--- comments: true description: YOLOv8を様々なエクスポート形式でスピードと精度をプロファイリングする方法を学び、mAP50-95、accuracy_top5のメトリクスなどの洞察を得る。 keywords: Ultralytics, YOLOv8, ベンチマーク, スピードプロファイリング, 精度プロファイリング, mAP50-95, accuracy_top5, ONNX, OpenVINO, TensorRT, YOLOエクスポート形式 --- # Ultralytics YOLO でのモデルベンチマーク Ultralytics YOLOエコシステムと統合 ## はじめに モデルがトレーニングされ、検証された後、次の論理的なステップは、さまざまな現実世界のシナリオでのパフォーマンスを評価することです。Ultralytics YOLOv8 のベンチマークモードは、さまざまなエクスポート形式でモデルのスピードと精度を評価するための頑健なフレームワークを提供します。 ## ベンチマークが重要な理由は？ - **情報に基づいた決定:** スピードと精度のトレードオフについての洞察を得る。 - **リソース割り当て:** 異なるハードウェアで異なるエクスポート形式がどのように動作するかを理解する。 - **最適化:** 特定のユースケースで最高のパフォーマンスを提供するエクスポート形式を学ぶ。 - **コスト効率:** ベンチマーク結果に基づいてハードウェアリソースをより効率的に使用する。 ### ベンチマークモードでの主要なメトリクス - **mAP50-95:** 物体検出、セグメンテーション、ポーズ推定に使用。 - **accuracy_top5:** 画像分類に使用。 - **推論時間:** 各画像に要する時間（ミリ秒）。 ### サポートされるエクスポート形式 - **ONNX:** 最適なCPUパフォーマンスのために - **TensorRT:** 最大限のGPU効率のために - **OpenVINO:** Intelハードウェアの最適化のために - **CoreML, TensorFlow SavedModel など:** 多様なデプロイメントニーズに。 !!! tip "ヒント" * CPUスピードアップのためにONNXまたはOpenVINOにエクスポートする。 * GPUスピードアップのためにTensorRTにエクスポートする。 ## 使用例 ONNX、TensorRTなど、すべてのサポートされるエクスポート形式でYOLOv8nベンチマークを実行します。完全なエクスポート引数のリストについては、以下のArgumentsセクションを参照してください。 !!! example "" === "Python" ```python from ultralytics.utils.benchmarks import benchmark # GPUでベンチマーク benchmark(model='yolov8n.pt', data='coco8.yaml', imgsz=640, half=False, device=0) ``` === "CLI" ```bash yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0 ``` ## 引数 `model`、`data`、`imgsz`、`half`、`device`、`verbose` などの引数は、特定のニーズに合わせてベンチマークを微調整し、さまざまなエクスポート形式のパフォーマンスを容易に比較するためにユーザーに柔軟性を提供します。 | キー | 値 | 説明 | |-----------|---------|-----------------------------------------------------------| | `model` | `None` | モデルファイルへのパス、例: yolov8n.pt, yolov8n.yaml | | `data` | `None` | ベンチマークデータセットを参照するYAMLへのパス（`val`ラベルの下） | | `imgsz` | `640` | 画像サイズをスカラーまたは(h, w)リストで、例: (640, 480) | | `half` | `False` | FP16量子化 | | `int8` | `False` | INT8量子化 | | `device` | `None` | 実行デバイス、例: cuda device=0 または device=0,1,2,3 または device=cpu | | `verbose` | `False` | エラー時に続行しない（bool）、またはval床しきい値（float） | ## エクスポート形式 以下の可能なすべてのエクスポート形式で自動的にベンチマークを試みます。 | 形式 | `format` 引数 | モデル | メタデータ | 引数 | |--------------------------------------------------------------------|---------------|---------------------------|-------|-----------------------------------------------------| | [PyTorch](https://pytorch.org/) | - | `yolov8n.pt` | ✅ | - | | [TorchScript](https://pytorch.org/docs/stable/jit.html) | `torchscript` | `yolov8n.torchscript` | ✅ | `imgsz`, `optimize` | | [ONNX](https://onnx.ai/) | `onnx` | `yolov8n.onnx` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `opset` | | [OpenVINO](https://docs.openvino.ai/latest/index.html) | `openvino` | `yolov8n_openvino_model/` | ✅ | `imgsz`, `half` | | [TensorRT](https://developer.nvidia.com/tensorrt) | `engine` | `yolov8n.engine` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `workspace` | | [CoreML](https://github.com/apple/coremltools) | `coreml` | `yolov8n.mlpackage` | ✅ | `imgsz`, `half`, `int8`, `nms` | | [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n_saved_model/` | ✅ | `imgsz`, `keras` | | [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n.pb` | ❌ | `imgsz` | | [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n.tflite` | ✅ | `imgsz`, `half`, `int8` | | [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n_edgetpu.tflite` | ✅ | `imgsz` | | [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n_web_model/` | ✅ | `imgsz` | | [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n_paddle_model/` | ✅ | `imgsz` | | [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n_ncnn_model/` | ✅ | `imgsz`, `half` | [エクスポート](https://docs.ultralytics.com/modes/export/)ページでさらに詳しい`export`の詳細をご覧ください。