ultralytics/docs/fr/modes/benchmark.md

comments	description	keywords
true	Apprenez comment profiler la vitesse et l'exactitude de YOLOv8 à travers divers formats d'exportation ; obtenez des insights sur les métriques mAP50-95, accuracy_top5 et plus.	Ultralytics, YOLOv8, benchmarking, profilage de vitesse, profilage de précision, mAP50-95, accuracy_top5, ONNX, OpenVINO, TensorRT, formats d'exportation YOLO

Benchmarking de Modèles avec Ultralytics YOLO

Introduction

Une fois votre modèle entraîné et validé, l'étape logique suivante est d'évaluer ses performances dans divers scénarios du monde réel. Le mode benchmark dans Ultralytics YOLOv8 répond à cet objectif en fournissant un cadre robuste pour évaluer la vitesse et l'exactitude de votre modèle sur une gamme de formats d'exportation.

Pourquoi le Benchmarking est-il Crucial ?

• Décisions Éclairées : Obtenez des insights sur les arbitrages entre la vitesse et l'exactitude.
• Allocation des Ressources : Comprenez comment les différents formats d'exportation se comportent sur différents matériels.
• Optimisation : Découvrez quel format d'exportation offre la meilleure performance pour votre cas d'utilisation spécifique.
• Efficacité des Coûts : Utilisez les ressources matérielles plus efficacement en vous basant sur les résultats des benchmarks.

Mesures Clés en Mode Benchmark

• mAP50-95 : Pour la détection d'objets, la segmentation et l'estimation de pose.
• accuracy_top5 : Pour la classification d'images.
• Temps d'Inférence : Temps pris pour chaque image en millisecondes.

Formats d'Exportation Supportés

• ONNX : Pour une performance optimale sur CPU.
• TensorRT : Pour une efficacité maximale sur GPU.
• OpenVINO : Pour l'optimisation du matériel Intel.
• CoreML, TensorFlow SavedModel, et Plus : Pour des besoins variés de déploiement.

!!! astuce "Conseil"

* Exportez vers ONNX ou OpenVINO pour un gain de vitesse CPU jusqu'à 3x.
* Exportez vers TensorRT pour un gain de vitesse GPU jusqu'à 5x.

Exemples d'Utilisation

Exécutez les benchmarks YOLOv8n sur tous les formats d'exportation supportés, y compris ONNX, TensorRT, etc. Consultez la section Arguments ci-dessous pour une liste complète des arguments d'exportation.

!!! exemple ""

=== "Python"

    ```python
    from ultralytics.utils.benchmarks import benchmark

    # Benchmark sur GPU
    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
    ```

Arguments

Des arguments tels que model, data, imgsz, half, device et verbose offrent aux utilisateurs la flexibilité d'ajuster précisément les benchmarks à leurs besoins spécifiques et de comparer facilement les performances de différents formats d'exportation.

Clé	Valeur	Description
model	None	chemin vers le fichier modèle, par ex. yolov8n.pt, yolov8n.yaml
data	None	chemin vers le YAML référençant le dataset de benchmarking (sous l'étiquette val)
imgsz	640	taille de l'image comme scalaire ou liste (h, w), par ex. (640, 480)
half	False	quantification FP16
int8	False	quantification INT8
device	None	appareil sur lequel exécuter, par ex. appareil cuda=0 ou device=0,1,2,3 ou device=cpu
verbose	False	ne pas continuer en cas d'erreur (bool), ou seuil de plancher val (float)

Formats d'Exportation

Les benchmarks tenteront de s'exécuter automatiquement sur tous les formats d'exportation possibles ci-dessous.

Format	Argument format	Modèle	Métadonnées	Arguments
PyTorch	-	yolov8n.pt	✅	-
TorchScript	torchscript	yolov8n.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n.onnx	✅	imgsz, half, dynamic, simplify, opset
OpenVINO	openvino	yolov8n_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n.engine	✅	imgsz, half, dynamic, simplify, workspace
CoreML	coreml	yolov8n.mlpackage	✅	imgsz, half, int8, nms
TF SavedModel	saved_model	yolov8n_saved_model/	✅	imgsz, keras
TF GraphDef	pb	yolov8n.pb	❌	imgsz
TF Lite	tflite	yolov8n.tflite	✅	imgsz, half, int8
TF Edge TPU	edgetpu	yolov8n_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n_web_model/	✅	imgsz
PaddlePaddle	paddle	yolov8n_paddle_model/	✅	imgsz
ncnn	ncnn	yolov8n_ncnn_model/	✅	imgsz, half

Consultez les détails complets sur export dans la page Export.