Link to this sectionUltralytics YOLO ile Model Karşılaştırmalı Analizi#
Link to this sectionKarşılaştırma Görselleştirmesi#
Olası çerez sorunları nedeniyle grafikleri doğru görüntülemek için sayfayı yenilemeniz gerekebilir.
Link to this sectionGiriş#
Modelin eğitilip doğrulandıktan sonra, bir sonraki mantıklı adım performansını çeşitli gerçek dünya senaryolarında değerlendirmektir. Ultralytics YOLO26 içindeki Benchmark modu, modelinizin hızını ve doğruluğunu bir dizi dışa aktarma formatı genelinde değerlendirmek için güçlü bir çerçeve sağlayarak bu amaca hizmet eder.
Watch: Benchmark Ultralytics YOLO26 Models | How to Compare Model Performance on Different Hardware?
Link to this sectionKarşılaştırmalı Analiz Neden Önemlidir?#
- Bilinçli Kararlar: Hız ve doğruluk arasındaki dengeler hakkında içgörüler kazanın.
- Kaynak Tahsisi: Farklı dışa aktarma formatlarının farklı donanımlarda nasıl performans gösterdiğini anlayın.
- Optimizasyon: Özel kullanım durumunuz için en iyi performansı hangi dışa aktarma formatının sunduğunu öğrenin.
- Maliyet Verimliliği: Karşılaştırmalı analiz sonuçlarına dayanarak donanım kaynaklarını daha verimli kullanın.
Link to this sectionBenchmark Modundaki Ana Metrikler#
- mAP50-95: Nesne tespiti, segmentasyon ve poz tahmini için.
- accuracy_top1: Görüntü sınıflandırma için.
- Çıkarım Süresi: Her görüntü için milisaniye cinsinden geçen süre.
Link to this sectionDesteklenen Dışa Aktarma Formatları#
- ONNX: Optimum CPU performansı için
- TensorRT: Maksimum GPU verimliliği için
- OpenVINO: Intel donanım optimizasyonu için
- CoreML, TensorFlow SavedModel ve Daha Fazlası: Çeşitli dağıtım ihtiyaçları için.
- 3 katına kadar CPU hız artışı için ONNX veya OpenVINO formatına dışa aktarın.
- 5 katına kadar GPU hız artışı için TensorRT formatına dışa aktarın.
Link to this sectionKullanım Örnekleri#
Eksik paketleri önlemek için karşılaştırmalı analize başlamadan önce Ultralytics paketini dışa aktarma bağımlılıklarıyla birlikte kurun.
pip install ultralytics[export]Tüm desteklenen dışa aktarma formatlarında (ONNX, TensorRT, vb.) YOLO26n karşılaştırmalı analizlerini çalıştırın. Dışa aktarma seçeneklerinin tam listesi için aşağıdaki Argümanlar bölümüne bakın.
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 sectionArgümanlar#
model, data, imgsz, half, device, verbose ve format gibi argümanlar, kullanıcılara karşılaştırmalı analizleri kendi özel ihtiyaçlarına göre hassas bir şekilde ayarlama ve farklı dışa aktarma formatlarının performansını kolaylıkla karşılaştırma esnekliği sağlar.
| Anahtar | Varsayılan Değer | Açıklama |
|---|---|---|
model | None | Model dosyasının yolunu belirtir. Hem .pt hem de .yaml formatlarını kabul eder; örneğin önceden eğitilmiş modeller veya yapılandırma dosyaları için "yolo26n.pt". |
data | None | Karşılaştırmalı analiz için veri kümesini tanımlayan, genellikle doğrulama verileri için yollar ve ayarlar içeren bir YAML dosyasının yolu. Örnek: "coco8.yaml". |
imgsz | 640 | Model için giriş görüntü boyutu. Kare görüntüler için tek bir tam sayı olmalıdır (ör. 640); benchmark() yalnızca kare görüntü boyutlarını destekler. |
half | False | FP16 (yarı hassasiyetli) çıkarımı etkinleştirir, bellek kullanımını azaltır ve uyumlu donanımlarda hızı artırabilir. Etkinleştirmek için half=True kullanın. |
int8 | False | Desteklenen cihazlarda, özellikle uç cihazlar için yararlı olan daha optimize edilmiş performans adına INT8 kuantizasyonunu etkinleştirir. Kullanmak için int8=True ayarlayın. |
device | 'cpu' | Karşılaştırmalı analiz için "cpu" veya "cuda:0" gibi hesaplama cihazını/cihazlarını tanımlar. |
verbose | False | Günlük çıktısındaki ayrıntı düzeyini kontrol eder. Ayrıntılı günlükler için verbose=True ayarlayın. |
format | '' | Yalnızca belirtilen dışa aktarma formatını karşılaştırır (ör. format=onnx). Desteklenen her formatı otomatik olarak test etmek için boş bırakın. |
Link to this sectionDışa Aktarma Formatları#
Karşılaştırmalı analizler, aşağıda listelenen tüm olası dışa aktarma formatlarında otomatik olarak çalışmaya çalışacaktır. Alternatif olarak, aşağıda belirtilen formatlardan herhangi birini kabul eden format argümanını kullanarak belirli bir format için karşılaştırmalı analizleri çalıştırabilirsiniz.
| Format | format Argümanı | Model | Meta veriler | Argümanlar |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, int8, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn_model/ | ✅ | imgsz, batch, name, int8, data, fraction, device |
Tüm export ayrıntılarını Export sayfasında bulabilirsin.
Link to this sectionSSS#
Link to this sectionUltralytics kullanarak YOLO26 modelimin performansını nasıl kıyaslarım?#
Ultralytics YOLO26, modelinin performansını farklı dışa aktarma formatlarında değerlendirmen için bir Benchmark modu sunar. Bu mod, mean Average Precision (mAP50-95), doğruluk ve milisaniye cinsinden çıkarım süresi gibi temel metrikler hakkında bilgi sağlar. Kıyaslama yapmak için Python veya CLI komutlarını kullanabilirsin. Örneğin, bir GPU üzerinde kıyaslama yapmak için:
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Kıyaslama argümanları hakkında daha fazla ayrıntı için Arguments bölümünü ziyaret et.
Link to this sectionYOLO26 modellerini farklı formatlara aktarmanın avantajları nelerdir?#
YOLO26 modellerini ONNX, TensorRT ve OpenVINO gibi farklı formatlara aktarmak, dağıtım ortamına göre performansı optimize etmeni sağlar. Örneğin:
- ONNX: 3 kata kadar CPU hız artışı sağlar.
- TensorRT: 5 kata kadar GPU hız artışı sunar.
- OpenVINO: Özellikle Intel donanımı için optimize edilmiştir.
Bu formatlar modellerinin hem hızını hem de doğruluğunu artırarak çeşitli gerçek dünya uygulamaları için daha verimli hale getirir. Tüm ayrıntılar için Export sayfasını ziyaret et.
Link to this sectionYOLO26 modellerini değerlendirmede kıyaslama neden çok önemlidir?#
YOLO26 modellerini kıyaslamak birkaç nedenden dolayı önemlidir:
- Bilinçli Kararlar: Hız ve doğruluk arasındaki ödünleşimleri anla.
- Kaynak Tahsisi: Farklı donanım seçenekleri genelindeki performansı ölç.
- Optimizasyon: Belirli kullanım durumları için hangi dışa aktarma formatının en iyi performansı sunduğunu belirle.
- Maliyet Verimliliği: Kıyaslama sonuçlarına göre donanım kullanımını optimize et.
mAP50-95, Top-1 doğruluğu ve çıkarım süresi gibi temel metrikler bu değerlendirmeleri yapmana yardımcı olur. Daha fazla bilgi için Temel Metrikler bölümüne bakabilirsin.
Link to this sectionYOLO26 tarafından hangi dışa aktarma formatları destekleniyor ve avantajları nelerdir?#
YOLO26, her biri belirli donanım ve kullanım durumları için özel olarak hazırlanmış çeşitli dışa aktarma formatlarını destekler:
- ONNX: CPU performansı için en iyisi.
- TensorRT: GPU verimliliği için ideal.
- OpenVINO: Intel donanımı için optimize edilmiştir.
- CoreML & TensorFlow: iOS ve genel ML uygulamaları için kullanışlıdır.
Desteklenen formatların tam listesi ve ilgili avantajları için Supported Export Formats bölümüne göz at.
Link to this sectionYOLO26 kıyaslamalarımı ince ayar yapmak için hangi argümanları kullanabilirim?#
Kıyaslama yaparken, belirli ihtiyaçlara uyacak şekilde özelleştirilebilen birkaç argüman vardır:
- model: Model dosyasının yolu (örn. "yolo26n.pt").
- data: Veri kümesini tanımlayan bir YAML dosyasının yolu (örn. "coco8.yaml").
- imgsz: Tek bir tam sayı veya demet (tuple) olarak giriş görüntüsü boyutu.
- half: Daha iyi performans için FP16 çıkarımını etkinleştir.
- int8: Uç cihazlar için INT8 nicemlemeyi (quantization) aktif et.
- device: Hesaplama cihazını belirt (örn. "cpu", "cuda:0").
- verbose: Günlük kaydı ayrıntı düzeyini kontrol et.
Argümanların tam listesi için Arguments bölümüne başvur.