yolov8_test/docs/ar/modes/benchmark.md

comments	description	keywords
true	تعرف على كيفية قياس سرعة ودقة YOLOv8 عبر تنسيقات التصدير المختلفة. احصل على رؤى حول مقاييس mAP50-95 وaccuracy_top5 والمزيد.	Ultralytics، YOLOv8، اختبار الأداء، قياس السرعة، قياس الدقة، مقاييس mAP50-95 وaccuracy_top5، ONNX، OpenVINO، TensorRT، تنسيقات تصدير YOLO

اختبار النموذج باستخدام Ultralytics YOLO

المقدمة

بمجرد أن يتم تدريب نموذجك وتحقق صحته ، فإن الخطوة التالية بشكل منطقي هي تقييم أدائه في سيناريوهات العالم الحقيقي المختلفة. يوفر وضع الاختبار في Ultralytics YOLOv8 هذا الهدف من خلال توفير إطار قوي لتقييم سرعة ودقة النموذج عبر مجموعة من صيغ التصدير.

لماذا هو اختبار الأداء مهم؟

• قرارات مستنيرة: اكتساب رؤى حول التنازلات بين السرعة والدقة.
• تخصيص الموارد: فهم كيفية أداء تنسيقات التصدير المختلفة على أجهزة مختلفة.
• تحسين: تعلم أي تنسيق تصدير يقدم أفضل أداء لحالتك الاستخدامية المحددة.
• كفاءة التكلفة: استخدام الموارد الأجهزة بشكل أكثر كفاءة بناءً على نتائج الاختبار.

المقاييس الرئيسية في وضع الاختبار

• mAP50-95: لكشف الكائنات وتقسيمها وتحديد الوضع.
• accuracy_top5: لتصنيف الصور.
• وقت التتبع: الوقت المستغرق لكل صورة بالميلي ثانية.

تنسيقات التصدير المدعومة

• ONNX: لأفضل أداء على وحدة المعالجة المركزية.
• TensorRT: لأقصى استفادة من وحدة المعالجة الرسومية.
• OpenVINO: لتحسين الأجهزة من إنتل.
• CoreML و TensorFlow SavedModel وما إلى ذلك: لتلبية احتياجات النشر المتنوعة.

!!! Tip "نصيحة"

* قم بتصدير إلى نموذج ONNX أو OpenVINO لزيادة سرعة وحدة المعالجة المركزية بمقدار 3 مرات.
* قم بتصدير إلى نموذج TensorRT لزيادة سرعة وحدة المعالجة الرسومية بمقدار 5 مرات.

أمثلة على الاستخدام

قم بتشغيل اختبارات YOLOv8n على جميع تنسيقات التصدير المدعومة بما في ذلك ONNX و TensorRT وما إلى ذلك. انظر القسم الموجود أدناه للحصول على قائمة كاملة من وسيطات التصدير.

!!! Example "مثال"

=== "Python"

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

    # اختبار على وحدة المعالجة الرسومية
    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
    ```

وسيطات

توفر الوسائط مثل model و data و imgsz و half و device و verbose مرونة للمستخدمين لضبط الاختبارات حسب احتياجاتهم المحددة ومقارنة أداء تنسيقات التصدير المختلفة بسهولة.

المفتاح	القيمة	الوصف
model	None	مسار إلى ملف النموذج ، على سبيل المثال yolov8n.pt ، yolov8n.yaml
data	None	مسار إلى YAML يشير إلى مجموعة بيانات اختبار الأداء (بتحتوى على بيانات val)
imgsz	640	حجم الصورة كرقم ، أو قائمة (h ، w) ، على سبيل المثال (640، 480)
half	False	تقليل دقة العدد العشرى للأبعاد (FP16 quantization)
int8	False	تقليل دقة العدد الصحيح 8 بت (INT8 quantization)
device	None	الجهاز الذى ستعمل عليه العملية ، على سبيل المثال cuda device=0 أو device=0,1,2,3 أو device=cpu
verbose	False	عدم المتابعة عند حدوث خطأ (مقدار منطقى)، أو مستوى الكشف عند تجاوز حد القيمة المطلوبة (قيمة عائمة)

صيغ التصدير

سيحاول التطبيق تشغيل الاختبارات تلقائيًا على جميع صيغ التصدير الممكنة الموجودة أدناه.

Format	format Argument	Model	Metadata	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, int8
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, int8
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

انظر تفاصيل التصدير الكاملة في الصفحة Export