ultralytics/docs/ja/modes/benchmark.md

comments	description	keywords
true	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。	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

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	-	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

エクスポートページでさらに詳しいexportの詳細をご覧ください。