Перейти к содержанию

Экспорт в Intel OpenVINO

Экосистема OpenVINO

В этом руководстве мы рассмотрим экспорт моделей YOLO11 в формат OpenVINO, который может обеспечить до 3 раз более высокую скорость CPU, а также ускорение логического вывода YOLO на оборудовании GPU и NPU Intel.

OpenVINO, сокращение от Open Visual Inference & Neural Network Optimization toolkit, — это комплексный набор инструментов для оптимизации и развертывания моделей логического вывода ИИ. Несмотря на то, что в названии присутствует Visual, OpenVINO также поддерживает различные дополнительные задачи, включая язык, аудио, временные ряды и т. д.



Смотреть: Как экспортировать Ultralytics YOLO11 в формат Intel OpenVINO для более быстрого вывода 🚀.

Примеры использования

Экспортируйте модель YOLO11n в формат OpenVINO и запустите вывод с помощью экспортированной модели.

Пример

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model
model.export(format="openvino")  # creates 'yolo11n_openvino_model/'

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")

# Run inference
results = ov_model("https://ultralytics.com/images/bus.jpg")

# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")
# Export a YOLO11n PyTorch model to OpenVINO format
yolo export model=yolo11n.pt format=openvino # creates 'yolo11n_openvino_model/'

# Run inference with the exported model
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg'

# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg' device="intel:gpu"

Аргументы экспорта

Аргумент Тип По умолчанию Описание
format str 'openvino' Целевой формат для экспортируемой модели, определяющий совместимость с различными средами развертывания.
imgsz int или tuple 640 Желаемый размер изображения для ввода модели. Может быть целым числом для квадратных изображений или кортежем (height, width) для конкретных размеров.
half bool False Включает квантование FP16 (полуточной точности), уменьшая размер модели и потенциально ускоряя вывод на поддерживаемом оборудовании.
int8 bool False Активирует квантование INT8, дополнительно сжимая модель и ускоряя вывод с минимальной потерей точности, в основном для периферийных устройств.
dynamic bool False Обеспечивает динамические размеры входных данных, повышая гибкость при обработке различных размеров изображений.
nms bool False Добавляет Non-Maximum Suppression (NMS), необходимую для точной и эффективной постобработки обнаружения.
batch int 1 Указывает размер пакета для модели экспорта или максимальное количество изображений, которые экспортируемая модель будет обрабатывать одновременно в режиме predict режиме.
data str 'coco8.yaml' Путь к dataset файл конфигурации (по умолчанию: coco8.yaml), необходимые для квантования.
fraction float 1.0 Указывает долю набора данных, используемую для калибровки квантования INT8. Позволяет проводить калибровку на подмножестве полного набора данных, что полезно для экспериментов или при ограниченности ресурсов. Если не указано при включенном INT8, будет использован полный набор данных.

Для получения более подробной информации о процессе экспорта посетите страницу документации Ultralytics по экспорту.

Предупреждение

OpenVINO™ совместим с большинством процессоров Intel®, но для обеспечения оптимальной производительности:

  1. Проверка поддержки OpenVINO™ Проверьте, официально ли поддерживается ваш чип Intel® технологией OpenVINO™, используя список совместимости Intel.

  2. Определите свой ускоритель Узнайте, включает ли ваш процессор интегрированный NPU (Neural Processing Unit) или GPU (интегрированный GPU), обратившись к руководству по оборудованию Intel.

  3. Установите последние версии драйверов. Если ваш чип поддерживает NPU или GPU, но OpenVINO™ его не обнаруживает, возможно, вам потребуется установить или обновить соответствующие драйверы. Следуйте инструкциям по установке драйверов, чтобы включить полное ускорение.

Выполнив эти три шага, вы можете обеспечить оптимальную работу OpenVINO™ на вашем оборудовании Intel®.

Преимущества OpenVINO

  1. Производительность: OpenVINO обеспечивает высокую производительность логического вывода, используя мощность CPU Intel, интегрированных и дискретных GPU и FPGA.
  2. Поддержка гетерогенного выполнения: OpenVINO предоставляет API для однократной записи и развертывания на любом поддерживаемом оборудовании Intel (CPU, GPU, FPGA, VPU и т. д.).
  3. Оптимизатор моделей: OpenVINO предоставляет оптимизатор моделей, который импортирует, преобразует и оптимизирует модели из популярных фреймворков глубокого обучения, таких как PyTorch, TensorFlow, TensorFlow Lite, Keras, ONNX, PaddlePaddle и Caffe.
  4. Простота использования: Инструментарий поставляется с более чем 80 обучающими блокнотами (включая оптимизацию YOLOv8), обучающими различным аспектам инструментария.

Структура экспорта OpenVINO

При экспорте модели в формат OpenVINO получается каталог, содержащий следующее:

  1. XML-файл: Описывает топологию сети.
  2. BIN-файл: Содержит двоичные данные весов и смещений.
  3. Файл сопоставления: Содержит соответствие исходных выходных тензоров модели именам тензоров OpenVINO.

Вы можете использовать эти файлы для запуска inference с OpenVINO Inference Engine.

Использование экспорта OpenVINO при развертывании

После успешного экспорта вашей модели в формат OpenVINO у вас есть два основных варианта запуска инференса:

  1. Используйте ultralytics package, который предоставляет высокоуровневый API и оборачивает OpenVINO Runtime.

  2. Использовать нативный openvino package для более продвинутого или индивидуального контроля над поведением инференса.

Логический вывод с Ultralytics

Пакет ultralytics позволяет легко запускать inference с использованием экспортированной модели OpenVINO с помощью метода predict. Вы также можете указать целевое устройство (например, intel:gpu, intel:npu, intel:cpu) используя аргумент device.

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")  # the path of your exported OpenVINO model
# Run inference with the exported model
ov_model.predict(device="intel:gpu")  # specify the device you want to run inference on

Этот подход идеально подходит для быстрого прототипирования или развертывания, когда вам не нужен полный контроль над конвейером инференса.

Логический вывод с OpenVINO Runtime

OpenVINO Runtime предоставляет унифицированный API для инференса на всем поддерживаемом оборудовании Intel. Он также предоставляет расширенные возможности, такие как балансировка нагрузки между устройствами Intel и асинхронное выполнение. Для получения дополнительной информации о запуске инференса обратитесь к блокнотам YOLO11.

Помните, что вам понадобятся файлы XML и BIN, а также любые специфические для приложения параметры, такие как размер входных данных, коэффициент масштабирования для нормализации и т. д., чтобы правильно настроить и использовать модель со средой выполнения.

В вашем приложении для развертывания обычно выполняются следующие шаги:

  1. Инициализировать OpenVINO путем создания core = Core().
  2. Загрузите модель, используя core.read_model() метод.
  3. Скомпилируйте модель, используя core.compile_model() функцию.
  4. Подготовьте входные данные (изображение, текст, аудио и т. д.).
  5. Запустите inference, используя compiled_model(input_data).

Для получения более подробных инструкций и фрагментов кода обратитесь к документации OpenVINO или учебнику по API.

Бенчмарки OpenVINO YOLO11

Команда Ultralytics провела сравнительный анализ YOLO11 для различных форматов моделей и точности, оценивая скорость и точность на различных устройствах Intel, совместимых с OpenVINO.

Примечание

Приведенные ниже результаты бенчмаркинга предназначены для справки и могут варьироваться в зависимости от точной конфигурации аппаратного и программного обеспечения системы, а также от текущей рабочей нагрузки системы во время проведения бенчмарков.

Все тесты запускаются с openvino Версия python-пакета 2025.1.0.

Intel Core CPU

Intel® Core® series — это линейка высокопроизводительных процессоров от Intel. В линейку входят Core i3 (начальный уровень), Core i5 (средний уровень), Core i7 (высокий уровень) и Core i9 (экстремальная производительность). Каждая серия предназначена для различных вычислительных потребностей и бюджетов, от повседневных задач до ресурсоемких профессиональных рабочих нагрузок. С каждым новым поколением вносятся улучшения в производительность, энергоэффективность и функциональность.

Приведенные ниже тесты запускаются на 12th Gen Intel® Core® i9-12900KS CPU с точностью FP32.

Основные тесты CPU
Подробные результаты эталонного тестирования
Модель Формат Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch 5.4 0.5071 21.00
YOLO11n TorchScript 10.5 0.5077 21.39
YOLO11n ONNX 10.2 0.5077 15.55
YOLO11n OpenVINO 10.4 0.5077 11.49
YOLO11s PyTorch 18.4 0.5770 43.16
YOLO11s TorchScript 36.6 0.5781 50.06
YOLO11s ONNX 36.3 0.5781 31.53
YOLO11s OpenVINO 36.4 0.5781 30.82
YOLO11m PyTorch 38.8 0.6257 110.60
YOLO11m TorchScript 77.3 0.6306 128.09
YOLO11m ONNX 76.9 0.6306 76.06
YOLO11m OpenVINO 77.1 0.6306 79.38
YOLO11l PyTorch 49.0 0.6367 150.38
YOLO11l TorchScript 97.7 0.6408 172.57
YOLO11l ONNX 97.0 0.6408 108.91
YOLO11l OpenVINO 97.3 0.6408 102.30
YOLO11x PyTorch 109.3 0.6989 272.72
YOLO11x TorchScript 218.1 0.6900 320.86
YOLO11x ONNX 217.5 0.6900 196.20
YOLO11x OpenVINO 217.8 0.6900 195.32

Intel® Core™ Ultra

Серия Intel® Core™ Ultra™ представляет собой новый эталон в высокопроизводительных вычислениях, разработанный для удовлетворения растущих потребностей современных пользователей — от геймеров и создателей контента до профессионалов, использующих ИИ. Эта линейка нового поколения — больше, чем традиционная серия CPU; она сочетает в себе мощные ядра CPU, интегрированные высокопроизводительные возможности GPU и выделенный блок нейронной обработки (NPU) в одном чипе, предлагая унифицированное решение для разнообразных и интенсивных вычислительных нагрузок.

В основе архитектуры Intel® Core Ultra™ лежит гибридная конструкция, обеспечивающая исключительную производительность при выполнении традиционных задач обработки, рабочих нагрузок с ускорением GPU и операций, управляемых искусственным интеллектом. Включение NPU улучшает инференс AI на устройстве, обеспечивая более быстрое и эффективное машинное обучение и обработку данных в широком спектре приложений.

Семейство Core Ultra™ включает в себя различные модели, адаптированные для различных потребностей в производительности, с вариантами, варьирующимися от энергоэффективных конструкций до мощных вариантов, отмеченных обозначением "H" — идеально подходящих для ноутбуков и компактных форм-факторов, требующих серьезной вычислительной мощности. Во всей линейке пользователи получают выгоду от синергии интеграции CPU, GPU и NPU, обеспечивающей замечательную эффективность, скорость реагирования и возможности многозадачности.

В рамках непрерывных инноваций Intel серия Core Ultra™ устанавливает новый стандарт для вычислений, ориентированных на будущее. Благодаря множеству доступных моделей и новым разработкам, эта серия подчеркивает стремление Intel предоставлять передовые решения для следующего поколения интеллектуальных устройств с расширенными возможностями искусственного интеллекта.

Приведенные ниже тесты производительности выполнялись на Intel® Core™ Ultra™ 7 258V и Intel® Core™ Ultra™ 7 265K с точностью FP32 и INT8.

Intel® Core™ Ultra™ 7 258V

Оценка производительности

Тесты Intel Core Ultra GPU

Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5052 32.27
YOLO11n OpenVINO FP32 10.4 0.5068 11.84
YOLO11n OpenVINO INT8 3.3 0.4969 11.24
YOLO11s PyTorch FP32 18.4 0.5776 92.09
YOLO11s OpenVINO FP32 36.4 0.5797 14.82
YOLO11s OpenVINO INT8 9.8 0.5751 12.88
YOLO11m PyTorch FP32 38.8 0.6262 277.24
YOLO11m OpenVINO FP32 77.1 0.6306 22.94
YOLO11m OpenVINO INT8 20.2 0.6126 17.85
YOLO11l PyTorch FP32 49.0 0.6361 348.97
YOLO11l OpenVINO FP32 97.3 0.6365 27.34
YOLO11l OpenVINO INT8 25.7 0.6242 20.83
YOLO11x PyTorch FP32 109.3 0.6984 666.07
YOLO11x OpenVINO FP32 217.8 0.6890 39.09
YOLO11x OpenVINO INT8 55.9 0.6856 30.60

Тесты Intel Core Ultra CPU

Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5052 32.27
YOLO11n OpenVINO FP32 10.4 0.5077 32.55
YOLO11n OpenVINO INT8 3.3 0.4980 22.98
YOLO11s PyTorch FP32 18.4 0.5776 92.09
YOLO11s OpenVINO FP32 36.4 0.5782 98.38
YOLO11s OpenVINO INT8 9.8 0.5745 52.84
YOLO11m PyTorch FP32 38.8 0.6262 277.24
YOLO11m OpenVINO FP32 77.1 0.6307 275.74
YOLO11m OpenVINO INT8 20.2 0.6172 132.63
YOLO11l PyTorch FP32 49.0 0.6361 348.97
YOLO11l OpenVINO FP32 97.3 0.6361 348.97
YOLO11l OpenVINO INT8 25.7 0.6240 171.36
YOLO11x PyTorch FP32 109.3 0.6984 666.07
YOLO11x OpenVINO FP32 217.8 0.6900 783.16
YOLO11x OpenVINO INT8 55.9 0.6890 346.82

Тесты Intel Core Ultra NPU

Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5052 32.27
YOLO11n OpenVINO FP32 10.4 0.5085 8.33
YOLO11n OpenVINO INT8 3.3 0.5019 8.91
YOLO11s PyTorch FP32 18.4 0.5776 92.09
YOLO11s OpenVINO FP32 36.4 0.5788 9.72
YOLO11s OpenVINO INT8 9.8 0.5710 10.58
YOLO11m PyTorch FP32 38.8 0.6262 277.24
YOLO11m OpenVINO FP32 77.1 0.6301 19.41
YOLO11m OpenVINO INT8 20.2 0.6124 18.26
YOLO11l PyTorch FP32 49.0 0.6361 348.97
YOLO11l OpenVINO FP32 97.3 0.6362 23.70
YOLO11l OpenVINO INT8 25.7 0.6240 21.40
YOLO11x PyTorch FP32 109.3 0.6984 666.07
YOLO11x OpenVINO FP32 217.8 0.6892 43.91
YOLO11x OpenVINO INT8 55.9 0.6890 34.04

Intel® Core™ Ultra™ 7 265K

Оценка производительности

Тесты Intel Core Ultra GPU

Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5072 16.29
YOLO11n OpenVINO FP32 10.4 0.5079 13.13
YOLO11n OpenVINO INT8 3.3 0.4976 8.86
YOLO11s PyTorch FP32 18.4 0.5771 39.61
YOLO11s OpenVINO FP32 36.4 0.5808 18.26
YOLO11s OpenVINO INT8 9.8 0.5726 13.24
YOLO11m PyTorch FP32 38.8 0.6258 100.65
YOLO11m OpenVINO FP32 77.1 0.6310 43.50
YOLO11m OpenVINO INT8 20.2 0.6137 20.90
YOLO11l PyTorch FP32 49.0 0.6367 131.37
YOLO11l OpenVINO FP32 97.3 0.6371 54.52
YOLO11l OpenVINO INT8 25.7 0.6226 27.36
YOLO11x PyTorch FP32 109.3 0.6990 212.45
YOLO11x OpenVINO FP32 217.8 0.6884 112.76
YOLO11x OpenVINO INT8 55.9 0.6900 52.06

Тесты Intel Core Ultra CPU

Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5072 16.29
YOLO11n OpenVINO FP32 10.4 0.5077 15.04
YOLO11n OpenVINO INT8 3.3 0.4980 11.60
YOLO11s PyTorch FP32 18.4 0.5771 39.61
YOLO11s OpenVINO FP32 36.4 0.5782 33.45
YOLO11s OpenVINO INT8 9.8 0.5745 20.64
YOLO11m PyTorch FP32 38.8 0.6258 100.65
YOLO11m OpenVINO FP32 77.1 0.6307 81.15
YOLO11m OpenVINO INT8 20.2 0.6172 44.63
YOLO11l PyTorch FP32 49.0 0.6367 131.37
YOLO11l OpenVINO FP32 97.3 0.6409 103.77
YOLO11l OpenVINO INT8 25.7 0.6240 58.00
YOLO11x PyTorch FP32 109.3 0.6990 212.45
YOLO11x OpenVINO FP32 217.8 0.6900 208.37
YOLO11x OpenVINO INT8 55.9 0.6897 113.04

Тесты Intel Core Ultra NPU

Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5072 16.29
YOLO11n OpenVINO FP32 10.4 0.5075 8.02
YOLO11n OpenVINO INT8 3.3 0.3656 9.28
YOLO11s PyTorch FP32 18.4 0.5771 39.61
YOLO11s OpenVINO FP32 36.4 0.5801 13.12
YOLO11s OpenVINO INT8 9.8 0.5686 13.12
YOLO11m PyTorch FP32 38.8 0.6258 100.65
YOLO11m OpenVINO FP32 77.1 0.6310 29.88
YOLO11m OpenVINO INT8 20.2 0.6111 26.32
YOLO11l PyTorch FP32 49.0 0.6367 131.37
YOLO11l OpenVINO FP32 97.3 0.6356 37.08
YOLO11l OpenVINO INT8 25.7 0.6245 30.81
YOLO11x PyTorch FP32 109.3 0.6990 212.45
YOLO11x OpenVINO FP32 217.8 0.6894 68.48
YOLO11x OpenVINO INT8 55.9 0.6417 49.76

Intel® Arc GPU

Intel® Arc™ — это линейка дискретных видеокарт Intel, предназначенных для высокопроизводительных игр, создания контента и рабочих нагрузок ИИ. Серия Arc включает в себя передовые архитектуры GPU, поддерживающие трассировку лучей в реальном времени, графику с улучшением на основе ИИ и игры с высоким разрешением. Ориентируясь на производительность и эффективность, Intel® Arc™ стремится конкурировать с другими ведущими брендами GPU, предоставляя при этом уникальные функции, такие как аппаратно-ускоренное кодирование AV1 и поддержку новейших графических API.

Приведенные ниже тесты производительности выполнялись на Intel Arc A770 и Intel Arc B580 с точностью FP32 и INT8.

Intel Arc A770

Тесты Intel Core Ultra CPU
Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5072 16.29
YOLO11n OpenVINO FP32 10.4 0.5073 6.98
YOLO11n OpenVINO INT8 3.3 0.4978 7.24
YOLO11s PyTorch FP32 18.4 0.5771 39.61
YOLO11s OpenVINO FP32 36.4 0.5798 9.41
YOLO11s OpenVINO INT8 9.8 0.5751 8.72
YOLO11m PyTorch FP32 38.8 0.6258 100.65
YOLO11m OpenVINO FP32 77.1 0.6311 14.88
YOLO11m OpenVINO INT8 20.2 0.6126 11.97
YOLO11l PyTorch FP32 49.0 0.6367 131.37
YOLO11l OpenVINO FP32 97.3 0.6364 19.17
YOLO11l OpenVINO INT8 25.7 0.6241 15.75
YOLO11x PyTorch FP32 109.3 0.6990 212.45
YOLO11x OpenVINO FP32 217.8 0.6888 18.13
YOLO11x OpenVINO INT8 55.9 0.6930 18.91

Intel Arc B580

Тесты Intel Core Ultra CPU
Подробные результаты эталонного тестирования
Модель Формат Точность Статус Размер (МБ) metrics/mAP50-95(B) Время инференса (мс/изобр.)
YOLO11n PyTorch FP32 5.4 0.5072 16.29
YOLO11n OpenVINO FP32 10.4 0.5072 4.27
YOLO11n OpenVINO INT8 3.3 0.4981 4.33
YOLO11s PyTorch FP32 18.4 0.5771 39.61
YOLO11s OpenVINO FP32 36.4 0.5789 5.04
YOLO11s OpenVINO INT8 9.8 0.5746 4.97
YOLO11m PyTorch FP32 38.8 0.6258 100.65
YOLO11m OpenVINO FP32 77.1 0.6306 6.45
YOLO11m OpenVINO INT8 20.2 0.6125 6.28
YOLO11l PyTorch FP32 49.0 0.6367 131.37
YOLO11l OpenVINO FP32 97.3 0.6360 8.23
YOLO11l OpenVINO INT8 25.7 0.6236 8.49
YOLO11x PyTorch FP32 109.3 0.6990 212.45
YOLO11x OpenVINO FP32 217.8 0.6889 11.10
YOLO11x OpenVINO INT8 55.9 0.6924 10.30

Воспроизведение наших результатов

Чтобы воспроизвести тесты Ultralytics, приведенные выше, для всех форматов экспорта, запустите этот код:

Пример

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml")
# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all export formats
yolo benchmark model=yolo11n.pt data=coco128.yaml

Обратите внимание, что результаты тестов могут варьироваться в зависимости от конкретной конфигурации оборудования и программного обеспечения системы, а также от текущей нагрузки на систему во время проведения тестов. Для получения наиболее надежных результатов используйте набор данных с большим количеством изображений, например, data='coco.yaml' (5000 изображений для проверки).

Заключение

Результаты сравнительного анализа ясно демонстрируют преимущества экспорта модели YOLO11 в формат OpenVINO. В разных моделях и на разных аппаратных платформах формат OpenVINO неизменно превосходит другие форматы с точки зрения скорости вывода, сохраняя при этом сопоставимую точность.

Результаты бенчмарков подчеркивают эффективность OpenVINO как инструмента для развертывания моделей глубокого обучения. Преобразуя модели в формат OpenVINO, разработчики могут добиться значительного повышения производительности, что упрощает развертывание этих моделей в реальных приложениях.

Для получения более подробной информации и инструкций по использованию OpenVINO обратитесь к официальной документации OpenVINO.

Часто задаваемые вопросы

Как экспортировать модели YOLO11 в формат OpenVINO?

Экспорт моделей YOLO11 в формат OpenVINO может значительно повысить скорость CPU и обеспечить ускорение GPU и NPU на оборудовании Intel. Для экспорта можно использовать Python или CLI, как показано ниже:

Пример

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model
model.export(format="openvino")  # creates 'yolo11n_openvino_model/'
# Export a YOLO11n PyTorch model to OpenVINO format
yolo export model=yolo11n.pt format=openvino # creates 'yolo11n_openvino_model/'

Для получения дополнительной информации обратитесь к документации по форматам экспорта.

Каковы преимущества использования OpenVINO с моделями YOLO11?

Использование инструментария OpenVINO от Intel с моделями YOLO11 предлагает несколько преимуществ:

  1. Производительность: Добейтесь 3-кратного увеличения скорости логического вывода на CPU и используйте Intel GPU и NPU для ускорения.
  2. Оптимизатор моделей: Преобразуйте, оптимизируйте и выполняйте модели из популярных фреймворков, таких как PyTorch, TensorFlow и ONNX.
  3. Простота использования: Доступно более 80 учебных блокнотов, которые помогут пользователям начать работу, в том числе и для YOLO11.
  4. Гетерогенное выполнение: Развертывайте модели на различном оборудовании Intel с унифицированным API.

Подробные сравнения производительности можно найти в нашем разделе тестов производительности.

Как я могу запустить вывод, используя модель YOLO11, экспортированную в OpenVINO?

После экспорта модели YOLO11n в формат OpenVINO вы можете запустить вывод, используя Python или CLI:

Пример

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo11n_openvino_model/")

# Run inference
results = ov_model("https://ultralytics.com/images/bus.jpg")
# Run inference with the exported model
yolo predict model=yolo11n_openvino_model source='https://ultralytics.com/images/bus.jpg'

Для получения более подробной информации обратитесь к нашей документации по режиму предсказания.

Почему мне следует выбрать Ultralytics YOLO11 вместо других моделей для экспорта в OpenVINO?

Ultralytics YOLO11 оптимизирована для обнаружения объектов в реальном времени с высокой точностью и скоростью. В частности, при использовании с OpenVINO, YOLO11 обеспечивает:

  • Ускорение до 3 раз на CPU Intel
  • Простое развертывание на графических процессорах и NPU Intel
  • Стабильная и сопоставимая точность для различных форматов экспорта

Для углубленного анализа производительности ознакомьтесь с нашими подробными бенчмарками YOLO11 на различном оборудовании.

Могу ли я протестировать модели YOLO11 в различных форматах, таких как PyTorch, ONNX и OpenVINO?

Да, вы можете протестировать модели YOLO11 в различных форматах, включая PyTorch, TorchScript, ONNX и OpenVINO. Используйте следующий фрагмент кода для запуска тестов на выбранном вами наборе данных:

Пример

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and [accuracy](https://www.ultralytics.com/glossary/accuracy) on the COCO8 dataset for all export formats
results = model.benchmark(data="coco8.yaml")
# Benchmark YOLO11n speed and accuracy on the COCO8 dataset for all export formats
yolo benchmark model=yolo11n.pt data=coco8.yaml

Подробные результаты тестов производительности можно найти в нашем разделе тестов производительности и в документации по форматам экспорта.



📅 Создано 1 год назад ✏️ Обновлено 6 дней назад

Комментарии