Come eseguire benchmark dei modelli Ultralytics YOLO, come YOLO11

Con il numero crescente di modelli di IA oggi disponibili, scegliere quello più adatto alla tua applicazione specifica è essenziale per ottenere risultati accurati e affidabili. Ogni modello varia per velocità, accuratezza e prestazioni complessive. Come possiamo quindi determinare quale modello è più adatto a una determinata attività? Questo è particolarmente importante per i sistemi in tempo reale, come i veicoli autonomi, le soluzioni di sicurezza e la robotica, dove è fondamentale prendere decisioni rapide e affidabili.

Il benchmarking aiuta a rispondere a questa domanda valutando un modello in condizioni diverse. Fornisce indicazioni sulle prestazioni del modello in varie configurazioni hardware, consentendo di prendere decisioni più consapevoli.

Ad esempio, Ultralytics YOLO11 (a cui è succeduto Ultralytics YOLO26) è un modello di visione artificiale che supporta diverse attività di analisi dei dati visivi, come il rilevamento degli oggetti e la segmentazione di istanze. Per comprenderne appieno le capacità, puoi confrontarne le prestazioni su configurazioni diverse e vedere come gestisce gli scenari del mondo reale.

In questo articolo vedremo come confrontare i modelli Ultralytics YOLO, come YOLO11, su diversi hardware e come i vari formati di esportazione influiscono su velocità ed efficienza.

Che cos'è il benchmarking dei modelli?#

Quando usi un modello di IA per la visione in un'applicazione reale, come puoi sapere se sarà abbastanza veloce, accurato e affidabile? Il benchmarking del modello può aiutarti a rispondere. Il benchmarking dei modelli è il processo che consiste nel testare e confrontare diversi modelli di IA per determinare quale offre le prestazioni migliori.

Il processo prevede la definizione di una base di confronto, la scelta delle misure di prestazione più adatte (come precisione o velocità) e il test di tutti i modelli nelle stesse condizioni. I risultati aiutano a individuare i punti di forza e di debolezza di ogni modello, rendendo più semplice scegliere quello più adatto alla tua soluzione di IA. In particolare, spesso si usa un dataset di benchmark per effettuare confronti equi e valutare le prestazioni di un modello in diversi scenari reali.

Fig. 1. Perché eseguire il benchmarking dei modelli di visione artificiale? Immagine dell'autore.

Un esempio chiaro dell'importanza del benchmarking sono le applicazioni in tempo reale, come la videosorveglianza o la robotica, in cui anche piccoli ritardi possono influire sul processo decisionale. Il benchmarking aiuta a valutare se un modello è in grado di elaborare le immagini rapidamente continuando a fornire previsioni affidabili.

Il benchmarking svolge inoltre un ruolo fondamentale nell'individuazione dei colli di bottiglia delle prestazioni. Se un modello è lento o usa risorse eccessive, il benchmarking può rivelare se il problema dipende dai limiti dell'hardware, dalla configurazione del modello o dai formati di esportazione. Queste informazioni sono essenziali per scegliere la configurazione più efficace.

Confronto tra benchmarking, valutazione e test dei modelli#

Benchmarking, valutazione e test dei modelli sono termini comuni nell'IA e vengono spesso usati insieme. Sebbene siano concetti simili, non sono la stessa cosa e svolgono funzioni diverse. Il test del modello verifica le prestazioni di un singolo modello eseguendolo su un dataset di test e misurando fattori come accuratezza e velocità. La valutazione del modello fa un passo ulteriore, analizzando i risultati per comprenderne i punti di forza e di debolezza e capire quanto funzioni bene in situazioni reali. Entrambe si concentrano su un solo modello alla volta.

Il benchmarking dei modelli, invece, confronta più modelli fianco a fianco usando gli stessi test e dataset. Aiuta a individuare il modello più adatto a un'attività specifica, mettendo in evidenza le differenze di accuratezza, velocità ed efficienza. Mentre i test e la valutazione si concentrano su un singolo modello, il benchmarking aiuta a scegliere quello giusto (o il migliore) confrontando equamente diverse opzioni.

Fig. 2. Differenze tra benchmarking, valutazione e test dei modelli. Immagine dell'autore.

Panoramica di Ultralytics YOLO11#

Ultralytics YOLO11 è un affidabile modello di IA per la visione, progettato per eseguire con accuratezza diverse attività di visione artificiale. Migliora le versioni precedenti dei modelli YOLO e include funzionalità utili per risolvere problemi reali. Ad esempio, può essere usato per rilevare oggetti, classificare immagini, segmentare aree, tracciare movimenti e altro ancora. Può inoltre essere applicato in molti settori, dalla sicurezza all'automazione e all'analisi.

Fig. 3. Esempio di utilizzo di Ultralytics YOLO11 per segmentare le persone in un'immagine.

Uno dei principali vantaggi di Ultralytics YOLO11 è la facilità d'uso. Bastano poche righe di codice per integrarlo nei tuoi progetti di IA, senza dover gestire configurazioni complesse né possedere competenze tecniche avanzate.

Funziona inoltre senza problemi su hardware diversi, con prestazioni efficienti su CPU (unità di elaborazione centrale), GPU (unità di elaborazione grafica) e altri acceleratori specializzati per l'IA. Che venga distribuito su dispositivi edge o server cloud, offre prestazioni elevate.

Ultralytics YOLO11 è disponibile in diverse dimensioni del modello, ciascuna ottimizzata per attività diverse. Il benchmarking aiuta a determinare quale versione è più adatta alle tue esigenze specifiche. Ad esempio, uno degli aspetti che può emergere dal benchmarking è che i modelli più piccoli, come nano o small, tendono a funzionare più velocemente, ma possono avere una precisione leggermente inferiore.

Come eseguire il benchmarking dei modelli YOLO, come Ultralytics YOLO11#

Ora che abbiamo visto cos’è il benchmarking e perché è importante, vediamo come confrontare modelli YOLO come Ultralytics YOLO11 e valutarne l’efficienza per ottenere informazioni utili.

Per iniziare, puoi installare il pacchetto Python Ultralytics eseguendo il seguente comando nel terminale o nel prompt dei comandi: “pip install ultralytics”. Se riscontri problemi durante l'installazione, consulta la nostra guida ai problemi comuni per trovare suggerimenti sulla risoluzione.

Una volta installato il pacchetto, puoi eseguire facilmente il benchmarking di Ultralytics YOLO11 con poche righe di codice Python:

from ultralytics.utils.benchmarks import benchmark

# Benchmarking su GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

Quando esegui il codice mostrato sopra, calcola la velocità con cui il modello elabora le immagini, quanti fotogrammi può gestire in un secondo e con quale accuratezza rileva gli oggetti.

Nel codice, “coco8.yaml” fa riferimento 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 usata per test e sperimentazioni.

Se stai testando Ultralytics YOLO11 per un'applicazione specifica, come il monitoraggio del traffico o l'imaging medico, usare un dataset pertinente (ad es. un dataset sul traffico o un dataset medico) ti fornirà indicazioni più accurate. Il benchmarking con COCO offre un'idea generale delle prestazioni, ma per ottenere i risultati migliori puoi scegliere un dataset che rispecchi il tuo caso d'uso effettivo.

Come interpretare i risultati del benchmarking di Ultralytics YOLO11#

Dopo aver eseguito il benchmarking di Ultralytics YOLO11, il passaggio successivo consiste nell'interpretare i risultati. Al termine del benchmark, vedrai diversi valori nei risultati. Queste metriche aiutano a valutare le prestazioni di YOLO11 in termini di accuratezza e velocità.

Ecco alcune metriche importanti da considerare nei risultati del benchmarking di Ultralytics YOLO11:

• mAP_50-95: Misura l'accuratezza del rilevamento degli oggetti. Un valore più alto indica che il modello riconosce meglio gli oggetti.
• accuracy_top5: È comunemente usata nelle attività di classificazione. Indica con quale frequenza l'etichetta corretta compare tra le prime cinque previsioni.
• Tempo di inferenza: Il tempo necessario per elaborare una singola immagine, misurato in millisecondi. Valori più bassi indicano un'elaborazione più rapida.

Fig. 4. Grafico delle prestazioni di YOLO11 nei benchmark.

Altri fattori da considerare nel benchmarking di Ultralytics YOLO11#

Esaminare soltanto i risultati del benchmark non racconta tutta la storia. Per comprendere meglio le prestazioni, è utile confrontare impostazioni e opzioni hardware diverse. Ecco alcuni aspetti importanti da valutare:

• GPU o CPU: Le GPU possono elaborare le immagini molto più velocemente delle CPU. Il benchmarking ti aiuta a capire se una CPU è abbastanza veloce per le tue esigenze o se ti conviene usare una GPU.
• Impostazioni di precisione (FP32, FP16, INT8): Controllano il modo in cui il modello gestisce i numeri e si impostano con l’argomento quantize (ad esempio, quantize=16). Una precisione inferiore (come FP16 o INT8) rende il modello più veloce e riduce l’uso della memoria, ma può ridurre leggermente la precisione.
• Formati di esportazione: convertire il modello in un formato come TensorRT può renderlo molto più veloce su determinati hardware. È utile se vuoi ottimizzare la velocità su dispositivi specifici.

Come eseguire il benchmarking di Ultralytics YOLO11 su hardware diversi#

Il pacchetto Python Ultralytics permette di convertire i modelli YOLO11 in formati diversi, più efficienti su hardware specifici, migliorando sia la velocità sia l'utilizzo della memoria. Ogni formato di esportazione è ottimizzato per dispositivi diversi.

Da un lato, il formato ONNX può accelerare le prestazioni in diversi ambienti. Dall’altro, OpenVINO migliora l’efficienza sull’hardware Intel, CoreML è ideale per i dispositivi Apple e LiteRT (in precedenza TensorFlow Lite) è adatto alle applicazioni mobili.

Vediamo come eseguire il benchmarking di Ultralytics YOLO11 in un formato specifico. Il codice qui sotto esegue il benchmarking di YOLO11 in formato ONNX, ampiamente usato per eseguire modelli di IA sia su CPU sia su GPU.

from ultralytics.utils.benchmarks import benchmark

# Esegui il benchmarking di un formato di esportazione specifico (ad es. ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Oltre ai risultati del benchmarking, la scelta del formato giusto dipende dalle specifiche del sistema e dalle esigenze di distribuzione. Ad esempio, le auto a guida autonoma richiedono un rilevamento rapido degli oggetti. Se vuoi usare le GPU NVIDIA per accelerare le prestazioni, il formato TensorRT è la scelta ideale per eseguire Ultralytics YOLO11 su una GPU NVIDIA.

Fig. 5. Uso di YOLO11 per il rilevamento di oggetti nelle auto a guida autonoma.

Punti chiave#

Il pacchetto Python Ultralytics semplifica il benchmarking di YOLO11 grazie a comandi semplici che eseguono i test delle prestazioni al posto tuo. Bastano pochi passaggi per vedere come le diverse configurazioni influiscono sulla velocità e sull'accuratezza dei modelli, aiutandoti a prendere decisioni consapevoli senza bisogno di competenze tecniche approfondite.

Anche l'hardware e le impostazioni giusti possono fare una grande differenza. Modificando parametri come la dimensione del modello e il dataset, puoi ottimizzare Ultralytics YOLO11 per ottenere le prestazioni migliori, sia che venga eseguito su una GPU di fascia alta sia in locale su un dispositivo edge.

Entra in contatto con la nostra community ed esplora i nostri progetti di IA nel nostro repository GitHub. Scopri l’impatto dell’IA in agricoltura e il ruolo della visione artificiale nella produzione nelle nostre pagine dedicate alle soluzioni. Esplora i nostri piani di licenza e dai subito inizio al tuo percorso nell’IA!