ultralytics/docs/es/modes/benchmark.md

comments	description	keywords
true	Aprenda cómo perfilar la velocidad y exactitud de YOLOv8 en varios formatos de exportación; obtenga perspectivas sobre las métricas mAP50-95, accuracy_top5 y más.	Ultralytics, YOLOv8, benchmarking, perfilado de velocidad, perfilado de exactitud, mAP50-95, accuracy_top5, ONNX, OpenVINO, TensorRT, formatos de exportación YOLO

Model Benchmarking con Ultralytics YOLO

Introducción

Una vez que su modelo está entrenado y validado, el siguiente paso lógico es evaluar su rendimiento en varios escenarios del mundo real. El modo benchmark en Ultralytics YOLOv8 cumple con este propósito proporcionando un marco sólido para valorar la velocidad y exactitud de su modelo a través de una gama de formatos de exportación.

¿Por Qué Es Crucial el Benchmarking?

• Decisiones Informadas: Obtenga perspectivas sobre el equilibrio entre velocidad y precisión.
• Asignación de Recursos: Entienda cómo diferentes formatos de exportación se desempeñan en diferentes hardware.
• Optimización: Aprenda cuál formato de exportación ofrece el mejor rendimiento para su caso de uso específico.
• Eficiencia de Costo: Haga un uso más eficiente de los recursos de hardware basado en los resultados del benchmark.

Métricas Clave en el Modo Benchmark

• mAP50-95: Para detección de objetos, segmentación y estimación de pose.
• accuracy_top5: Para clasificación de imágenes.
• Tiempo de Inferencia: Tiempo tomado para cada imagen en milisegundos.

Formatos de Exportación Soportados

• ONNX: Para un rendimiento óptimo de CPU
• TensorRT: Para la máxima eficiencia de GPU
• OpenVINO: Para la optimización en hardware de Intel
• CoreML, TensorFlow SavedModel y Más: Para necesidades de despliegue diversas.

!!! tip "Consejo"

* Exporte a ONNX o OpenVINO para acelerar la velocidad de CPU hasta 3 veces.
* Exporte a TensorRT para acelerar la velocidad de GPU hasta 5 veces.

Ejemplos de Uso

Ejecute benchmarks de YOLOv8n en todos los formatos de exportación soportados incluyendo ONNX, TensorRT, etc. Vea la sección de Argumentos a continuación para una lista completa de argumentos de exportación.

!!! example ""

=== "Python"

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

    # Benchmark en 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, y verbose proporcionan a los usuarios la flexibilidad de ajustar los benchmarks a sus necesidades específicas y comparar el rendimiento de diferentes formatos de exportación con facilidad.

Clave	Valor	Descripción
model	None	ruta al archivo del modelo, es decir, yolov8n.pt, yolov8n.yaml
data	None	ruta a YAML que referencia el conjunto de datos de benchmarking (bajo la etiqueta val)
imgsz	640	tamaño de imagen como escalar o lista (h, w), es decir, (640, 480)
half	False	cuantificación FP16
int8	False	cuantificación INT8
device	None	dispositivo en el que se ejecutará, es decir, dispositivo cuda=0 o dispositivo=0,1,2,3 o dispositivo=cpu
verbose	False	no continuar en caso de error (bool), o umbral de piso de valor (float)

Formatos de Exportación

Los benchmarks intentarán ejecutarse automáticamente en todos los posibles formatos de exportación a continuación.

Formato	Argumento format	Modelo	Metadatos	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
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

Vea los detalles completos de export en la página Export.