FLOPs

FLOPs (Floating Point Operations) ist eine Standardmetrik zur Messung der Rechenkomplexität eines machine learning-Modells. Sie zählt konkret die Anzahl der mathematischen Berechnungen – primär Additionen und Multiplikationen mit Dezimalzahlen –, die ein neural network zur Verarbeitung einer einzelnen Eingabe, wie etwa eines Bildes oder Satzes, ausführen muss. In der Welt des deep learning dient FLOPs als theoretischer Maßstab zur Schätzung, wie „schwer“ oder rechenintensiv ein Modell ist. Eine höhere FLOPs-Anzahl deutet im Allgemeinen darauf hin, dass ein Modell komplexer ist und mehr Rechenleistung sowie Energie zur Ausführung benötigt, während eine niedrigere Anzahl auf eine auf Effizienz ausgelegte Leichtgewichtsarchitektur hinweist.

Die Rolle von FLOPs bei der Modellauswahl#

Bei der Entwicklung von artificial intelligence-Anwendungen stehen Entwickler oft vor einem Kompromiss zwischen Genauigkeit und Geschwindigkeit. FLOPs fungieren dabei als hardwareunabhängiger Stellvertreter für die inference latency, sodass Entwickler verschiedene Architekturen vergleichen können, ohne sie auf jedem erdenklichen Gerät einem Benchmark unterziehen zu müssen. Diese Metrik ist unerlässlich, um das richtige Modell für spezifische Bereitstellungsszenarien auszuwählen. Beispielsweise könnte ein Forscher, der Experimente auf leistungsstarken cloud computing-Servern durchführt, der Genauigkeit Vorrang vor der Effizienz einräumen und Modelle mit hohen FLOPs nutzen. Umgekehrt muss ein Entwickler, der für edge AI-Geräte entwickelt, niedrige FLOPs priorisieren, um sicherzustellen, dass die Anwendung innerhalb strenger Leistungs- und Thermikgrenzen reibungslos läuft.

Praxisanwendungen#

Die praktischen Auswirkungen von FLOPs zeigen sich in verschiedenen Branchen, in denen Rechenressourcen ein kritischer Faktor sind.

• Autonome Drohnen: In Bereichen wie der agricultural robotics analysieren mit Kameras ausgestattete Drohnen die Gesundheit von Feldfrüchten in Echtzeit. Da Drohnenbatterien begrenzt sind, zählt jedes bisschen Stromverbrauch. Entwickler wählen gezielt Modelle mit niedrigen FLOPs aus, wie etwa die Nano-Varianten von YOLO26, um die Belastung des Onboard-Prozessors zu minimieren und dadurch die Flugzeit sowie die Einsatzreichweite zu maximieren.
• Mobiles Augmented Reality: Smartphone-Anwendungen, die facial recognition für die Sicherheit nutzen oder AR-Filter anwenden, sind stark auf eine effiziente Verarbeitung angewiesen. Diese Apps müssen funktionieren, ohne dass das Gerät überhitzt oder ins Stocken gerät. Entwickler nutzen FLOPs-Schätzungen, um leichtgewichtige Modelle auszuwählen, die sich problemlos in die Fähigkeiten von mobilen Chipsets wie der Snapdragon-Serie oder den A-series chips von Apple einfügen.

FLOPs vs. FLOPS (Floating Point Operations Per Second)#

Es ist wichtig, zwischen „FLOPs“ (Plural von FLOP) und „FLOPS“ (nur Großbuchstaben) zu unterscheiden. Obwohl sie nahezu identisch aussehen, messen sie unterschiedliche Dinge. FLOPs (kleines „s“) bezeichnet die gesamte Menge der von einem Modell benötigten Operationen – es ist ein statisches Komplexitätsmaß. FLOPS (großes „S“) steht für Floating Point Operations Per Second (gleitkommaoperationen pro Sekunde) und misst die Geschwindigkeit oder Leistungsfähigkeit von Hardware wie einer GPU. Man kann sich FLOPs wie die Strecke vorstellen, die ein Auto zurücklegen muss (die zu erledigende Arbeit), während FLOPS die Höchstgeschwindigkeit des Autos ist (die Fähigkeit der Hardware, die Arbeit zu verrichten).

FLOPs mit Python messen#

Sie können die Rechenkosten eines Ultralytics-Modells ganz einfach mit Python berechnen. Dies ist besonders während der Phase der model optimization nützlich, um sicherzustellen, dass Ihr neural network innerhalb Ihres Hardware-Budgets bleibt. Das folgende Beispiel zeigt, wie Sie ein YOLO26-Modell laden und dessen FLOPs bestimmen.

from ultralytics import YOLO
from ultralytics.utils.torch_utils import get_flops

# Load a lightweight YOLO26 model
model = YOLO("yolo26n.pt")

# Calculate and print the model's FLOPs (Billions of operations)
# This gives you a hardware-independent complexity metric
flops = get_flops(model)
print(f"Model FLOPs: {flops:.2f} Billion")

FLOPs zur Effizienzsteigerung reduzieren#

Um Modelle einsatzfähiger zu machen, nutzen Forscher verschiedene Techniken, um FLOPs ohne nennenswerten Genauigkeitsverlust zu reduzieren. Beim Model pruning werden weniger wichtige Verbindungen im neural network entfernt, wodurch es effektiv ausgedünnt wird. Eine andere Technik ist die quantization, die die Präzision der bei Berechnungen verwendeten Zahlen verringert (z. B. von 32-Bit-Gleitkommazahlen auf 8-Bit-Ganzzahlen). Auf der Ultralytics Platform verfügbare Tools helfen dabei, diese Optimierungsprozesse zu optimieren und es einfacher zu machen, effiziente Modelle auf Ziele wie TensorRT oder OpenVINO bereitzustellen. Durch das Verständnis und die Optimierung von FLOPs können Entwickler KI-Systeme bauen, die sowohl leistungsstark als auch nachhaltig sind.