Exporter et optimiser Ultralytics YOLOv8 pour l'inférence sur Intel OpenVINO

Dans cet article de blog, nous allons voir comment tu peux exporter et optimiser ton modèle Ultralytics YOLOv8 pré-entraîné ou personnalisé pour l'inférence avec OpenVINO. Si tu utilises un système basé sur Intel, qu'il s'agisse d'un CPU ou d'un GPU, ce guide te montrera comment accélérer considérablement ton modèle avec un effort minimal.

Pourquoi optimiser Ultralytics YOLOv8 avec OpenVINO ?#

Optimiser ton modèle Ultralytics YOLOv8 avec OpenVINO peut offrir jusqu'à 3 fois plus de vitesse sur les tâches d'inférence, en particulier si tu utilises un CPU Intel. Cet accroissement 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.

Étapes pour exporter et optimiser ton modèle Ultralytics YOLOv8#

Comprendre le processus#

Commençons par le commencement, décortiquons le processus. Nous allons convertir un modèle PyTorch en ONNX puis l'optimiser en utilisant OpenVINO. Ce processus implique quelques étapes simples et peut être appliqué à divers modèles et formats, notamment TensorFlow, PyTorch, Caffe et ONNX.

Exporter le modèle#

En plongeant dans la documentation d'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 en exploitant le matériel puissant d'Intel.

Installation des dépendances#

Avant d'exécuter le script d'exportation, tu devras t'assurer que toutes les dépendances nécessaires sont installées. Celles-ci incluent la bibliothèque Ultralytics, ONNX et OpenVINO. L'installation de ces paquets est un processus simple qui peut être effectué via pip, le programme d'installation de paquets Python.

Exécution du script d'exportation#

Une fois ton environnement configuré, tu peux exécuter ton script d'exportation. Ce script convertira ton 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 tes modèles, te garantissant les meilleures performances avec un minimum de tracas.

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

Comparaison des performances#

Après l'exportation, il est essentiel de comparer les performances des modèles original et optimisé. En comparant le temps d'inférence des deux modèles, tu peux 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. C'est particulièrement vrai pour les modèles plus larges où le gain de performance est le plus perceptible.

Applications réelles et avantages#

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

• Systèmes de sécurité : La détection d'objets en temps réel peut alerter le personnel de sécurité instantanément, améliorant la sécurité et la réactivité.
• Véhicules autonomes : Des vitesses d'inférence plus rapides améliorent la réactivité des systèmes de conduite autonome, les rendant plus sûrs et plus fiables.
• Santé : Un traitement rapide des images pour les outils de diagnostic peut sauver des vies en fournissant des résultats plus rapides, permettant des interventions en temps opportun.

En mettant en œuvre ces optimisations, tu n'améliores pas seulement les performances, mais tu augmentes également la fiabilité et l'efficacité de tes applications. Cela peut mener à de meilleures expériences utilisateur, une productivité accrue et des solutions plus innovantes.

Conclusion#

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

Assure-toi de 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 plus d'informations et de mises à jour. Innovons ensemble !

N'oublie pas qu'optimiser tes modèles n'est pas seulement une question de vitesse : il s'agit d'ouvrir de nouvelles possibilités et de garantir que tes solutions d'IA sont robustes, efficaces et prêtes pour l'avenir.