Come addestrare, validare, eseguire previsioni, esportare ed effettuare benchmark con i modelli YOLO di Ultralytics
Scopri come addestrare, validare, eseguire previsioni, esportare ed effettuare benchmark con i modelli YOLO di Ultralytics!
Immergiamoci nel mondo di Ultralytics ed esploriamo le diverse modalità disponibili per i vari modelli YOLO. Che tu stia addestrando modelli personalizzati di rilevamento degli oggetti o lavorando sulla segmentazione, comprendere queste modalità è un passaggio fondamentale. Iniziamo subito!
Nella documentazione di Ultralytics troverai diverse modalità che puoi utilizzare per i tuoi modelli, ad esempio per addestrare, validare, eseguire previsioni, esportare, fare benchmark o tracciare. Ognuna di queste modalità ha uno scopo specifico e ti aiuta a ottimizzare le prestazioni e la distribuzione del tuo modello.
Modalità Addestramento#
Per prima cosa, esaminiamo la modalità Addestramento. È qui che costruisci e perfezioni il tuo modello. Nella documentazione puoi trovare istruzioni dettagliate e guide video, che rendono semplice iniziare ad addestrare i tuoi modelli personalizzati.
L'addestramento del modello consiste nel fornirgli un nuovo dataset, permettendogli di apprendere diversi schemi. Una volta addestrato, il modello può essere utilizzato in tempo reale per rilevare nuovi oggetti per i quali è stato addestrato. Prima di avviare il processo di addestramento, è essenziale annotare il dataset nel formato YOLO.
Modalità Validazione#
Passiamo ora alla modalità Validazione. La validazione è essenziale per ottimizzare gli iperparametri e garantire che il modello funzioni bene. Ultralytics offre diverse opzioni di validazione, tra cui impostazioni automatiche, supporto per più metriche e compatibilità con l'API Python. Puoi anche eseguire la validazione direttamente tramite l'interfaccia a riga di comando (CLI) con il comando riportato di seguito.
Perché validare?#
La validazione è fondamentale per:
- Precisione: garantire che il modello rilevi gli oggetti con accuratezza.
- Praticità: semplificare il processo di validazione.
- Flessibilità: offrire diversi metodi di validazione.
- Ottimizzazione degli iperparametri: ottimizzare il modello per ottenere prestazioni migliori.
Ultralytics offre anche esempi per gli utenti che puoi copiare e incollare nei tuoi script Python. Questi esempi includono parametri come la dimensione dell'immagine, la dimensione del batch, il dispositivo (CPU o GPU) e l'intersezione su unione (IoU).
Modalità Previsione#
Una volta addestrato e validato il modello, è il momento di eseguire le previsioni. La modalità Previsione ti permette di eseguire l'inferenza su nuovi dati e vedere il tuo modello in azione. Questa modalità è perfetta per testare le prestazioni del modello su dati del mondo reale. Con lo snippet di codice Python riportato di seguito potrai eseguire previsioni sulle tue immagini!
Modalità Esportazione#
Dopo aver validato il modello ed eseguito le previsioni, potresti volerlo distribuire. La modalità Esportazione ti permette di convertire il modello in vari formati, come ONNX o TensorRT, semplificandone la distribuzione su piattaforme diverse.
Modalità Benchmark#
Infine, abbiamo la modalità Benchmark. Il benchmarking è essenziale per valutare le prestazioni del modello in diversi scenari. Questa modalità ti aiuta a prendere decisioni informate sull'allocazione delle risorse, sull'ottimizzazione e sull'efficienza dei costi.
Come eseguire un benchmark#
Per eseguire un benchmark, puoi utilizzare gli esempi per gli utenti forniti nella documentazione. Questi esempi trattano metriche chiave e formati di esportazione, tra cui ONNX e TensorRT. Puoi anche specificare parametri come la quantizzazione intera (INT8) o la quantizzazione in virgola mobile (FP16) per vedere in che modo le diverse impostazioni influenzano le prestazioni.
Esempio di benchmarking nel mondo reale#
Vediamo un esempio reale di benchmarking. Quando eseguiamo il benchmark del nostro modello PyTorch, rileviamo una velocità di inferenza di 68 millisecondi su una GPU RTX 3070. Dopo l'esportazione in TorchScript, la velocità di inferenza scende a 4 millisecondi, mostrando un miglioramento significativo.
Per i modelli ONNX raggiungiamo una velocità di inferenza di 21 millisecondi. Testando questi modelli su una CPU (un Intel i9 di 13ª generazione), osserviamo risultati variabili. TorchScript impiega 115 millisecondi, mentre ONNX offre prestazioni migliori, con 84 millisecondi. Infine, OpenVINO ottimizzato per l'hardware Intel raggiunge l'impressionante risultato di 23 millisecondi.
Fig. 1. Nicolai Nielsen mostra come eseguire il benchmarking con i modelli YOLO di Ultralytics.
L'importanza del benchmarking#
Il benchmarking mostra in che modo hardware e formati di esportazione diversi possono influenzare le prestazioni del modello. È fondamentale eseguire il benchmark dei tuoi modelli, soprattutto se prevedi di distribuirli su hardware personalizzato o dispositivi edge. Questo processo garantisce che il modello sia ottimizzato per l'ambiente di destinazione, offrendo le migliori prestazioni possibili.
Conclusione#
In sintesi, le modalità presenti nella documentazione di Ultralytics sono strumenti potenti per addestrare, validare, eseguire previsioni, esportare e fare benchmark dei tuoi modelli YOLO. Ogni modalità svolge un ruolo fondamentale nell'ottimizzazione del modello e nella sua preparazione alla distribuzione.
Non dimenticare di esplorare e unirti alla nostra community e di provare gli snippet di codice forniti nei tuoi progetti. Con questi strumenti puoi creare modelli ad alte prestazioni e assicurarti che funzionino in modo efficiente in qualsiasi ambiente.
