ile Model Kıyaslama Ultralytics YOLO
Giriş
Modeliniz eğitildikten ve doğrulandıktan sonra, bir sonraki mantıklı adım, çeşitli gerçek dünya senaryolarındaki performansını değerlendirmektir. Ultralytics YOLOv8 adresindeki Benchmark modu, modelinizin hızını ve doğruluğunu çeşitli dışa aktarma biçimlerinde değerlendirmek için sağlam bir çerçeve sağlayarak bu amaca hizmet eder.
İzle: Ultralytics Modlar Eğitimi: Benchmark
Benchmarking Neden Önemlidir?
- Bilgilendirilmiş Kararlar: Hız ve doğruluk arasındaki dengeler hakkında içgörü kazanın.
- Kaynak Tahsisi: Farklı dışa aktarma formatlarının farklı donanımlarda nasıl performans gösterdiğini anlayın.
- Optimizasyon: Özel kullanım durumunuz için hangi dışa aktarma formatının en iyi performansı sunduğunu öğrenin.
- Maliyet Verimliliği: Kıyaslama sonuçlarına göre donanım kaynaklarını daha verimli kullanın.
Benchmark Modunda Temel Metrikler
- mAP50-95: Nesne algılama, segmentasyon ve poz tahmini için.
- accuracy_top5: Görüntü sınıflandırması için.
- Çıkarım Süresi: Milisaniye cinsinden her görüntü için geçen süre.
Desteklenen Dışa Aktarma Formatları
- ONNX: Optimum CPU performansı için
- TensorRT: Maksimum GPU verimliliği için
- OpenVINO: Intel donanım optimizasyonu için
- CoreML, TensorFlow SavedModel , ve Daha Fazlası: Farklı dağıtım ihtiyaçları için.
İpucu
- 3 kata kadar CPU hızlandırması için ONNX veya OpenVINO adresine aktarın.
- 5 kata kadar GPU hızlandırması için TensorRT adresine aktarın.
Kullanım Örnekleri
ONNX, TensorRT vb. dahil olmak üzere desteklenen tüm dışa aktarma biçimlerinde YOLOv8n karşılaştırmalarını çalıştırın. Dışa aktarma argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bakın.
Örnek
Argümanlar
Aşağıdaki gibi argümanlar model
, data
, imgsz
, half
, device
ve verbose
kullanıcılara kıyaslamaları kendi özel ihtiyaçlarına göre ince ayarlama ve farklı dışa aktarma formatlarının performansını kolaylıkla karşılaştırma esnekliği sağlar.
Anahtar | Varsayılan Değer | Açıklama |
---|---|---|
model |
None |
Model dosyasının yolunu belirtir. Her ikisini de kabul eder .pt ve .yaml formatlar, örn, "yolov8n.pt" önceden eğitilmiş modeller veya yapılandırma dosyaları için. |
data |
None |
Kıyaslama için veri kümesini tanımlayan, tipik olarak doğrulama verileri için yollar ve ayarlar içeren bir YAML dosyasının yolu. Örnek: "coco8.yaml" . |
imgsz |
640 |
Model için girdi görüntü boyutu. Kare görüntüler için tek bir tamsayı veya bir tuple olabilir (width, height) kare olmayanlar için, örn, (640, 480) . |
half |
False |
FP16 (yarım hassasiyet) çıkarımını etkinleştirerek bellek kullanımını azaltır ve muhtemelen uyumlu donanımlarda hızı artırır. Kullanım half=True etkinleştirmek için. |
int8 |
False |
Desteklenen cihazlarda daha fazla optimize edilmiş performans için INT8 nicelemeyi etkinleştirir, özellikle uç cihazlar için kullanışlıdır. Ayarla int8=True kullanmak için. |
device |
None |
Kıyaslama için hesaplama cihaz(lar)ını tanımlar, örneğin "cpu" , "cuda:0" veya aşağıdaki gibi bir cihaz listesi "cuda:0,1" çoklu GPU kurulumları için. |
verbose |
False |
Günlük çıktısındaki ayrıntı düzeyini kontrol eder. Boolean bir değer; ayarla verbose=True ayrıntılı günlükler için veya eşikleme hataları için bir float. |
Dışa Aktarma Biçimleri
Benchmark'lar aşağıdaki tüm olası dışa aktarma formatlarında otomatik olarak çalıştırılmaya çalışılacaktır.
Biçim | format Tartışma |
Model | Metadata | Argümanlar |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF Kenar TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz , batch |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz , half , batch |
Tamamı görün export
detaylar İhracat Sayfa.
Oluşturuldu 2023-11-12, Güncellendi 2024-04-27
Yazarlar: glenn-jocher (12), Burhan-Q (1), RizwanMunawar (1), Laughing-q (1), maianumerosky (1)