ile Model Kıyaslama Ultralytics YOLO

Q: Why is benchmarking crucial in evaluating YOLO11 models?

YOLO11 modellerinizi kıyaslamak çeşitli nedenlerden dolayı çok önemlidir: mAP50-95, Top-5 doğruluğu ve çıkarım süresi gibi temel ölçütler bu değerlendirmelerin yapılmasına yardımcı olur. Daha fazla bilgi için Temel Metrikler bölümüne bakın.

Q: Which export formats are supported by YOLO11, and what are their advantages?

YOLO11 her biri belirli donanım ve kullanım durumlarına göre uyarlanmış çeşitli dışa aktarma biçimlerini destekler: Desteklenen formatların tam listesi ve avantajları için Desteklenen Dışa Aktarma Formatları bölümüne göz atın.

Q: What arguments can I use to fine-tune my YOLO11 benchmarks?

Kıyaslamaları çalıştırırken, çeşitli bağımsız değişkenler özel ihtiyaçlara uyacak şekilde özelleştirilebilir: Bağımsız değişkenlerin tam listesi için Bağımsız Değişkenler bölümüne bakın.

Ultralytics YOLO ekosistem ve entegrasyonlar

Benchmark Görselleştirme

Tarayıcıyı Yenile

Olası çerez sorunları nedeniyle grafikleri doğru görüntülemek için sayfayı yenilemeniz gerekebilir.

YOLO11
YOLOv10
YOLOv9
YOLOv8
YOLOv7
YOLOv6-3.0
YOLOv5
PP-YOLOE+
DAMO-YOLO
YOLOX
RTDETRv2

Giriş

Modeliniz eğitildikten ve doğrulandıktan sonra, bir sonraki mantıklı adım, çeşitli gerçek dünya senaryolarındaki performansını değerlendirmektir. Ultralytics YOLO11 adresindeki Benchmark modu, modelinizin hızını ve doğruluğunu çeşitli dışa aktarma biçimlerinde değerlendirmek için sağlam bir çerçeve sağlayarak bu amaca hizmet eder.

İzle: Benchmark Ultralytics YOLO11 Modelleri | Farklı Donanımlarda Model Performansı Nasıl Karşılaştırılır?

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

3x'e kadar CPU hızlandırma için ONNX veya OpenVINO adresine aktarın.
5x'e kadar GPU hızlandırma için TensorRT adresine aktarın.

Kullanım Örnekleri

YOLO11n kıyaslamalarını ONNX, TensorRT vb. dahil olmak üzere desteklenen tüm dışa aktarma biçimlerinde çalıştırın. Dışa aktarma argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bakın.

Örnek

PythonCLI

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Argümanlar

Aşağıdaki gibi argümanlar model, data, imgsz, half, deviceve verbose kullanıcılara kıyaslamaları kendi özel ihtiyaçlarına göre 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, `"yolo11n.pt"` önceden eğitilmiş modeller veya yapılandırma dosyaları için.
`data`	`None`	Kıyaslama için veri kümesini tanımlayan bir YAML dosyasının yolu, tipik olarak aşağıdakiler için yolları ve ayarları içerir doğrulama veri̇leri̇. 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"` veya `"cuda:0"`.
`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	-	`yolo11n.pt`	✅	-
TorchScript	`torchscript`	`yolo11n.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n.pb`	❌	`imgsz`, `batch`
TF Lite	`tflite`	`yolo11n.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Kenar TPU	`edgetpu`	`yolo11n_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n_paddle_model/`	✅	`imgsz`, `batch`
MNN	`mnn`	`yolo11n.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolov8n_imx_model/`	✅	`imgsz`, `int8`

Tamamı görün export detaylar İhracat Sayfa.

SSS

Ultralytics kullanarak YOLO11 modelimin performansını nasıl kıyaslayabilirim?

Ultralytics YOLO11 modelinizin farklı dışa aktarma biçimlerindeki performansını değerlendirmek için bir Kıyaslama modu sunar. Bu mod, Ortalama Ortalama Hassasiyet (mAP50-95), doğruluk ve milisaniye cinsinden çıkarım süresi gibi temel metrikler hakkında bilgi sağlar. Kıyaslamaları çalıştırmak için Python veya CLI komutlarını kullanabilirsiniz. Örneğin, bir GPU üzerinde kıyaslama yapmak için :

Örnek

PythonCLI

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Kıyaslama argümanları hakkında daha fazla bilgi için Argümanlar bölümünü ziyaret edin.

YOLO11 modellerini farklı formatlara aktarmanın faydaları nelerdir?

YOLO11 modellerini ONNX, TensorRT ve OpenVINO gibi farklı formatlara aktarmak, dağıtım ortamınıza göre performansı optimize etmenize olanak tanır. Örneğin:

ONNX: 3 kata kadar CPU hızlandırma sağlar.
TensorRT: 5 kata kadar GPU hızlandırma sunar.
OpenVINO: Intel donanımı için özel olarak optimize edilmiştir.

Bu formatlar modellerinizin hem hızını hem de doğruluğunu artırarak çeşitli gerçek dünya uygulamaları için daha verimli hale getirir. Tüm ayrıntılar için Dışa Aktarma sayfasını ziyaret edin.

YOLO11 modellerinin değerlendirilmesinde kıyaslama neden çok önemlidir?

YOLO11 modellerinizi kıyaslamak birkaç nedenden dolayı çok önemlidir:

Bilinçli Kararlar: Hız ve doğruluk arasındaki dengeleri anlayın.
Kaynak Tahsisi: Farklı donanım seçenekleri arasında performansı ölçün.
Optimizasyon: Belirli kullanım durumları için hangi dışa aktarma formatının en iyi performansı sunduğunu belirleyin.
Maliyet Verimliliği: Kıyaslama sonuçlarına göre donanım kullanımını optimize edin.

mAP50-95, Top-5 doğruluğu ve çıkarım süresi gibi temel ölçütler bu değerlendirmelerin yapılmasına yardımcı olur. Daha fazla bilgi için Temel Metrikler bölümüne bakın.

YOLO11 tarafından hangi dışa aktarma formatları destekleniyor ve bunların avantajları nelerdir?

YOLO11 her biri belirli donanım ve kullanım durumları için uyarlanmış çeşitli dışa aktarma formatlarını destekler:

ONNX: CPU performansı için en iyisi.
TensorRT: GPU verimliliği için idealdir.
OpenVINO: Intel donanımı için optimize edilmiştir.
CoreML & TensorFlow: iOS ve genel makine öğrenimi uygulamaları için kullanışlıdır.

Desteklenen formatların tam listesi ve avantajları için Desteklenen Dışa Aktarma Formatları bölümüne göz atın.

YOLO11 kıyaslamalarıma ince ayar yapmak için hangi argümanları kullanabilirim?

Kıyaslamaları çalıştırırken, çeşitli argümanlar özel ihtiyaçlara uyacak şekilde özelleştirilebilir:

model: Model dosyasının yolu (örneğin, "yolo11n.pt").
veri: Veri kümesini tanımlayan bir YAML dosyasının yolu (örneğin, "coco8.yaml").
imgsz: Tek bir tamsayı veya bir çift olarak girdi görüntü boyutu.
yarım: Daha iyi performans için FP16 çıkarımını etkinleştirin.
int8: Kenar aygıtları için INT8 nicelemeyi etkinleştirin.
aygıt: Hesaplama cihazını belirtin (örneğin, "cpu", "cuda:0").
verbose: Günlük kaydı ayrıntı düzeyini kontrol edin.