─░├žeri─če ge├ž

ile Model K─▒yaslama Ultralytics YOLO

Ultralytics YOLO ekosistem ve entegrasyonlar

Giri┼č

Modeliniz e─čitildikten ve do─čruland─▒ktan sonra, bir sonraki mant─▒kl─▒ ad─▒m, ├že┼čitli ger├žek d├╝nya senaryolar─▒ndaki performans─▒n─▒ de─čerlendirmektir. Ultralytics YOLOv8 adresindeki Benchmark modu, modelinizin h─▒z─▒n─▒ ve do─črulu─čunu ├že┼čitli d─▒┼ča aktarma bi├žimlerinde de─čerlendirmek i├žin sa─člam bir ├žer├ževe sa─člayarak bu amaca hizmet eder.



─░zle: Ultralytics Modlar E─čitimi: Benchmark

Benchmarking Neden ├ľnemlidir?

  • Bilgilendirilmi┼č Kararlar: H─▒z ve do─čruluk aras─▒ndaki dengeler hakk─▒nda i├žg├Âr├╝ kazan─▒n.
  • Kaynak Tahsisi: Farkl─▒ d─▒┼ča aktarma formatlar─▒n─▒n farkl─▒ donan─▒mlarda nas─▒l performans g├Âsterdi─čini anlay─▒n.
  • Optimizasyon: ├ľzel kullan─▒m durumunuz i├žin hangi d─▒┼ča aktarma format─▒n─▒n en iyi performans─▒ sundu─čunu ├Â─črenin.
  • Maliyet Verimlili─či: K─▒yaslama sonu├žlar─▒na g├Âre donan─▒m kaynaklar─▒n─▒ daha verimli kullan─▒n.

Benchmark Modunda Temel Metrikler

  • mAP50-95: Nesne alg─▒lama, segmentasyon ve poz tahmini i├žin.
  • accuracy_top5: G├Âr├╝nt├╝ s─▒n─▒fland─▒rmas─▒ i├žin.
  • ├ç─▒kar─▒m S├╝resi: Milisaniye cinsinden her g├Âr├╝nt├╝ i├žin ge├žen s├╝re.

Desteklenen D─▒┼ča Aktarma Formatlar─▒

  • ONNX: Optimum CPU performans─▒ i├žin
  • TensorRT: Maksimum GPU verimlili─či i├žin
  • OpenVINO: Intel donan─▒m optimizasyonu i├žin
  • CoreML, TensorFlow SavedModel , ve Daha Fazlas─▒: Farkl─▒ da─č─▒t─▒m ihtiya├žlar─▒ i├žin.

─░pucu

  • 3 kata kadar CPU h─▒zland─▒rmas─▒ i├žin ONNX veya OpenVINO adresine aktar─▒n.
  • 5 kata kadar GPU h─▒zland─▒rmas─▒ i├žin TensorRT adresine aktar─▒n.

Kullan─▒m ├ľrnekleri

ONNX, TensorRT vb. dahil olmak ├╝zere desteklenen t├╝m d─▒┼ča aktarma bi├žimlerinde YOLOv8n kar┼č─▒la┼čt─▒rmalar─▒n─▒ ├žal─▒┼čt─▒r─▒n. D─▒┼ča aktarma arg├╝manlar─▒n─▒n tam listesi i├žin a┼ča─č─▒daki Arg├╝manlar b├Âl├╝m├╝ne bak─▒n.

├ľrnek

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

Arg├╝manlar

A┼ča─č─▒daki gibi arg├╝manlar model, data, imgsz, half, deviceve verbose kullan─▒c─▒lara k─▒yaslamalar─▒ kendi ├Âzel ihtiya├žlar─▒na g├Âre ince ayarlama ve farkl─▒ d─▒┼ča aktarma formatlar─▒n─▒n performans─▒n─▒ kolayl─▒kla kar┼č─▒la┼čt─▒rma esnekli─či sa─člar.

Anahtar Varsay─▒lan De─čer A├ž─▒klama
model None Model dosyas─▒n─▒n yolunu belirtir. Her ikisini de kabul eder .pt ve .yaml formatlar, ├Ârn, "yolov8n.pt" ├Ânceden e─čitilmi┼č modeller veya yap─▒land─▒rma dosyalar─▒ i├žin.
data None K─▒yaslama i├žin veri k├╝mesini tan─▒mlayan, tipik olarak do─črulama verileri i├žin yollar ve ayarlar i├žeren bir YAML dosyas─▒n─▒n yolu. ├ľrnek: "coco8.yaml".
imgsz 640 Model i├žin girdi g├Âr├╝nt├╝ boyutu. Kare g├Âr├╝nt├╝ler i├žin tek bir tamsay─▒ veya bir tuple olabilir (width, height) kare olmayanlar i├žin, ├Ârn, (640, 480).
half False FP16 (yar─▒m hassasiyet) ├ž─▒kar─▒m─▒n─▒ etkinle┼čtirerek bellek kullan─▒m─▒n─▒ azalt─▒r ve muhtemelen uyumlu donan─▒mlarda h─▒z─▒ art─▒r─▒r. Kullan─▒m half=True etkinle┼čtirmek i├žin.
int8 False Desteklenen cihazlarda daha fazla optimize edilmi┼č performans i├žin INT8 nicelemeyi etkinle┼čtirir, ├Âzellikle u├ž cihazlar i├žin kullan─▒┼čl─▒d─▒r. Ayarla int8=True kullanmak i├žin.
device None K─▒yaslama i├žin hesaplama cihaz(lar)─▒n─▒ tan─▒mlar, ├Ârne─čin "cpu", "cuda:0"veya a┼ča─č─▒daki gibi bir cihaz listesi "cuda:0,1" ├žoklu GPU kurulumlar─▒ i├žin.
verbose False G├╝nl├╝k ├ž─▒kt─▒s─▒ndaki ayr─▒nt─▒ d├╝zeyini kontrol eder. Boolean bir de─čer; ayarla verbose=True ayr─▒nt─▒l─▒ g├╝nl├╝kler i├žin veya e┼čikleme hatalar─▒ i├žin bir float.

D─▒┼ča Aktarma Bi├žimleri

Benchmark'lar a┼ča─č─▒daki t├╝m olas─▒ d─▒┼ča aktarma formatlar─▒nda otomatik olarak ├žal─▒┼čt─▒r─▒lmaya ├žal─▒┼č─▒lacakt─▒r.

Bi├žim format Tart─▒┼čma Model Metadata Arg├╝manlar
PyTorch - yolov8n.pt Ôťů -
TorchScript torchscript yolov8n.torchscript Ôťů imgsz, optimize, batch
ONNX onnx yolov8n.onnx Ôťů imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ Ôťů imgsz, half, int8, batch
TensorRT engine yolov8n.engine Ôťů imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage Ôťů imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ Ôťů imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb ÔŁî imgsz, batch
TF Lite tflite yolov8n.tflite Ôťů imgsz, half, int8, batch
TF Kenar TPU edgetpu yolov8n_edgetpu.tflite Ôťů imgsz
TF.js tfjs yolov8n_web_model/ Ôťů imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ Ôťů imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ Ôťů imgsz, half, batch

Tamam─▒ g├Âr├╝n export detaylar ─░hracat Sayfa.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (16), Burhan-Q (3), RizwanMunawar (1), Laughing-q (1), maianumerosky (1)

Yorumlar