Exporter et optimiser Ultralytics YOLOv8 pour l’inférence avec Intel OpenVINO

Dans cet article de blog, nous allons voir comment exporter et optimiser ton modèle Ultralytics YOLOv8 pré-entraîné ou entraîné sur mesure pour l’inférence avec OpenVINO. Si tu utilises un système basé sur Intel, qu’il soit équipé d’un CPU ou d’un GPU, ce guide te montrera comment accélérer considérablement ton modèle avec un minimum d’efforts.

Pourquoi optimiser Ultralytics YOLOv8 avec OpenVINO ?#

L’optimisation de ton modèle Ultralytics YOLOv8 avec OpenVINO peut multiplier par trois la vitesse des tâches d’inférence, en particulier si tu utilises un CPU Intel. Ce gain de performances peut faire une énorme différence dans les applications en temps réel, de la détection d’objets à la segmentation, en passant par les systèmes de sécurité.

Étapes pour exporter et optimiser ton modèle Ultralytics YOLOv8#

Comprendre le processus#

Commençons par décomposer le processus. Nous allons convertir un modèle PyTorch au format ONNX, puis l’optimiser avec OpenVINO. Ce processus comporte quelques étapes simples et peut être appliqué à différents modèles et formats, notamment TensorFlow, PyTorch, Caffe et ONNX.

Exporter le modèle#

En consultant la documentation Ultralytics, nous constatons que l’exportation d’un modèle YOLOv8 s’effectue à l’aide de la méthode export du framework Ultralytics. Cette méthode nous permet de convertir notre modèle de PyTorch vers ONNX, puis de l’optimiser pour OpenVINO. Le résultat est un modèle qui s’exécute beaucoup plus rapidement en tirant parti du puissant matériel Intel.

Installer les dépendances#

Avant d’exécuter le script d’exportation, tu dois t’assurer que toutes les dépendances nécessaires sont installées. Elles comprennent la bibliothèque Ultralytics, ONNX et OpenVINO. L’installation de ces paquets est simple et peut être effectuée via pip, le programme d’installation de paquets Python.

Exécuter le script d’exportation#

Une fois ton environnement configuré, tu peux exécuter ton script d’exportation. Ce script convertira ton modèle PyTorch au format ONNX, puis au format OpenVINO. Le processus est simple et consiste à appeler une seule fonction pour gérer l’exportation. Le framework Ultralytics facilite la conversion et l’optimisation de tes modèles, afin de garantir les meilleures performances avec un minimum de contraintes.

Fig. 1. Nicolai Nielsen expliquant comment exécuter le script d’exportation.

Comparer les performances#

Après l’exportation, il est essentiel de comparer les performances des modèles d’origine et optimisé. En mesurant le temps d’inférence des deux modèles, tu peux voir clairement les gains de performances. En général, le modèle OpenVINO affichera une réduction significative du temps d’inférence par rapport au modèle PyTorch d’origine. Cela est particulièrement vrai pour les modèles plus volumineux, pour lesquels le gain de performances est le plus visible.

Applications et avantages concrets#

L’optimisation des modèles Ultralytics YOLOv8 avec OpenVINO est particulièrement avantageuse pour les applications nécessitant un traitement en temps réel. Voici quelques exemples :

• Systèmes de sécurité : La détection d’objets en temps réel peut alerter instantanément le personnel de sécurité, améliorant ainsi la sécurité et la réactivité.
• Véhicules automatisés : Des vitesses d’inférence plus élevées améliorent la réactivité des systèmes de conduite autonome, les rendant plus sûrs et plus fiables.
• Domaine médical : Le traitement rapide des images pour les outils de diagnostic peut sauver des vies en fournissant plus rapidement les résultats et en permettant des interventions rapides.

En mettant en œuvre ces optimisations, tu améliores non seulement les performances, mais aussi la fiabilité et l’efficacité de tes applications. Cela peut se traduire par une meilleure expérience utilisateur, une productivité accrue et des solutions plus innovantes.

Pour conclure#

Exporter et optimiser un modèle Ultralytics YOLOv8 pour OpenVINO est un moyen puissant de tirer parti du matériel Intel afin de créer des applications d’IA plus rapides et plus efficaces. En quelques étapes simples, tu peux transformer les performances de ton modèle et l’appliquer efficacement à des scénarios concrets.

N’hésite pas à consulter d’autres tutoriels et guides d’Ultralytics pour continuer à améliorer tes projets d’IA. Visite notre dépôt GitHub et rejoins la communauté Ultralytics pour découvrir plus d’informations et de mises à jour. Innovons ensemble !

N’oublie pas que l’optimisation de tes modèles ne se résume pas à la vitesse : il s’agit de libérer de nouvelles possibilités et de garantir que tes solutions d’IA sont robustes, efficaces et prêtes pour l’avenir.