OpenVINOを使用して、推論用にUltralytics YOLOv8モデルを最適化します。PyTorchモデルをONNXに変換し、リアルタイムアプリケーション向けに最適化するためのガイドに従ってください。
このブログ記事では、Ultralytics YOLOv8の事前学習済みまたはカスタム学習済みモデルをエクスポートし、OpenVINOを使用した推論用に最適化する方法を見ていきます。CPUまたはGPUのいずれであっても、Intelベースのシステムを使用している場合、このガイドでは、最小限の労力でモデルを大幅に高速化する方法を紹介します。
OpenVINOでYOLOv8モデルを最適化すると、推論タスクの速度が最大3倍向上する可能性があり、特にIntel CPUで実行している場合に効果的です。このパフォーマンスの向上は、物体検出からセグメンテーション、セキュリティシステムまで、リアルタイムアプリケーションにおいて非常に大きな違いをもたらします。
まず最初に、プロセスを分解してみましょう。PyTorchモデルをONNXに変換し、OpenVINOを使用して最適化します。このプロセスにはいくつかの簡単なステップが含まれており、TensorFlow、PyTorch、Caffe、ONNXなどのさまざまなモデルと形式に適用できます。
Ultralyticsのドキュメントを見ると、YOLOv8モデルのエクスポートには、Ultralyticsフレームワークのexportメソッドを使用することがわかります。このメソッドを使用すると、モデルをPyTorchからONNXに変換し、最終的にOpenVINO用に最適化できます。その結果、Intelの強力なハードウェアを活用して、モデルの実行速度が大幅に向上します。
エクスポートスクリプトを実行する前に、必要な依存関係がすべてインストールされていることを確認する必要があります。これには、Ultralyticsライブラリ、ONNX、およびOpenVINOが含まれます。これらのパッケージのインストールは、Pythonパッケージインストーラーであるpipを使用して簡単に行うことができます。
環境が設定されたら、エクスポートスクリプトを実行できます。このスクリプトは、PyTorchモデルをONNXに変換し、次にOpenVINOに変換します。プロセスは簡単で、エクスポートを処理するために単一の関数を呼び出すだけです。Ultralyticsフレームワークを使用すると、モデルを簡単に変換および最適化できるため、最小限の手間で最高のパフォーマンスを得ることができます。
エクスポート後、元のモデルと最適化されたモデルのパフォーマンスを比較することが重要です。両方のモデルの推論時間をベンチマークすることで、パフォーマンスの向上が明確にわかります。通常、OpenVINOモデルは、元のPyTorchモデルと比較して、推論時間が大幅に短縮されます。これは、パフォーマンスの向上が最も顕著な大規模モデルの場合に特に当てはまります。
OpenVINOによるYOLOv8モデルの最適化は、リアルタイム処理を必要とするアプリケーションに特に有効です。以下にいくつかの例を示します。
これらの最適化を実装することで、パフォーマンスが向上するだけでなく、アプリケーションの信頼性と効率も向上します。これにより、ユーザーエクスペリエンスの向上、生産性の向上、より革新的なソリューションにつながる可能性があります。
OpenVINO用にYOLOv8モデルをエクスポートおよび最適化することは、より高速で効率的なAIアプリケーションのためにIntelハードウェアを活用するための強力な方法です。いくつかの簡単なステップだけで、モデルのパフォーマンスを向上させ、それを現実世界のシナリオに効果的に適用できます。
Ultralyticsのチュートリアルとガイドをチェックして、AIプロジェクトをさらに強化してください。GitHubリポジトリにアクセスし、Ultralyticsコミュニティに参加して、より多くの洞察とアップデートを入手してください。一緒に革新を起こしましょう！
モデルの最適化は、単に速度を上げるだけでなく、新たな可能性を切り開き、AIソリューションが堅牢かつ効率的で、将来に対応できることを保証するものです。
.webp)
