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 ein in die Welt von Ultralytics und erkunden wir die verschiedenen Modi, die für verschiedene YOLO-Modelle verfügbar sind. Egal, ob du benutzerdefinierte object detection-Modelle trainierst oder an segmentation arbeitest, das Verständnis dieser Modi ist ein entscheidender Schritt. Fangen wir direkt an!
In der Ultralytics-documentation findest du mehrere modes, die du für deine Modelle nutzen kannst, sei es zum train, validate, predict, export, benchmark oder track. Jeder dieser Modi erfüllt einen einzigartigen Zweck und hilft dir, die Leistung und Bereitstellung deines Modells zu optimieren.
Train-Modus#
Schauen wir uns als Erstes den train-Modus an. Hier baust und verfeinerst du dein Modell. Detaillierte Anleitungen und video guides findest du in der Dokumentation, sodass dir der Einstieg in das Training deiner benutzerdefinierten Modelle leicht gemacht wird.
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.
Val-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.
Warum 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).
Predict-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!
Export-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.
Benchmark-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.
Wie 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.
Reales 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 demonstriert, wie Benchmarking mit Ultralytics YOLO-Modellen durchgeführt wird.
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, 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.
Fazit#
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, unsere community zu erkunden und ihr beizutreten sowie die bereitgestellten Code-Snippets in deinen Projekten auszuprobieren. Mit diesen Tools kannst du leistungsstarke Modelle erstellen und sicherstellen, dass sie in jeder Umgebung effizient laufen.
