Wie man mit Ultralytics YOLO Modellen trainiert, validiert, vorhersagt, exportiert & benchmarks durchführt
Lerne, wie du mit Ultralytics YOLO Modellen trainierst, validierst, vorhersagst, exportierst und benchmarks durchführst!
Tauchen wir in die Welt von Ultralytics ein und erkunden die verschiedenen Modi, die für unterschiedliche YOLO-Modelle verfügbar sind. Egal, ob du eigene Objekterkennungs-Modelle trainierst oder an Segmentierung arbeitest, das Verständnis dieser Modi ist ein entscheidender Schritt. Legen wir direkt los!
In der Ultralytics Dokumentation findest du verschiedene Modi, die du für deine Modelle nutzen kannst, sei es zum Trainieren, Validieren, Vorhersagen, Exportieren, Benchmarken oder Tracken. Jeder dieser Modi erfüllt einen einzigartigen Zweck und hilft dir, die Leistung und Bereitstellung deines Modells zu optimieren.
Link to this sectionTrain-Modus#
Als Erstes sehen wir uns den Train-Modus an. Hier erstellst und verfeinerst du dein Modell. Detaillierte Anleitungen und Video-Tutorials findest du in der Dokumentation, damit der Einstieg in das Training deiner eigenen Modelle ganz einfach ist.
Beim Modelltraining gibst du dem Modell einen neuen Datensatz, damit es verschiedene Muster erlernen kann. Sobald es trainiert ist, kann das Modell in Echtzeit genutzt werden, um neue Objekte zu erkennen, auf die es trainiert wurde. Bevor du den Trainingsprozess startest, ist es wichtig, dass du deinen Datensatz im YOLO-Format annotierst.
Link to this sectionVal-Modus#
Kommen wir als Nächstes zum Val-Modus. Validierung ist essenziell, um Hyperparameter abzustimmen und sicherzustellen, dass dein Modell gut funktioniert. Ultralytics bietet eine Vielzahl von Validierungsoptionen, einschließlich automatisierter Einstellungen, Unterstützung mehrerer Metriken und Kompatibilität mit der Python API. Du kannst die Validierung sogar direkt über die Command Line Interface (CLI) mit dem unten stehenden Befehl ausführen.
Link to this sectionWarum validieren?#
Validierung ist entscheidend für:
- Präzision: Sicherstellen, dass dein Modell Objekte korrekt erkennt.
- Bequemlichkeit: Optimierung des Validierungsprozesses.
- Flexibilität: Angebot verschiedener Validierungsmethoden.
- Hyperparameter-Tuning: Optimierung deines Modells für bessere Leistung.
Ultralytics bietet auch Beispiele an, die du kopieren und in deine Python-Skripte einfügen kannst. Diese Beispiele enthalten Parameter wie Bildgröße, Batch-Größe, Gerät (CPU oder GPU) und Intersection over Union (IoU).
Link to this sectionPredict-Modus#
Sobald dein Modell trainiert und validiert ist, ist es Zeit für Vorhersagen. Der Predict-Modus ermöglicht es dir, Inferenzen auf neuen Daten durchzuführen und dein Modell in Aktion zu sehen. Dieser Modus ist perfekt, um die Leistung deines Modells an realen Daten zu testen. Mit dem unten stehenden Python-Code-Schnipsel kannst du Vorhersagen auf deinen Bildern ausführen!
Link to this sectionExport-Modus#
Nach dem Validieren und Vorhersagen möchtest du dein Modell vielleicht bereitstellen. Der Export-Modus ermöglicht es dir, dein Modell in verschiedene Formate wie ONNX oder TensorRT zu konvertieren, was die Bereitstellung auf unterschiedlichen Plattformen erleichtert.
Link to this sectionBenchmark-Modus#
Schließlich haben wir den Benchmark-Modus. Benchmarking ist essenziell, um die Leistung deines Modells in verschiedenen Szenarien zu bewerten. Dieser Modus hilft dir, fundierte Entscheidungen über Ressourcenzuweisung, Optimierung und Kosteneffizienz zu treffen.
Link to this sectionWie man einen Benchmark durchführt#
Um einen Benchmark auszuführen, kannst du die bereitgestellten Beispiele in der Dokumentation nutzen. Diese Beispiele decken wichtige Metriken und Exportformate wie ONNX und TensorRT ab. Du kannst auch Parameter wie Integer-Quantisierung (INT8) oder Fließkomma-Quantisierung (FP16) angeben, um zu sehen, wie sich verschiedene Einstellungen auf die Leistung auswirken.
Link to this sectionReales Benchmarking-Beispiel#
Schauen wir uns ein reales Benchmarking-Beispiel an. Wenn wir unser PyTorch-Modell benchmarken, bemerken wir eine Inferenzgeschwindigkeit von 68 Millisekunden auf einer RTX 3070 GPU. Nach dem Export zu TorchScript sinkt die Inferenzgeschwindigkeit auf 4 Millisekunden, was eine deutliche Verbesserung zeigt.
Für ONNX-Modelle erreichen wir eine Inferenzgeschwindigkeit von 21 Millisekunden. Beim Testen dieser Modelle auf einer CPU (Intel i9 13. Generation) sehen wir unterschiedliche Ergebnisse. TorchScript läuft mit 115 Millisekunden, während ONNX mit 84 Millisekunden besser abschneidet. Schließlich erreicht OpenVINO, optimiert für Intel-Hardware, rasante 23 Millisekunden.
Abb. 1. Nicolai Nielsen zeigt, wie man Benchmarking mit Ultralytics YOLO-Modellen durchführt.
Link to this sectionDie 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, besonders wenn du planst, sie auf benutzerdefinierter Hardware oder Edge-Geräten bereitzustellen. Dieser Prozess stellt sicher, dass dein Modell für die Zielumgebung optimiert ist und die bestmögliche Leistung bietet.
Link to this sectionFazit#
Zusammenfassend sind die Modi in der Ultralytics-Dokumentation leistungsstarke Werkzeuge zum Trainieren, Validieren, Vorhersagen, Exportieren und Benchmarken deiner YOLO-Modelle. Jeder Modus spielt eine entscheidende Rolle bei der Optimierung deines Modells und der Vorbereitung auf die Bereitstellung.
Vergiss nicht, unserer Community beizutreten und die bereitgestellten Code-Schnipsel in deinen Projekten auszuprobieren. Mit diesen Werkzeugen kannst du leistungsstarke Modelle erstellen und sicherstellen, dass sie in jeder Umgebung effizient laufen.
