So benchmarkst du Ultralytics YOLO-Modelle wie YOLO11

Da heute immer mehr KI-Modelle verfügbar sind, ist die Auswahl des am besten geeigneten Modells für deine spezifische KI-Anwendung entscheidend, um genaue und zuverlässige Ergebnisse zu erzielen. Die Modelle unterscheiden sich hinsichtlich Geschwindigkeit, Genauigkeit und Gesamtleistung. Wie lässt sich also feststellen, welches Modell sich am besten für eine bestimmte Aufgabe eignet? Das ist besonders wichtig für Echtzeitsysteme wie autonome Fahrzeuge, Sicherheitslösungen und Robotik, bei denen schnelle und zuverlässige Entscheidungen entscheidend sind.

Benchmarktests helfen bei der Beantwortung dieser Frage, indem sie ein Modell unter verschiedenen Bedingungen bewerten. Sie zeigen, wie gut das Modell auf unterschiedlicher Hardware und mit verschiedenen Konfigurationen funktioniert, und ermöglichen so fundiertere Entscheidungen.

Ultralytics YOLO11 (inzwischen abgelöst durch Ultralytics YOLO26) ist beispielsweise ein Computer-Vision-Modell, das verschiedene Aufgaben zur Analyse visueller Daten unterstützt, etwa Objekterkennung und Instanzsegmentierung. Um seine Fähigkeiten vollständig zu verstehen, kannst du seine Leistung in unterschiedlichen Konfigurationen messen und herausfinden, wie es sich in realen Anwendungsszenarien bewährt.

In diesem Artikel zeigen wir dir, wie du Ultralytics-YOLO-Modelle wie YOLO11 einem Benchmark unterziehst, ihre Leistung auf unterschiedlicher Hardware vergleichst und untersuchst, wie sich verschiedene Exportformate auf Geschwindigkeit und Effizienz auswirken.

Was ist Modell-Benchmarking?#

Wenn du ein Modell für visuelle KI in einer realen Anwendung einsetzen möchtest, wie kannst du feststellen, ob es schnell, genau und zuverlässig genug ist? Modell-Benchmarking kann dabei helfen. Beim Modell-Benchmarking werden verschiedene KI-Modelle getestet und verglichen, um herauszufinden, welches am besten abschneidet.

Dazu legst du eine Vergleichsbasis fest, wählst passende Leistungskennzahlen (z. B. Genauigkeit oder Geschwindigkeit) und testest alle Modelle unter denselben Bedingungen. Die Ergebnisse zeigen die Stärken und Schwächen der einzelnen Modelle und erleichtern die Auswahl des Modells, das sich am besten für deine konkrete KI-Lösung eignet. Ein Benchmark-Datensatz dient häufig dazu, faire Vergleiche zu ermöglichen und die Leistung eines Modells in verschiedenen realen Szenarien zu bewerten.

Abb. 1. Warum Computer-Vision-Modelle benchmarken? Bild vom Autor.

Ein anschauliches Beispiel für die Bedeutung von Benchmarktests sind Echtzeitanwendungen wie Überwachung oder Robotik, bei denen selbst geringe Verzögerungen die Entscheidungsfindung beeinflussen können. Benchmarktests helfen dabei zu beurteilen, ob ein Modell Bilder schnell verarbeiten und gleichzeitig zuverlässige Vorhersagen liefern kann.

Benchmarktests spielen auch eine wichtige Rolle dabei, Leistungsengpässe zu erkennen. Wenn ein Modell langsam läuft oder übermäßig viele Ressourcen beansprucht, können Benchmarktests zeigen, ob das Problem durch Hardwarebeschränkungen, Modellkonfigurationen oder Exportformate verursacht wird. Diese Erkenntnisse sind entscheidend für die Auswahl der effektivsten Konfiguration.

Modell-Benchmarking im Vergleich zu Modellbewertung und Modelltests#

Modell-Benchmarking, -bewertung und -tests sind verbreitete KI-Begriffe, die oft zusammen verwendet werden. Sie sind zwar ähnlich, aber nicht gleich und erfüllen unterschiedliche Aufgaben. Beim Modelltest wird ein einzelnes Modell auf einem Testdatensatz ausgeführt und anhand von Faktoren wie Genauigkeit und Geschwindigkeit bewertet. Die Modellbewertung geht einen Schritt weiter und analysiert die Ergebnisse, um die Stärken und Schwächen des Modells sowie seine Leistung in realen Situationen zu verstehen. Beide Verfahren konzentrieren sich jeweils auf ein einzelnes Modell.

Beim Modell-Benchmarking hingegen werden mehrere Modelle anhand derselben Tests und Datensätze direkt miteinander verglichen. Dadurch lässt sich ermitteln, welches Modell sich am besten für eine bestimmte Aufgabe eignet, indem Unterschiede bei Genauigkeit, Geschwindigkeit und Effizienz hervorgehoben werden. Während Tests und Bewertung jeweils ein einzelnes Modell betrachten, hilft Benchmarking dabei, durch einen fairen Vergleich verschiedener Optionen das passende oder beste Modell auszuwählen.

Abb. 2. Unterschiede zwischen Modell-Benchmarking, Modellbewertung und Modelltests. Bild vom Autor.

Überblick über Ultralytics YOLO11#

Ultralytics YOLO11 ist ein zuverlässiges Modell für visuelle KI, das verschiedene Computer-Vision-Aufgaben präzise ausführt. Es baut auf früheren YOLO-Modellversionen auf und bietet zahlreiche Funktionen, mit denen sich Probleme aus der Praxis lösen lassen. So kann es beispielsweise Objekte erkennen, Bilder klassifizieren, Bereiche segmentieren, Bewegungen verfolgen und vieles mehr. Das Modell lässt sich in vielen Branchen einsetzen, von Sicherheit über Automatisierung bis hin zu Analytik.

Abb. 3. Beispiel für die Segmentierung von Personen in einem Bild mit Ultralytics YOLO11.

Einer der wichtigsten Vorteile von Ultralytics YOLO11 ist die einfache Bedienung. Mit nur wenigen Codezeilen kann jeder das Modell in seine KI-Projekte integrieren, ohne sich mit komplizierter Einrichtung oder fortgeschrittenem technischem Fachwissen auseinandersetzen zu müssen.

Das Modell funktioniert außerdem reibungslos auf unterschiedlicher Hardware und läuft effizient auf Zentralen Verarbeitungseinheiten (CPUs), Grafikprozessoren (GPUs) und anderen spezialisierten KI-Beschleunigern. Ob auf Edge-Geräten oder Cloud-Servern – es bietet eine hohe Leistung.

Ultralytics YOLO11 ist in verschiedenen Modellgrößen verfügbar, die jeweils für unterschiedliche Aufgaben optimiert sind. Ein Benchmark hilft dir dabei, die passende Version für deine Anforderungen zu finden. So kann sich beispielsweise zeigen, dass kleinere Modelle wie Nano oder Small in der Regel schneller laufen, dafür aber möglicherweise etwas an Genauigkeit einbüßen.

YOLO-Modelle wie Ultralytics YOLO11 benchmarken#

Nachdem wir geklärt haben, was Benchmarking ist und warum es wichtig ist, zeigen wir dir, wie du YOLO-Modelle wie Ultralytics YOLO11 benchmarken und ihre Effizienz bewerten kannst, um wertvolle Erkenntnisse zu gewinnen.

Installiere zunächst das Ultralytics-Python-Paket, indem du den folgenden Befehl in deinem Terminal oder deiner Eingabeaufforderung ausführst: „pip install ultralytics“. Falls bei der Installation Probleme auftreten, findest du in unserem Leitfaden zu häufigen Problemen Tipps zur Fehlerbehebung.

Sobald das Paket installiert ist, kannst du Ultralytics YOLO11 benchmarken, indem du nur wenige Zeilen Python-Code ausführst:

from ultralytics.utils.benchmarks import benchmark

# Auf der GPU benchmarken
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

Wenn du den oben gezeigten Code ausführst, wird berechnet, wie schnell das Modell Bilder verarbeitet, wie viele Bilder es pro Sekunde verarbeiten kann und wie genau es Objekte erkennt.

Der Verweis auf „coco8.yaml“ im Code bezeichnet eine Datensatz-Konfigurationsdatei, die auf dem COCO8-Datensatz (Alltagsobjekte im Kontext) basiert. Dabei handelt es sich um eine kleine Beispieldatensatzversion des vollständigen COCO-Datensatzes, die häufig zum Testen und Experimentieren verwendet wird.

Wenn du Ultralytics YOLO11 für eine bestimmte Anwendung testest, etwa Verkehrsüberwachung oder medizinische Bildgebung, erhältst du mit einem passenden Datensatz (z. B. einem Verkehrs- oder medizinischen Datensatz) genauere Erkenntnisse. Benchmarktests mit COCO vermitteln einen allgemeinen Eindruck von der Leistung. Um die besten Ergebnisse zu erzielen, kannst du jedoch einen Datensatz wählen, der deinen tatsächlichen Anwendungsfall abbildet.

Ergebnisse des Ultralytics-YOLO11-Benchmarkings verstehen#

Nach dem Benchmarking von Ultralytics YOLO11 musst du als Nächstes die Ergebnisse interpretieren. Nach dem Benchmarktest werden verschiedene Zahlen angezeigt. Diese Kennzahlen helfen dabei, die Genauigkeit und Geschwindigkeit von YOLO11 zu bewerten.

Auf diese wichtigen Kennzahlen beim Ultralytics-YOLO11-Benchmarking solltest du achten:

• mAP_50-95: Diese Kennzahl misst die Genauigkeit der Objekterkennung. Ein höherer Wert bedeutet, dass das Modell Objekte besser erkennt.
• accuracy_top5: Diese Kennzahl wird häufig bei Klassifizierungsaufgaben verwendet. Sie zeigt, wie oft das richtige Label unter den fünf besten Vorhersagen erscheint.
• Inferenzzeit: Die Zeit, die zum Verarbeiten eines einzelnen Bildes benötigt wird, gemessen in Millisekunden. Niedrigere Werte bedeuten eine schnellere Verarbeitung.

Abb. 4. Diagramm zur Benchmarkleistung von YOLO11.

Weitere Faktoren beim Benchmarking von Ultralytics YOLO11#

Die Benchmark-Ergebnisse allein erzählen nur einen Teil der Geschichte. Um die Leistung besser zu verstehen, empfiehlt es sich, verschiedene Einstellungen und Hardwareoptionen zu vergleichen. Hier sind einige wichtige Punkte:

• GPU im Vergleich zu CPU: GPUs können Bilder deutlich schneller verarbeiten als CPUs. Benchmarktests zeigen dir, ob eine CPU für deine Anforderungen schnell genug ist oder ob du von einer GPU profitieren würdest.
• Genauigkeitseinstellungen (FP32, FP16, INT8): Sie bestimmen, wie das Modell Zahlen verarbeitet, und werden mit dem Argument quantize festgelegt (zum Beispiel quantize=16). Eine geringere Genauigkeit (etwa FP16 oder INT8) lässt das Modell schneller laufen und verringert den Speicherbedarf, kann die Genauigkeit aber geringfügig reduzieren.
• Exportformate: Wenn du das Modell in ein Format wie TensorRT konvertierst, kann es auf bestimmter Hardware deutlich schneller laufen. Das ist nützlich, wenn du die Geschwindigkeit auf bestimmten Geräten optimieren möchtest.

Ultralytics YOLO11 auf unterschiedlicher Hardware benchmarken#

Mit dem Ultralytics-Python-Paket kannst du YOLO11-Modelle in verschiedene Formate konvertieren, die auf bestimmter Hardware effizienter laufen und so Geschwindigkeit und Speicherverbrauch verbessern. Jedes Exportformat ist für unterschiedliche Geräte optimiert.

Einerseits kann das ONNX-Format die Leistung in verschiedenen Umgebungen steigern. Andererseits verbessert OpenVINO die Effizienz auf Intel-Hardware, CoreML eignet sich ideal für Apple-Geräte und LiteRT (ehemals TensorFlow Lite) für mobile Anwendungen.

Sehen wir uns an, wie du Ultralytics YOLO11 in einem bestimmten Format benchmarken kannst. Der folgende Code benchmarkt YOLO11 im ONNX-Format, das häufig zum Ausführen von KI-Modellen auf CPUs und GPUs verwendet wird.

from ultralytics.utils.benchmarks import benchmark

# Ein bestimmtes Exportformat benchmarken (z. B. ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Neben den Benchmark-Ergebnissen hängt die Wahl des passenden Formats von den technischen Daten deines Systems und den Anforderungen an die Bereitstellung ab. Selbstfahrende Autos benötigen beispielsweise eine schnelle Objekterkennung. Wenn du die Leistung mit NVIDIA-GPUs beschleunigen möchtest, ist das TensorRT-Format die ideale Wahl, um Ultralytics YOLO11 auf einer NVIDIA-GPU auszuführen.

Abb. 5. YOLO11 zur Objekterkennung in selbstfahrenden Autos verwenden.

Die wichtigsten Erkenntnisse#

Das Ultralytics-Python-Paket vereinfacht das Benchmarking von YOLO11 mit einfachen Befehlen, die Leistungstests für dich durchführen. Mit wenigen Schritten kannst du sehen, wie sich verschiedene Konfigurationen auf Geschwindigkeit und Genauigkeit der Modelle auswirken. So kannst du fundierte Entscheidungen treffen, ohne tiefgehendes technisches Fachwissen zu benötigen.

Die richtige Hardware und passende Einstellungen können ebenfalls einen großen Unterschied machen. Wenn du Parameter wie Modellgröße und Datensatz anpasst, kannst du Ultralytics YOLO11 für die bestmögliche Leistung optimieren – ganz gleich, ob du das Modell auf einer leistungsstarken GPU oder lokal auf einem Edge-Gerät ausführst.

Tausche dich mit unserer Community aus und entdecke unsere KI-Projekte in unserem GitHub-Repository. Erfahre auf unseren Lösungsseiten mehr über die Bedeutung von KI in der Landwirtschaft und die Rolle von Computer Vision in der Fertigung. Sieh dir unsere Lizenzmodelle an und starte jetzt mit KI!