28 aprile 2025
Scopri come effettuare il benchmark di Ultralytics YOLO11, confrontare le prestazioni tra i dispositivi ed esplorare diversi formati di esportazione per ottimizzare velocità, accuratezza ed efficienza.
Con il crescente numero di modelli di IA disponibili oggi, selezionare quello più adatto alla propria applicazione specifica di IA è essenziale per ottenere risultati accurati e affidabili. Ogni modello varia in termini di velocità, precisione e prestazioni complessive. Quindi, come possiamo determinare quale modello è più adatto a un determinato compito? Questo è particolarmente importante per i sistemi in tempo reale come i veicoli autonomi, le soluzioni di sicurezza e la robotica, dove il processo decisionale rapido e affidabile è fondamentale.
Il benchmarking aiuta a rispondere a questa domanda valutando un modello in diverse condizioni. Fornisce informazioni su come il modello si comporta su diverse configurazioni e setup hardware, consentendo un processo decisionale più informato.
Ad esempio, Ultralytics YOLO11 è un modello di computer vision che supporta varie attività di analisi dei dati visivi come il rilevamento di oggetti e la segmentazione di istanze. Per comprenderne appieno le capacità, è possibile valutare le sue prestazioni su diverse configurazioni per vedere come gestirà gli scenari del mondo reale.
In questo articolo, esploreremo come effettuare il benchmark dei modelli Ultralytics YOLO come YOLO11, confrontare le loro prestazioni su vari hardware e vedere come i diversi formati di esportazione influiscono sulla loro velocità ed efficienza. Iniziamo!
Quando si tratta di utilizzare un modello di Vision AI in un'applicazione reale, come si fa a capire se sarà abbastanza veloce, preciso e affidabile? Il benchmarking del modello può fornire informazioni per rispondere a questa domanda. Il benchmarking del modello è il processo di test e confronto di diversi modelli di IA per vedere quale funziona meglio.
Implica la definizione di una baseline per il confronto, la scelta delle giuste misure di performance (come accuratezza o velocità) e il test di tutti i modelli nelle stesse condizioni. I risultati aiutano a identificare i punti di forza e di debolezza di ciascun modello, rendendo più facile decidere quale sia il più adatto per la tua specifica soluzione AI. In particolare, un dataset di riferimento viene spesso utilizzato per fornire confronti equi e valutare le prestazioni di un modello in diversi scenari del mondo reale.
Un chiaro esempio del motivo per cui il benchmarking è fondamentale si trova nelle applicazioni in tempo reale come la sorveglianza o la robotica, dove anche lievi ritardi possono influire sul processo decisionale. Il benchmarking aiuta a valutare se un modello è in grado di elaborare le immagini rapidamente, fornendo al contempo previsioni affidabili.
Svolge anche un ruolo chiave nell'identificazione dei colli di bottiglia delle prestazioni. Se un modello funziona lentamente o utilizza risorse eccessive, il benchmarking può rivelare se il problema deriva da limitazioni hardware, configurazioni del modello o formati di esportazione. Queste informazioni sono fondamentali per selezionare la configurazione più efficace.
Il benchmarking, la valutazione e il testing del modello sono termini di IA popolari che vengono usati insieme. Pur essendo simili, non sono la stessa cosa e hanno funzioni diverse. Il testing del modello verifica le prestazioni di un singolo modello eseguendolo su un dataset di test e misurando fattori come l'accuratezza e la velocità. Nel frattempo, la valutazione del modello fa un ulteriore passo avanti analizzando i risultati per comprendere i punti di forza, i punti deboli del modello e il suo funzionamento in situazioni reali. Entrambi si concentrano su un solo modello alla volta.
Il benchmarking del modello, tuttavia, confronta più modelli affiancati utilizzando gli stessi test e dataset. Aiuta a scoprire quale modello funziona meglio per un'attività specifica, evidenziando le differenze di accuratezza, velocità ed efficienza tra loro. Mentre il testing e la valutazione si concentrano su un singolo modello, il benchmarking aiuta a scegliere quello giusto (o il migliore) confrontando diverse opzioni in modo equo.
Ultralytics YOLO11 è un modello di Vision AI affidabile progettato per eseguire vari task di computer vision con precisione. Migliora le versioni precedenti del modello YOLO ed è ricco di funzionalità che possono aiutare a risolvere problemi del mondo reale. Ad esempio, può essere utilizzato per rilevare oggetti, classificare immagini, segmentare regioni, tracciare movimenti e altro ancora. Può anche essere utilizzato in applicazioni in molti settori, dalla sicurezza all'automazione e all'analisi.
Uno dei principali vantaggi di Ultralytics YOLO11 è la sua facilità d'uso. Con poche righe di codice, chiunque può integrarlo nei propri progetti di IA senza doversi confrontare con configurazioni complicate o competenze tecniche avanzate.
Funziona senza problemi anche su hardware diversi, funzionando in modo efficiente su CPU (Central Processing Units), GPU (Graphics Processing Units) e altri acceleratori AI specializzati. Sia che venga implementato su dispositivi edge o server cloud, offre prestazioni elevate.
YOLO11 è disponibile in varie dimensioni di modello, ognuna ottimizzata per diverse attività. Il benchmarking aiuta a determinare quale versione si adatta meglio alle tue esigenze specifiche. Ad esempio, una delle principali informazioni che il benchmarking può rivelare è che i modelli più piccoli, come nano o small, tendono a essere eseguiti più velocemente, ma possono compromettere un po' la precisione.
Ora che abbiamo capito cos'è il benchmarking e la sua importanza, esaminiamo come puoi confrontare i modelli YOLO come YOLO11 e valutarne l'efficienza per raccogliere informazioni preziose.
Per iniziare, puoi installare il pacchetto Python Ultralytics eseguendo il seguente comando nel tuo terminale o prompt dei comandi: "pip install ultralytics". In caso di problemi durante l'installazione, consulta la nostra Guida ai problemi comuni per suggerimenti sulla risoluzione dei problemi.
Una volta installato il pacchetto, è possibile eseguire facilmente il benchmark di YOLO11 con poche righe di codice Python:
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Quando si esegue il codice mostrato sopra, si calcola la velocità con cui il modello elabora le immagini, quanti frame è in grado di gestire in un secondo e con quale precisione rileva gli oggetti.
La menzione di “coco8.yaml” nel codice si riferisce a un file di configurazione del dataset basato sul dataset COCO8 (Common Objects in Context) - una piccola versione di esempio del dataset COCO completo, spesso utilizzata per test e sperimentazione.
Se stai testando YOLO11 per un'applicazione specifica, come il monitoraggio del traffico o l'imaging medicale, l'utilizzo di un dataset pertinente (ad esempio, un dataset sul traffico o un dataset medico) fornirà informazioni più accurate. Il benchmarking con COCO fornisce un'idea generale delle prestazioni, ma per ottenere risultati ottimali, puoi scegliere un dataset che rifletta il tuo caso d'uso effettivo.
Una volta che YOLO11 è stato sottoposto a benchmark, il passo successivo è interpretare i risultati. Dopo aver eseguito il benchmark, vedrai diversi numeri nei risultati. Queste metriche aiutano a valutare le prestazioni di YOLO11 in termini di accuratezza e velocità.
Ecco alcune metriche di benchmarking di YOLO11 degne di nota da tenere d'occhio:
Osservare solo i risultati dei benchmark racconta solo una parte della storia. Per comprendere meglio le prestazioni, è utile confrontare diverse impostazioni e opzioni hardware. Ecco alcune cose importanti da considerare:
Il pacchetto Python di Ultralytics ti consente di convertire i modelli YOLO11 in diversi formati che funzionano in modo più efficiente su hardware specifici, migliorando sia la velocità che l'utilizzo della memoria. Ogni formato di esportazione è ottimizzato per diversi dispositivi.
Da un lato, il formato ONNX può accelerare le prestazioni in vari ambienti. Dall'altro, OpenVINO migliora l'efficienza sull'hardware Intel e formati come CoreML o TF SavedModel sono ideali per i dispositivi Apple e le applicazioni mobili.
Diamo un'occhiata a come puoi effettuare il benchmark di YOLO11 in un formato specifico. Il codice seguente esegue il benchmark di YOLO11 nel formato ONNX, ampiamente utilizzato per l'esecuzione di modelli di IA sia su CPU che su GPU.
from ultralytics.utils.benchmarks import benchmark
# Benchmark a specific export format (e.g., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")Oltre ai risultati dei benchmark, la scelta del formato giusto dipende dalle specifiche del sistema e dalle esigenze di implementazione. Ad esempio, le auto a guida autonoma hanno bisogno di un rilevamento degli oggetti veloce. Se si prevede di utilizzare le GPU NVIDIA per accelerare le prestazioni, il formato TensorRT è la scelta ideale per eseguire YOLO11 su una GPU NVIDIA.
Il pacchetto Python di Ultralytics semplifica il benchmarking di YOLO11 fornendo comandi semplici in grado di gestire il test delle prestazioni per te. Con pochi passaggi, puoi vedere come diverse configurazioni influiscono sulla velocità e sull'accuratezza dei modelli, aiutandoti a fare scelte informate senza bisogno di competenze tecniche approfondite.
Anche l'hardware e le impostazioni giuste possono fare un'enorme differenza. La regolazione di parametri come la dimensione del modello e il dataset consente di ottimizzare YOLO11 per ottenere le migliori prestazioni, sia che lo si esegua su una GPU di fascia alta sia localmente su un dispositivo edge.
Entra in contatto con la nostra community ed esplora progetti AI all'avanguardia sul nostro repository GitHub. Scopri l'impatto dell'AI in agricoltura e il ruolo della computer vision nella produzione attraverso le nostre pagine di soluzioni. Esplora i nostri piani di licenza e inizia ora il tuo percorso nell'AI!
.webp)