Benchmark di Ultralytics

Metodologia di addestramento

Usiamo il throughput di addestramento — immagini elaborate al secondo durante l'addestramento — come metro di paragone; è direttamente correlato al time-to-solution. Ogni risultato è misurato sulle GPU della Piattaforma Ultralytics — lo stesso hardware NVIDIA che noleggi per l'addestramento in cloud con un clic, dalle schede workstation entry-level fino alle GPU flagship dei data center. Addestriamo YOLO26 in tutte e cinque le dimensioni (n/s/m/l/x) in modo che tu possa adattare un modello al tuo budget hardware.

Impostazioni. 2 epoche sul 25% di COCO a 640px, precisione mista AMP, GPU singola, con auto-batch (batch=-1) che seleziona il batch più grande che rientra nella memoria. Riportiamo la seconda epoca a regime, che esclude il riscaldamento della prima epoca (caching del dataset, cattura del grafo CUDA) e il passaggio di validazione di fine esecuzione. La dimensione del batch risolta, il picco di VRAM (incluso il contesto CUDA) e il picco di potenza della scheda sono registrati direttamente da ogni GPU.

Efficienza dei costi. Immagini per dollaro = throughput × 3600 ÷ prezzo orario, utilizzando i prezzi on-demand della piattaforma Ultralytics — spesso riordina drasticamente la classifica, poiché le schede value rendono più delle GPU flagship per dollaro. Misurato su ultralytics 8.4.68, torch 2.8, CUDA 12.8. Vedi anche la documentazione sulle modalità Train e Benchmark.

Metodologia di inferenza

Usiamo la latenza di inferenza — millisecondi per immagine al batch 1 — come metro di paragone; è ciò che conta per il deployment in tempo reale. Ogni dimensione di YOLO26 viene esportata nel formato e nella precisione mostrati, quindi cronometriamo la predizione a regime (riscaldamento escluso, tempi per esecuzione sigma-clipped) sulle stesse GPU della Piattaforma Ultralytics su cui effettui il deployment.

Formati e precisione. Su GPU NVIDIA: PyTorch FP16, ONNX FP16 e TensorRT FP16/INT8 (TensorRT 11.1.0.106 tramite NVIDIA ModelOpt). INT8 è calibrato su COCO128; la precisione (mAP50-95 su COCO val2017) è misurata una volta per formato/precisione e mostrata per riga, quindi il compromesso velocità↔precisione è esplicito. INT8 ripaga meglio sui modelli più grandi vincolati dal calcolo — sui modelli più piccoli il suo sovraccarico di quantizzazione può eguagliare o superare leggermente FP16. L'inferenza ONNX gira su GPU Ada/Ampere/Hopper (onnxruntime non ha ancora kernel Blackwell).

Apple Silicon. I dispositivi Mac (es. Apple M5 Pro) vengono profilati localmente e uniti nella tabella — scegli un formato per confrontarli direttamente con le GPU cloud, o filtra per la generazione Apple Silicon. CoreML gira sul Neural Engine (il percorso Apple più veloce, ~3× CPU), PyTorch sulla GPU MPS e ONNX sulla CPU; la colonna Backend di ogni riga nomina il runtime. CoreML è cronometrato con coremltools sull'ANE — uno schermo host relativo, non un numero da dispositivo iPhone. L'hardware di proprietà non ha costi di noleggio, quindi l'efficienza dei costi (img/$) è solo GPU.

Efficienza dei costi. Inferenze per dollaro = FPS × 3600 ÷ prezzo orario, utilizzando i prezzi on-demand della piattaforma Ultralytics. Misurato su ultralytics 8.4.71, torch 2.12, CUDA 13.2. Vedi anche la documentazione sulle modalità Predict e Benchmark.