ultralytics/docs/pt/modes/benchmark.md

comments	description	keywords
true	Aprenda a avaliar a velocidade e a precisão do YOLOv8 em diversos formatos de exportação; obtenha informações sobre métricas mAP50-95, accuracy_top5 e mais.	Ultralytics, YOLOv8, benchmarking, perfilagem de velocidade, perfilagem de precisão, mAP50-95, accuracy_top5, ONNX, OpenVINO, TensorRT, formatos de exportação YOLO

Benchmarking de Modelos com o Ultralytics YOLO

Introdução

Uma vez que seu modelo esteja treinado e validado, o próximo passo lógico é avaliar seu desempenho em diversos cenários do mundo real. O modo de benchmark no Ultralytics YOLOv8 serve a esse propósito, oferecendo uma estrutura robusta para avaliar a velocidade e a precisão do seu modelo em uma gama de formatos de exportação.

Por Que o Benchmarking é Crucial?

• Decisões Informadas: Obtenha insights sobre o equilíbrio entre velocidade e precisão.
• Alocação de Recursos: Entenda como diferentes formatos de exportação se comportam em diferentes hardwares.
• Otimização: Aprenda qual formato de exportação oferece o melhor desempenho para o seu caso específico.
• Eficiência de Custos: Faça uso mais eficiente dos recursos de hardware com base nos resultados do benchmark.

Métricas Chave no Modo de Benchmark

• mAP50-95: Para detecção de objetos, segmentação e estimativa de pose.
• accuracy_top5: Para classificação de imagens.
• Tempo de Inferência: Tempo levado para cada imagem em milissegundos.

Formatos de Exportação Suportados

• ONNX: Para desempenho ótimo em CPU
• TensorRT: Para eficiência máxima em GPU
• OpenVINO: Para otimização em hardware Intel
• CoreML, TensorFlow SavedModel e Mais: Para uma variedade de necessidades de implantação.

!!! Tip "Dica"

* Exporte para ONNX ou OpenVINO para acelerar até 3x a velocidade em CPU.
* Exporte para TensorRT para acelerar até 5x em GPU.

Exemplos de Uso

Execute benchmarks do YOLOv8n em todos os formatos de exportação suportados incluindo ONNX, TensorRT etc. Consulte a seção Argumentos abaixo para ver uma lista completa de argumentos de exportação.

!!! Example "Exemplo"

=== "Python"

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

    # Benchmark na 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
    ```

Argumentos

Argumentos como model, data, imgsz, half, device e verbose proporcionam aos usuários flexibilidade para ajustar os benchmarks às suas necessidades específicas e comparar o desempenho de diferentes formatos de exportação com facilidade.

Chave	Valor	Descrição
model	None	caminho para o arquivo do modelo, ou seja, yolov8n.pt, yolov8n.yaml
data	None	caminho para o YAML com dataset de benchmarking (sob o rótulo val)
imgsz	640	tamanho da imagem como um escalar ou lista (h, w), ou seja, (640, 480)
half	False	quantização FP16
int8	False	quantização INT8
device	None	dispositivo para execução, ou seja, dispositivo cuda=0 ou device=0,1,2,3 ou device=cpu
verbose	False	não continuar em erro (bool), ou limiar mínimo para val (float)

Formatos de Exportação

Os benchmarks tentarão executar automaticamente em todos os possíveis formatos de exportação listados abaixo.

Formato	Argumento format	Modelo	Metadados	Argumentos
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
Modelo Salvo do TF	saved_model	yolov8n_saved_model/	✅	imgsz, keras
GraphDef do TF	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

Veja os detalhes completos de exportação na página Export.