FLOPs

FLOPs, oder Floating Point Operations, ist eine Standardmetrik zur Messung der Rechenkomplexität eines machine learning Modells. Sie zählt spezifisch die Anzahl der mathematischen Berechnungen – primär Additionen und Multiplikationen mit Dezimalzahlen –, die ein neural network ausführen muss, um eine einzelne Eingabe, wie ein Bild oder einen Satz, zu verarbeiten. In der Welt des deep learning dienen FLOPs als theoretischer Maßstab, um abzuschätzen, wie "schwer" oder rechenintensiv ein Modell ist. Eine höhere FLOPs-Anzahl deutet im Allgemeinen darauf hin, dass ein Modell komplexer ist und mehr Rechenleistung und Energie zur Ausführung benötigt, während eine niedrigere Anzahl auf eine leichtgewichtige Architektur hinweist, die auf Effizienz ausgelegt ist.

Link to this sectionDie 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 als hardwareunabhängiger Indikator für inference latency, was es Entwicklern ermöglicht, verschiedene Architekturen zu vergleichen, ohne sie auf jedem möglichen Gerät benchen zu müssen. Diese Metrik ist entscheidend für die Auswahl des richtigen Modells für spezifische Bereitstellungsszenarien. Beispielsweise könnte ein Forscher, der Experimente auf leistungsstarken cloud computing Servern durchführt, Genauigkeit gegenüber Effizienz bevorzugen und Modelle mit hohen FLOPs nutzen. Umgekehrt muss ein Ingenieur, der für edge AI Geräte entwickelt, niedrige FLOPs priorisieren, um sicherzustellen, dass die Anwendung innerhalb strenger Leistungs- und Temperaturgrenzen reibungslos läuft.

Link to this sectionPraxisanwendungen#

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 Pflanzengesundheit in Echtzeit. Da Drohnenbatterien begrenzt sind, zählt jedes bisschen Stromverbrauch. Entwickler wählen gezielt Modelle mit niedrigen FLOPs, wie etwa die Nano-Varianten von YOLO26, um die Belastung des Onboard-Prozessors zu minimieren und so die Flugzeit und Einsatzreichweite zu maximieren.
• Mobile Augmented Reality: Smartphone-Anwendungen, die facial recognition für Sicherheitszwecke nutzen oder AR-Filter anwenden, sind stark auf effiziente Verarbeitung angewiesen. Diese Apps müssen funktionieren, ohne dass das Gerät überhitzt oder verzögert. Entwickler nutzen FLOPs-Schätzungen, um leichtgewichtige Modelle auszuwählen, die bequem in die Leistungsfähigkeit mobiler Chipsätze wie der Snapdragon Serie oder Apples A-series chips passen.

Link to this sectionFLOPs vs. FLOPS (Floating Point Operations Per Second)#

Es ist wichtig, zwischen "FLOPs" (Plural von FLOP) und "FLOPS" (komplett in Großbuchstaben) zu unterscheiden. Obwohl sie nahezu identisch aussehen, messen sie unterschiedliche Dinge. FLOPs (kleines 's') bezieht sich auf die Gesamtmenge an Operationen, die von einem Modell benötigt werden – es ist ein statisches Maß für Komplexität. FLOPS (großes 'S') steht für Floating Point Operations Per Second und misst die Geschwindigkeit oder Leistungsfähigkeit von Hardware, wie etwa einer GPU. Du kannst dir FLOPs als die Distanz 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).

Link to this sectionFLOPs mit Python messen#

Du kannst die Rechenkosten eines Ultralytics Modells einfach mit Python berechnen. Dies ist besonders nützlich während der Phase der model optimization, um sicherzustellen, dass dein neural network in dein Hardware-Budget passt. Das folgende Beispiel zeigt, wie man ein YOLO26 Modell lädt und dessen FLOPs bestimmt.

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")

Link to this sectionFLOPs zur Effizienzsteigerung reduzieren#

Um Modelle besser bereitstellbar zu machen, nutzen Forscher verschiedene Techniken, um FLOPs zu reduzieren, ohne die Genauigkeit signifikant zu beeinträchtigen. Model pruning beinhaltet das Entfernen weniger wichtiger Verbindungen im neural network, was es effektiv verschlankt. Eine weitere Technik ist quantization, welche die Präzision der für Berechnungen verwendeten Zahlen reduziert (z. B. von 32-Bit-Gleitkommazahlen auf 8-Bit-Ganzzahlen). Tools, die auf der Ultralytics Platform verfügbar sind, helfen dabei, diese Optimierungsprozesse zu straffen, was es einfacher macht, effiziente Modelle auf Zielen wie TensorRT oder OpenVINO bereitzustellen. Durch das Verstehen und Optimieren von FLOPs können Entwickler KI-Systeme bauen, die sowohl leistungsstark als auch nachhaltig sind.