Intel OpenVINO での推論のために Ultralytics YOLOv8 をエクスポートおよび最適化
OpenVINO を使用して推論用に Ultralytics YOLOv8 モデルを最適化しましょう。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、事前トレーニング済みまたはカスタムトレーニング済みの Ultralytics YOLOv8 モデルをエクスポートし、OpenVINO を使用した推論向けに最適化する方法について見ていきます。CPU や GPU を問わず、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手間でモデルを大幅に高速化する方法を紹介します。
OpenVINOでUltralytics YOLOv8を最適化する理由#
OpenVINOを使用してUltralytics YOLOv8モデルを最適化すると、特にIntel CPUを実行している場合、推論タスクで最大3倍の速度向上を実現できます。このパフォーマンス向上は、物体検出からセグメンテーションやセキュリティシステムに至るまで、リアルタイムアプリケーションにおいて絶大な効果を発揮します。
Ultralytics YOLOv8モデルをエクスポートして最適化する手順#
プロセスの理解#
まずは、プロセスの全体像を把握しましょう。PyTorchモデルをONNXに変換し、それをOpenVINOで最適化します。このプロセスはいくつかの簡単なステップで行われ、TensorFlow、PyTorch、Caffe、ONNXなど、さまざまなモデルやフォーマットに適用可能です。
モデルのエクスポート#
Ultralytics のドキュメントを確認すると、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。このメソッドにより、モデルを PyTorch から ONNX に変換し、最終的に OpenVINO 向けに最適化できます。その結果、Intel の強力なハードウェアを活用して、大幅に高速に実行されるモデルが作成されます。
依存ライブラリのインストール#
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、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えます。
エクスポートスクリプトの実行#
環境が整ったら、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へ、さらにOpenVINOへと変換します。プロセスはシンプルで、単一の関数を呼び出すだけでエクスポート処理を実行できます。Ultralyticsフレームワークにより、モデルの変換と最適化が容易になり、手間を最小限に抑えながら最高のパフォーマンスを実現できます。
図 1. モデルのエクスポートスクリプトの実行方法について解説する Nicolai Nielsen。
パフォーマンスの比較#
エクスポート後は、元モデルと最適化済みモデルのパフォーマンスを比較することが不可欠です。両方の推論時間をベンチマークすることで、パフォーマンス向上の成果を明確に確認できます。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になる大規模なモデルで特に当てはまります。
実際のアプリケーションと利点#
OpenVINOによるUltralytics 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益です。いくつかの例を以下に示します。
- セキュリティシステム: リアルタイムの物体検出により、警備員に即座に警告を発し、安全性と応答性を向上させることができます。
- 自動運転車: 推論速度が向上することで、自動運転システムの応答性が高まり、より安全で信頼性が向上します。
- ヘルスケア: 診断ツール向けの迅速な画像処理により、より早い結果を提供してタイムリーな介入を可能にすることで、人命を救うことができます。
これらの最適化を実施することで、パフォーマンスの向上だけでなく、アプリケーションの信頼性と効率も高めることができます。これは、より良いユーザー体験、生産性の向上、そして革新的なソリューションの提供につながります。
まとめ#
OpenVINO向けにUltralytics YOLOv8モデルをエクスポートして最適化することは、Intelハードウェアを活用してより高速で効率的なAIアプリケーションを実現するための強力な方法です。わずかいくつかの簡単な手順で、モデルのパフォーマンスを変革し、実世界のシナリオに効果的に適用できます。
AI プロジェクトをさらに向上させるために、Ultralytics のその他のチュートリアルやガイドもぜひご覧ください。詳細や最新情報については、GitHub リポジトリにアクセスし、Ultralytics コミュニティに参加してください。一緒にイノベーションを起こしましょう！
モデルの最適化は単なるスピードアップのためだけではなく、新たな可能性を切り拓き、AIソリューションを堅牢で効率的、そして将来に備えたものにするための重要なプロセスであることを忘れないでください。
