So trainierst, validierst, prognostizierst, exportierst und benchmarkst du mit Ultralytics-YOLO-Modellen
Erfahre, wie du mit Ultralytics-YOLO-Modellen trainierst, validierst, Vorhersagen erstellst, exportierst und Benchmarks durchführst!
Tauchen wir in die Welt von Ultralytics ein und sehen uns die verschiedenen Modi an, die für unterschiedliche YOLO-Modelle verfügbar sind. Ganz gleich, ob du benutzerdefinierte Objekterkennungsmodelle trainierst oder an Segmentierung arbeitest: Das Verständnis dieser Modi ist ein entscheidender Schritt. Legen wir direkt los!
In der Dokumentation von Ultralytics findest du mehrere Modi, die du für deine Modelle nutzen kannst, etwa zum Trainieren, Validieren, Prognostizieren, Exportieren, Benchmarken oder Verfolgen. Jeder dieser Modi erfüllt einen eigenen Zweck und hilft dir, die Leistung und Bereitstellung deines Modells zu optimieren.
Trainingsmodus#
Werfen wir zunächst einen Blick auf den Trainingsmodus. Hier erstellst und verfeinerst du dein Modell. In der Dokumentation findest du ausführliche Anleitungen und Videoanleitungen, sodass du problemlos mit dem Training deiner benutzerdefinierten Modelle beginnen kannst.
Beim Modelltraining wird ein Modell mit einem neuen Datensatz versorgt, damit es verschiedene Muster lernen kann. Nach dem Training kann das Modell in Echtzeit verwendet werden, um neue Objekte zu erkennen, auf die es trainiert wurde. Bevor du mit dem Training beginnst, musst du deinen Datensatz unbedingt im YOLO-Format annotieren.
Validierungsmodus#
Sehen wir uns als Nächstes den Validierungsmodus an. Die Validierung ist entscheidend, um Hyperparameter abzustimmen und sicherzustellen, dass dein Modell gute Ergebnisse liefert. Ultralytics bietet verschiedene Validierungsoptionen, darunter automatisierte Einstellungen, Unterstützung mehrerer Metriken und Kompatibilität mit der Python-API. Du kannst die Validierung sogar direkt über die Befehlszeilenschnittstelle (CLI) mit dem folgenden Befehl ausführen.
Warum validieren?#
Die Validierung ist entscheidend für:
- Präzision: Sicherstellen, dass dein Modell Objekte präzise erkennt.
- Komfort: Den Validierungsprozess vereinfachen.
- Flexibilität: Mehrere Validierungsmethoden anbieten.
- Abstimmung der Hyperparameter: Dein Modell für eine bessere Leistung optimieren.
Ultralytics stellt außerdem Anwendungsbeispiele bereit, die du in deine Python-Skripte kopieren und einfügen kannst. Diese Beispiele enthalten Parameter wie Bildgröße, Batchgröße, Gerät (CPU oder GPU) und das Verhältnis von Schnittmenge zu Vereinigungsmenge (IoU).
Prognosemodus#
Sobald dein Modell trainiert und validiert ist, ist es Zeit, Prognosen zu erstellen. Mit dem Prognosemodus kannst du Inferenz auf neuen Daten ausführen und dein Modell in Aktion sehen. Dieser Modus eignet sich ideal, um die Leistung deines Modells mit realen Daten zu testen. Mit dem folgenden Python-Codeausschnitt kannst du Prognosen für deine Bilder ausführen!
Exportmodus#
Nach der Validierung und der Erstellung von Prognosen möchtest du dein Modell möglicherweise bereitstellen. Der Exportmodus ermöglicht es dir, dein Modell in verschiedene Formate wie ONNX oder TensorRT zu konvertieren, sodass es sich leichter auf unterschiedlichen Plattformen bereitstellen lässt.
Benchmarkmodus#
Zum Schluss gibt es noch den Benchmarkmodus. Benchmarking ist entscheidend, um die Leistung deines Modells in verschiedenen Szenarien zu bewerten. Dieser Modus hilft dir, fundierte Entscheidungen über Ressourcenzuweisung, Optimierung und Kosteneffizienz zu treffen.
So führst du einen Benchmark durch#
Für einen Benchmark kannst du die bereitgestellten Anwendungsbeispiele in der Dokumentation verwenden. Diese Beispiele decken wichtige Metriken und Exportformate ab, darunter ONNX und TensorRT. Du kannst außerdem Parameter wie Ganzzahlquantisierung (INT8) oder Gleitkommaquantisierung (FP16) angeben, um zu sehen, wie sich unterschiedliche Einstellungen auf die Leistung auswirken.
Beispiel für Benchmarking unter realen Bedingungen#
Sehen wir uns ein Beispiel für Benchmarking unter realen Bedingungen an. Beim Benchmarking unseres PyTorch-Modells stellen wir eine Inferenzgeschwindigkeit von 68 Millisekunden auf einer RTX 3070 GPU fest. Nach dem Export nach TorchScript sinkt die Inferenzzeit auf 4 Millisekunden, was eine deutliche Verbesserung zeigt.
Bei ONNX-Modellen erreichen wir eine Inferenzzeit von 21 Millisekunden. Beim Testen dieser Modelle auf einer CPU (einem Intel i9 der 13. Generation) sehen wir unterschiedliche Ergebnisse. TorchScript benötigt 115 Millisekunden, während ONNX mit 84 Millisekunden besser abschneidet. Schließlich erreicht OpenVINO, optimiert für Intel-Hardware, beeindruckende 23 Millisekunden.
Abb. 1: Nicolai Nielsen demonstriert, wie du Benchmarking mit YOLO-Modellen von Ultralytics ausführst.
Die Bedeutung von Benchmarking#
Benchmarking zeigt, wie sich unterschiedliche Hardware und Exportformate auf die Leistung deines Modells auswirken können. Es ist entscheidend, deine Modelle zu benchmarken, insbesondere wenn du sie auf benutzerdefinierter Hardware oder Edge-Geräten bereitstellen möchtest. Dieser Prozess stellt sicher, dass dein Modell für die Zielumgebung optimiert ist und die bestmögliche Leistung liefert.
Fazit#
Zusammenfassend sind die Modi in der Ultralytics-Dokumentation leistungsstarke Werkzeuge zum Trainieren, Validieren, Prognostizieren, Exportieren und Benchmarken deiner YOLO-Modelle. Jeder Modus spielt eine wichtige Rolle bei der Optimierung deines Modells und der Vorbereitung auf die Bereitstellung.
Vergiss nicht, unsere Community zu erkunden und ihr beizutreten sowie die bereitgestellten Codeausschnitte in deinen Projekten auszuprobieren. Mit diesen Werkzeugen kannst du leistungsstarke Modelle erstellen und sicherstellen, dass sie in jeder Umgebung effizient ausgeführt werden.
