FLOPs

FLOPs, ovvero le operazioni in virgola mobile, è una metrica standard utilizzata per misurare la complessità computazionale di un modello di machine learning. Conta nello specifico il numero di calcoli matematici—principalmente somme e moltiplicazioni che coinvolgono numeri decimali—che una rete neurale deve eseguire per elaborare un singolo input, come un'immagine o una frase. Nel mondo del deep learning, FLOPs funge da indicatore teorico per stimare quanto sia "pesante" o computazionalmente costoso un modello. Un numero maggiore di FLOPs suggerisce generalmente che un modello è più complesso e richiederà maggiore potenza di elaborazione ed energia per essere eseguito, mentre un numero inferiore indica un'architettura leggera progettata per l'efficienza.

Il ruolo di FLOPs nella selezione dei modelli#

Quando sviluppano applicazioni di intelligenza artificiale, gli ingegneri devono spesso trovare un compromesso tra accuratezza e velocità. FLOPs funge da indicatore indipendente dall'hardware della latenza di inferenza, consentendo agli sviluppatori di confrontare architetture diverse senza doverle sottoporre a benchmark su ogni dispositivo possibile. Questa metrica è essenziale per scegliere il modello giusto per specifici scenari di deployment. Ad esempio, un ricercatore che esegue esperimenti su potenti server di cloud computing potrebbe dare priorità all'accuratezza rispetto all'efficienza, utilizzando modelli con un numero elevato di FLOPs. Al contrario, un ingegnere che sviluppa per dispositivi di edge AI deve dare priorità a un numero ridotto di FLOPs per garantire che l'applicazione funzioni senza problemi entro rigorosi limiti di potenza e temperatura.

Applicazioni nel mondo reale#

Le implicazioni pratiche di FLOPs sono evidenti in diversi settori in cui le risorse computazionali rappresentano un fattore critico.

• Droni autonomi: In settori come la robotica agricola, i droni dotati di telecamere analizzano in tempo reale lo stato delle colture. Poiché le batterie dei droni hanno una capacità limitata, ogni consumo di energia è importante. Gli ingegneri selezionano specificamente modelli con un numero ridotto di FLOPs, come le varianti Nano di YOLO26, per ridurre al minimo il consumo del processore di bordo, massimizzando così il tempo di volo e il raggio operativo.
• Realtà aumentata mobile: Le applicazioni per smartphone che utilizzano il riconoscimento facciale per la sicurezza o applicano filtri AR dipendono fortemente da un'elaborazione efficiente. Queste app devono funzionare senza causare il surriscaldamento o rallentamenti del dispositivo. Gli sviluppatori utilizzano le stime di FLOPs per selezionare modelli leggeri che rientrino agevolmente nelle capacità dei chipset mobili, come quelli della serie Snapdragon o i chip della serie A di Apple.

FLOPs vs. FLOPS (operazioni in virgola mobile al secondo)#

È importante distinguere tra "FLOPs" (plurale di FLOP) e "FLOPS" (tutto maiuscolo). Sebbene siano quasi identici nell'aspetto, misurano cose diverse. FLOPs (con la 's' minuscola) indica la quantità totale di operazioni richieste da un modello: è una misura statica della complessità. FLOPS (con la 'S' maiuscola) sta per operazioni in virgola mobile al secondo e misura la velocità o la capacità prestazionale dell'hardware, come una GPU. Puoi pensare a FLOPs come alla distanza che un'auto deve percorrere (il lavoro da svolgere), mentre FLOPS rappresenta la velocità massima dell'auto (la capacità dell'hardware di svolgere il lavoro).

Misurare FLOPs con Python#

Puoi calcolare facilmente il costo computazionale di un modello Ultralytics usando Python. Questo è particolarmente utile durante la fase di ottimizzazione del modello per assicurarti che la tua rete neurale rientri nel budget hardware disponibile. L'esempio seguente mostra come caricare un modello YOLO26 e determinarne i FLOPs.

from ultralytics import YOLO
from ultralytics.utils.torch_utils import get_flops

# Load a lightweight YOLO26 model
model = YOLO("yolo26n.pt")

# Calculate and print the model's FLOPs (Billions of operations)
# This gives you a hardware-independent complexity metric
flops = get_flops(model)
print(f"Model FLOPs: {flops:.2f} Billion")

Ridurre FLOPs per migliorare l'efficienza#

Per rendere i modelli più facilmente distribuibili, i ricercatori utilizzano diverse tecniche per ridurre FLOPs senza sacrificare significativamente l'accuratezza. Il pruning del modello consiste nel rimuovere le connessioni meno importanti nella rete neurale, assottigliandola di fatto. Un'altra tecnica è la quantizzazione, che riduce la precisione dei numeri utilizzati nei calcoli (ad esempio, da numeri in virgola mobile a 32 bit a interi a 8 bit). Gli strumenti disponibili sulla Ultralytics Platform aiutano a semplificare questi processi di ottimizzazione, rendendo più facile distribuire modelli efficienti su target come TensorRT o OpenVINO. Comprendendo e ottimizzando FLOPs, gli sviluppatori possono creare sistemi di IA potenti e al tempo stesso sostenibili.