You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
94 lines
8.7 KiB
94 lines
8.7 KiB
--- |
|
comments: true |
|
description: Узнайте, как профилировать скорость и точность YOLOv8 в различных форматах экспорта; получите информацию о метриках mAP50-95, accuracy_top5 и др. |
|
keywords: Ultralytics, YOLOv8, бенчмаркинг, профилирование скорости, профилирование точности, mAP50-95, accuracy_top5, ONNX, OpenVINO, TensorRT, форматы экспорта YOLO |
|
--- |
|
|
|
# Бенчмаркинг моделей с Ultralytics YOLO |
|
|
|
<img width="1024" src="https://github.com/ultralytics/assets/raw/main/yolov8/banner-integrations.png" alt="Экосистема и интеграции Ultralytics YOLO"> |
|
|
|
## Введение |
|
|
|
После того, как ваша модель обучена и валидирована, следующим логическим шагом является оценка ее производительности в различных реальных сценариях. Режим бенчмаркинга в Ultralytics YOLOv8 служит этой цели, предоставляя надежный инструментарий для оценки скорости и точности вашей модели в ряде форматов экспорта. |
|
|
|
## Почему бенчмаркинг критичен? |
|
|
|
- **Обоснованные решения:** Получение представления о компромиссе между скоростью и точностью. |
|
- **Распределение ресурсов:** Понимание производительности различных форматов экспорта на разном оборудовании. |
|
- **Оптимизация:** Выяснение, какой формат экспорта предлагает лучшую производительность для вашего конкретного случая. |
|
- **Эффективность затрат:** Сделайте использование аппаратных ресурсов более эффективным на основе результатов бенчмаркинга. |
|
|
|
### Ключевые метрики в режиме бенчмаркинга |
|
|
|
- **mAP50-95:** Для детектирования объектов, сегментации и оценки поз. |
|
- **accuracy_top5:** Для классификации изображений. |
|
- **Время инференса:** Время, затрачиваемое на каждое изображение в миллисекундах. |
|
|
|
### Поддерживаемые форматы экспорта |
|
|
|
- **ONNX:** Для оптимальной производительности ЦП |
|
- **TensorRT:** Для максимальной эффективности GPU |
|
- **OpenVINO:** Для оптимизации под аппаратное обеспечение Intel |
|
- **CoreML, TensorFlow SavedModel и другие:** Для разнообразных потребностей развертывания. |
|
|
|
!!! Tip "Совет" |
|
|
|
* Экспортируйте в ONNX или OpenVINO для ускорения процессора до 3 раз. |
|
* Экспортируйте в TensorRT для ускорения GPU до 5 раз. |
|
|
|
## Примеры использования |
|
|
|
Запустите бенчмарк YOLOv8n на всех поддерживаемых форматах экспорта, включая ONNX, TensorRT и т. д. Смотрите раздел Аргументы ниже для полного списка параметров экспорта. |
|
|
|
!!! Example "Пример" |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics.utils.benchmarks import benchmark |
|
|
|
# Бенчмарк на 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 |
|
``` |
|
|
|
## Аргументы |
|
|
|
Аргументы, такие как `model`, `data`, `imgsz`, `half`, `device` и `verbose`, предоставляют пользователям гибкость для тонкой настройки бенчмарков под их конкретные потребности и сравнения производительности различных форматов экспорта с легкостью. |
|
|
|
| Ключ | Значение | Описание | |
|
|-----------|----------|----------------------------------------------------------------------------------| |
|
| `model` | `None` | путь к файлу модели, например yolov8n.pt, yolov8n.yaml | |
|
| `data` | `None` | путь к YAML, ссылающемуся на набор данных для бенчмаркинга (под меткой `val`) | |
|
| `imgsz` | `640` | размер изображения как скаляр или список (h, w), например (640, 480) | |
|
| `half` | `False` | квантование FP16 | |
|
| `int8` | `False` | квантование INT8 | |
|
| `device` | `None` | устройство для запуска, например cuda device=0 или device=0,1,2,3 или device=cpu | |
|
| `verbose` | `False` | не продолжать при ошибке (bool), или пороговое значение для `val` (float) | |
|
|
|
## Форматы экспорта |
|
|
|
Бенчмарки попытаются автоматически запустить для всех возможных форматов экспорта ниже. |
|
|
|
| Формат | Аргумент `format` | Модель | Метаданные | Аргументы | |
|
|--------------------------------------------------------------------|-------------------|---------------------------|------------|-----------------------------------------------------| |
|
| [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` | |
|
|
|
Смотрите полную информацию о `export` на странице [Экспорт](https://docs.ultralytics.com/modes/export/).
|
|
|