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 minimum d'effort.

Link to this sectionPourquoi optimiser YOLOv8 avec OpenVINO ?#

L'optimisation de ton modèle YOLOv8 avec OpenVINO peut offrir jusqu'à 3x plus de vitesse sur les tâches d'inférence, particulièrement si tu utilises un CPU 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.

Link to this sectionÉtapes pour exporter et optimiser ton modèle YOLOv8#

Link to this sectionComprendre 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.

Link to this sectionExporter le modèle#

En consultant 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 finalement de l'optimiser pour OpenVINO. Le résultat est un modèle qui s'exécute beaucoup plus rapidement, en tirant parti du matériel puissant d'Intel.

Link to this sectionInstallation 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.

Link to this sectionExécution 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.

Link to this sectionComparaison 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.

Link to this sectionApplications réelles et avantages#

L'optimisation des modèles 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 instantanément le personnel de sécurité, améliorant ainsi la sûreté et la réactivité.
• Véhicules automatisés : Des vitesses d'inférence plus rapides améliorent la réactivité des systèmes de conduite autonome, les rendant plus sûrs et plus fiables.
• Santé : Le 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.

Link to this sectionConclusion#

Exporter et optimiser 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, tu peux transformer les performances de ton modèle et l'appliquer efficacement à des scénarios réels.

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'idées 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.