24 mai 2024
Optimisez votre modèle Ultralytics YOLOv8 pour l'inférence en utilisant OpenVINO. Suivez notre guide pour convertir les modèles PyTorch en ONNX et les optimiser pour les applications en temps réel.
Dans ce billet de blog, nous allons voir comment vous pouvez exporter et optimiser votre modèle Ultralytics YOLOv8 pré-entraîné ou personnalisé pour l' inférence à l'aide d'OpenVINO. Si vous utilisez un système basé sur Intel, qu'il s'agisse d'un CPU ou d'un GPU, ce guide vous montrera comment accélérer de manière significative votre modèle avec un minimum d'effort.
L'optimisation de votre modèle YOLOv8 avec OpenVINO peut multiplier par trois la vitesse des tâches d'inférence, en particulier si vous utilisez un processeur Intel. Ce gain de performance peut faire une énorme différence dans les applications en temps réel, de la détection d'objets à la segmentation et aux systèmes de sécurité.
Tout d'abord, décomposons le processus. Nous allons convertir un modèle PyTorch en ONNX, puis l'optimiser à l'aide d'OpenVINO. Ce processus comporte quelques étapes simples et peut être appliqué à différents modèles et formats, notamment TensorFlow, PyTorch, Caffe et ONNX.
En consultant la documentation d'Ultralytics, nous constatons que l'exportation d'un modèle YOLOv8 implique l'utilisation de la méthode d'exportation du cadre Ultralytics. Cette méthode nous permet de convertir notre modèle de PyTorch à ONNX, et enfin de l'optimiser pour OpenVINO. Le résultat est un modèle qui s'exécute beaucoup plus rapidement, en tirant parti de la puissance du matériel d'Intel.
Avant d'exécuter le script d'exportation, vous devez vous assurer que toutes les dépendances nécessaires sont installées. Il s'agit notamment de la bibliothèque Ultralytics, d'ONNX et d'OpenVINO. L'installation de ces paquets est un processus simple qui peut être effectué via pip, l'installateur de paquets Python.
Une fois votre environnement configuré, vous pouvez exécuter votre script d'exportation. Ce script convertira votre modèle PyTorch en ONNX, puis en OpenVINO. Le processus est simple et consiste à appeler une seule fonction pour gérer l'exportation. Le cadre Ultralytics facilite la conversion et l'optimisation de vos modèles, ce qui vous permet d'obtenir les meilleures performances avec un minimum d'efforts.
Après l'exportation, il est essentiel de comparer les performances des modèles originaux et optimisés. En comparant le temps d'inférence des deux modèles, vous pouvez clairement voir les gains de performance. En règle générale, le modèle OpenVINO présente une réduction significative du temps d'inférence par rapport au modèle PyTorch d'origine. C'est particulièrement vrai pour les modèles de grande taille, où l'augmentation des performances est la plus visible.
L'optimisation des modèles YOLOv8 avec OpenVINO est particulièrement bénéfique pour les applications nécessitant un traitement en temps réel. En voici quelques exemples :
En mettant en œuvre ces optimisations, vous améliorez non seulement les performances, mais aussi la fiabilité et l'efficacité de vos applications. Cela peut conduire à de meilleures expériences pour les utilisateurs, à une productivité accrue et à des solutions plus innovantes.
L'exportation et l'optimisation d'un modèle YOLOv8 pour OpenVINO est un moyen puissant d'exploiter le matériel Intel pour des applications d'IA plus rapides et plus efficaces. En quelques étapes simples, vous pouvez transformer les performances de votre modèle et l'appliquer efficacement à des scénarios du monde réel.
N'oubliez pas de consulter d'autres tutoriels et guides d'Ultralytics pour continuer à améliorer vos projets d'IA. Visitez notre dépôt GitHub et rejoignez la communauté Ultralytics pour plus d'informations et de mises à jour. Innovons ensemble !
N'oubliez pas que l'optimisation de vos modèles n'est pas seulement une question de rapidité - il s'agit de débloquer de nouvelles possibilités et de s'assurer que vos solutions d'IA sont robustes, efficaces et prêtes pour l'avenir.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
TR
VI
AR
.webp)
.webp)