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 cet article de blog, nous allons examiner comment vous pouvez exporter et optimiser votre modèle Ultralytics YOLOv8 pré-entraîné ou entraîné sur mesure 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 considérablement votre modèle avec un minimum d'effort.
L'optimisation de votre modèle YOLOv8 avec OpenVINO peut fournir une augmentation de vitesse allant jusqu'à 3x sur les tâches d'inférence, en particulier si vous utilisez un CPU Intel. Cette amélioration des performances 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 implique quelques étapes simples et peut être appliqué à divers modèles et formats, notamment TensorFlow, PyTorch, Caffe et ONNX.
En consultant la documentation Ultralytics, nous constatons que l'exportation d'un modèle YOLOv8 implique l'utilisation de la méthode export du framework Ultralytics. Cette méthode nous permet de convertir notre modèle de PyTorch vers ONNX, et enfin, de l'optimiser pour OpenVINO. Le résultat est un modèle qui s'exécute beaucoup plus rapidement, tirant parti du puissant matériel d'Intel.
Avant d'exécuter le script d'exportation, vous devrez vous assurer que toutes les dépendances nécessaires sont installées. Cela inclut la bibliothèque Ultralytics, ONNX et OpenVINO. L'installation de ces packages est un processus simple qui peut être effectué via pip, l'installateur de packages 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 framework Ultralytics facilite la conversion et l'optimisation de vos modèles, vous assurant ainsi d'obtenir les meilleures performances avec un minimum de tracas.
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 constater les gains de performance. En général, le modèle OpenVINO affichera une réduction significative du temps d'inférence par rapport au modèle PyTorch original. Cela est particulièrement vrai pour les modèles plus grands où l'amélioration 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. Voici quelques exemples :
En mettant en œuvre ces optimisations, vous améliorez non seulement les performances, mais vous renforcez également la fiabilité et l'efficacité de vos applications. Cela peut conduire à de meilleures expériences utilisateur, 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 réels.
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 obtenir plus d'informations et de mises à jour. Innovons ensemble !
N'oubliez pas que l'optimisation de vos modèles ne se limite pas à la vitesse : il s'agit de débloquer de nouvelles possibilités et de garantir que vos solutions d'IA sont robustes, efficaces et prêtes pour l'avenir.
.webp)