью помещаясь в кэш CPU. Такой подход имитирует эффективность работы мозга, минимизируя перемещение данных и максимально используя кэш CPU.

Для получения более подробной информации о том, как работает технология DeepSparse от Neural Magic, ознакомьтесь с их публикацией в блоге.

Создание разреженной версии YOLO11 , обученной на пользовательском наборе данных

SparseZoo, репозиторий моделей с открытым исходным кодом от Neural Magic, предлагает коллекцию предварительно разреженных контрольных точек модели YOLO11. Благодаря SparseML, легко интегрированной с Ultralytics, пользователи могут без труда точно настроить эти разреженные контрольные точки на своих конкретных наборах данных, используя простой интерфейс командной строки.

Ознакомьтесь с документацией Neural Magic SparseML YOLO11 для получения более подробной информации.

Использование: Развертывание YOLO11 с помощью DeepSparse

Развертывание YOLO11 с помощью Neural Magic'DeepSparse включает в себя несколько простых шагов. Прежде чем погрузиться в инструкции по использованию, обязательно ознакомьтесь с ассортиментом моделейYOLO11 , предлагаемых сайтом Ultralytics. Это поможет вам выбрать наиболее подходящую модель, соответствующую требованиям вашего проекта. Вот как можно приступить к работе.

Шаг 1: Установка

Чтобы установить необходимые пакеты, выполните команду:

# Install the required packages
pip install deepsparse[yolov8]

Шаг 2: Экспорт YOLO11 в формат ONNX

DeepSparse Engine требует модели YOLO11 в формате ONNX. Экспорт вашей модели в этот формат необходим для совместимости с DeepSparse. Используйте следующую команду для экспорта моделей YOLO11:

# Export YOLO11 model to ONNX format
yolo task=detect mode=export model=yolo11n.pt format=onnx opset=13

Эта команда сохранит yolo11n.onnx модель на ваш диск.

Шаг 3: Развертывание и запуск выводов

Получив модель YOLO11 в формате ONNX , вы можете развернуть и запустить выводы с помощью DeepSparse. Это легко сделать с помощью интуитивно понятного API Python :

from deepsparse import Pipeline

# Specify the path to your YOLO11 ONNX model
model_path = "path/to/yolo11n.onnx"

# Set up the DeepSparse Pipeline
yolo_pipeline = Pipeline.create(task="yolov8", model_path=model_path)

# Run the model on your images
images = ["path/to/image.jpg"]
pipeline_outputs = yolo_pipeline(images=images)

Шаг 4: Сравнительный анализ производительности

Важно убедиться, что ваша модель YOLO11 оптимально работает на DeepSparse. Вы можете провести бенчмаркинг производительности вашей модели для анализа пропускной способности и задержки:

# Benchmark performance
deepsparse.benchmark model_path="path/to/yolo11n.onnx" --scenario=sync --input_shapes="[1,3,640,640]"

Шаг 5: Дополнительные возможности

DeepSparse предоставляет дополнительные возможности для практической интеграции YOLO11 в такие приложения, как аннотирование изображений и оценка наборов данных.

# For image annotation
deepsparse.yolov8.annotate --source "path/to/image.jpg" --model_filepath "path/to/yolo11n.onnx"

# For evaluating model performance on a dataset
deepsparse.yolov8.eval --model_path "path/to/yolo11n.onnx"

Выполнение команды annotate обрабатывает указанное изображение, обнаруживает объекты и сохраняет аннотированное изображение с ограничительными рамками и классификацией. Аннотированное изображение будет сохранено в папке annotation-results. Это позволяет получить наглядное представление о возможностях модели по обнаружению объектов.

После выполнения команды eval вы получите подробные выходные метрики, такие как точность, полнота и mAP (средняя средняя точность). Это обеспечивает всестороннее представление о производительности вашей модели на наборе данных. Эта функциональность особенно полезна для точной настройки и оптимизации ваших моделей YOLO11 для конкретных случаев использования, обеспечивая высокую точность и эффективность.

Резюме

В этом руководстве рассматривается интеграция Ultralytics' YOLO11 с Neural Magic'DeepSparse Engine. В нем рассказывается о том, как эта интеграция повышает производительность YOLO11 на платформах CPU , предлагая эффективность GPU-уровня и передовые методы разреженности нейронных сетей.

Для получения более подробной информации и расширенного использования посетите документацию DeepSparse от Neural Magic. Вы также можете ознакомиться с руководством по интеграции YOLO11 и посмотреть ознакомительную сессию на YouTube.

Кроме того, чтобы получить более полное представление о различных интеграциях YOLO11 , посетите страницу руководства по интеграцииUltralytics , где вы сможете открыть для себя ряд других интересных возможностей интеграции.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое Neural Magic'DeepSparse Engine и как он оптимизирует производительность YOLO11 .

Neural MagicDeepSparse Engine - это среда выполнения вычислений, разработанная для оптимизации выполнения нейронных сетей на центральных процессорах с помощью таких передовых методов, как разреженность, обрезка и квантование. Интегрировав DeepSparse с YOLO11, вы сможете добиться производительности, подобной GPU, на стандартных процессорах, значительно увеличив скорость вычислений, эффективность моделей и общую производительность при сохранении точности. Более подробную информацию можно найти в разделеNeural Magic's DeepSparse.

Как установить пакеты, необходимые для развертывания YOLO11 с помощью Neural Magic'DeepSparse?

Установка пакетов, необходимых для развертывания YOLO11 с Neural Magic's DeepSparse, очень проста. Вы можете легко установить их с помощью CLI. Вот команда, которую вам нужно выполнить:

pip install deepsparse[yolov8]

После установки выполните шаги, описанные в разделе "Установка", чтобы настроить среду и начать использовать DeepSparse с YOLO11.

Как преобразовать модели YOLO11 в формат ONNX для использования в DeepSparse?

Для преобразования моделей YOLO11 в формат ONNX , который необходим для совместимости с DeepSparse, можно использовать следующую команду CLI :

yolo task=detect mode=export model=yolo11n.pt format=onnx opset=13

Эта команда экспортирует вашу модель YOLO11 (yolo11n.pt) в формат (yolo11n.onnx), которые могут быть использованы движком DeepSparse Engine. Более подробную информацию об экспорте моделей можно найти в разделе Раздел экспорта моделей.

Как проверить производительность YOLO11 на движке DeepSparse?

Бенчмаркинг производительности YOLO11 на DeepSparse поможет вам проанализировать пропускную способность и задержку, чтобы убедиться, что ваша модель оптимизирована. Для запуска бенчмарка можно использовать следующую команду CLI :

deepsparse.benchmark model_path="path/to/yolo11n.onnx" --scenario=sync --input_shapes="[1,3,640,640]"

Эта команда предоставит вам важные показатели производительности. Для получения более подробной информации см. раздел "Бенчмаркинг производительности".

Почему я должен использовать Neural Magic'DeepSparse с YOLO11 для задач обнаружения объектов?

Интеграция Neural Magic'DeepSparse с YOLO11 дает несколько преимуществ:

• Повышенная скорость вывода: Достигает 525 кадров в секунду, значительно ускоряя возможности YOLO11.
• Оптимизированная эффективность модели: Используются методы разреженности, обрезки и квантования для уменьшения размера модели и вычислительных потребностей при сохранении точности.
• Высокая производительность на стандартных процессорах: Обеспечивает производительность, подобную GPU, на экономически эффективном CPU оборудовании.
• Оптимизированная интеграция: Удобные инструменты для простого развертывания и интеграции.
• Гибкость: Поддерживает как стандартные, так и оптимизированные по разреженности модели YOLO11 .
• Экономичность: Сокращение операционных расходов за счет эффективного использования ресурсов.

Более подробно об этих преимуществах читайте в разделе Преимущества интеграции Neural Magic'DeepSparse с YOLO11 .

📅 Создано 1 год назад ✏️ Обновлено 19 дней назад

Комментарии