YOLO11のようなUltralytics YOLOモデルのベンチマーク方法
Ultralytics YOLO11のベンチマーク方法、デバイス間でのパフォーマンス比較、および速度、精度、効率を最適化するためのさまざまなエクスポート形式の検討方法を学びます。
現在、利用可能なAIモデルの数が増加しており、特定のAIアプリケーションに最も適したモデルを選択することは、正確で信頼性の高い結果を得るために不可欠です。各モデルは、速度、精度、および全体的なパフォーマンスにおいて異なります。では、特定のタスクにどのモデルが最適かをどのように判断すればよいのでしょうか。これは、自動運転車、セキュリティソリューション、ロボティクスなど、迅速かつ信頼性の高い意思決定が不可欠なリアルタイムシステムにおいて特に重要です。
ベンチマークは、さまざまな条件下でモデルを評価することにより、この問いに答える一助となります。ベンチマークは、モデルがさまざまなハードウェア構成や設定でどの程度機能するかについての洞察を提供し、より情報に基づいた意思決定を可能にします。
例えば、Ultralytics YOLO11は、オブジェクト検出やインスタンスセグメンテーションといった、さまざまな視覚データ分析タスクをサポートするcomputer visionモデルです。その機能を完全に理解するために、さまざまなセットアップでパフォーマンスをベンチマークし、現実世界のシナリオをどのように処理するかを確認できます。
この記事では、YOLO11のようなUltralytics YOLOモデルをベンチマークする方法を探り、さまざまなハードウェア間でのパフォーマンスを比較し、異なるエクスポート形式が速度と効率にどのような影響を与えるかを確認します。それでは始めましょう！
Link to this sectionモデルのベンチマークとは何ですか？#
現実世界のアプリケーションでビジョンAIモデルを使用する場合、それが十分に高速で、正確で、信頼性が高いかどうかをどのように判断すればよいのでしょうか？モデルのベンチマークを行うことで、この問いに答える洞察を得ることができます。モデルのベンチマークとは、さまざまなAIモデルをテストおよび比較して、どれが最適に動作するかを確認するプロセスです。
これには、比較のベースラインを設定し、適切なパフォーマンス指標（精度や速度など）を選択し、すべてのモデルを同じ条件下でテストすることが含まれます。結果は、各モデルの強みと弱みを特定するのに役立ち、特定のAIソリューションにどれが最適かを判断しやすくします。特に、benchmark datasetは、公平な比較を提供し、モデルがさまざまな現実世界のシナリオでどの程度機能するかを評価するために頻繁に使用されます。
図1。なぜコンピュータビジョンモデルをベンチマークするのか。画像提供：著者。
ベンチマークが不可欠である明確な例として、監視やロボティクスなどのリアルタイムアプリケーションが挙げられます。そこでは、わずかな遅延でも意思決定に影響を与える可能性があります。ベンチマークは、モデルが信頼性の高い予測を提供しながら、画像を迅速に処理できるかどうかを評価するのに役立ちます。
また、パフォーマンスのボトルネックを特定する上でも重要な役割を果たします。モデルの実行速度が遅い、または過剰なリソースを使用している場合、ベンチマークを行うことで、その問題がハードウェアの制限、モデルの設定、またはエクスポート形式のいずれに起因しているかが明らかになります。これらの洞察は、最も効果的なセットアップを選択するために不可欠です。
Link to this sectionモデルの評価およびテストと比較したモデルのベンチマーク#
モデルのベンチマーク、評価、テストは、AIで一般的に使用される関連用語です。これらは似ていますが、同じではなく、異なる機能を持っています。Model testingは、単一のモデルをテストデータセットで実行し、精度や速度などの要素を測定して、そのモデルがどの程度機能するかを確認します。一方、モデル評価は一歩進んで、結果を分析することで、モデルの強み、弱み、および実際の状況でどの程度うまく機能するかを理解します。どちらも一度に1つのモデルに焦点を当てています。
しかし、モデルのベンチマークでは、同じテストとデータセットを使用して複数のモデルを並べて比較します。これは、それらの間の精度、速度、効率の違いを浮き彫りにすることで、特定のタスクにどのモデルが最適かを見つけ出すのに役立ちます。テストや評価は単一のモデルに焦点を当てていますが、ベンチマークはさまざまなオプションを公平に比較することで、適切なモデル（または最適なモデル）を選ぶのに役立ちます。
図2。モデルのベンチマークは評価やテストとどう異なるか。画像提供：著者。
Link to this sectionUltralytics YOLO11の概要#
Ultralytics YOLO11は、さまざまなcomputer vision tasksを正確に実行するように設計された信頼性の高いビジョンAIモデルです。以前のYOLOモデルバージョンを改良しており、現実世界の問題を解決するのに役立つ機能が満載です。例えば、オブジェクトの検出、画像の分類、領域のセグメンテーション、動きの追跡などに使用できます。また、セキュリティから自動化、分析まで、多くの業界のアプリケーションで使用することも可能です。
図3。YOLO11を使用して画像内の人をセグメント化する例。
Ultralytics YOLO11に関連する主な利点の1つは、その使いやすさです。わずか数行のコードで、複雑なセットアップや高度な技術的専門知識を必要とせずに、誰でも自分のAIプロジェクトに統合できます。
また、異なるハードウェア間でスムーズに動作し、CPU、GPU、およびその他の特殊なAIアクセラレータ上で効率的に実行されます。エッジデバイスにデプロイする場合でも、クラウドサーバーにデプロイする場合でも、強力なパフォーマンスを発揮します。
YOLO11にはさまざまなモデルサイズがあり、それぞれが異なるタスクに最適化されています。ベンチマークは、どのバージョンがお客様の特定のニーズに最も適しているかを判断するのに役立ちます。例えば、ベンチマークによって明らかになる重要な洞察の1つは、ナノやスモールのモデルなどのより小さなモデルは、より高速に実行される傾向があるものの、精度がいくらか犠牲になる可能性があるということです。
Link to this sectionYOLO11のようなYOLOモデルをベンチマークする方法#
ベンチマークとは何か、そしてその重要性について理解できたところで、YOLO11のようなYOLOモデルをベンチマークし、その効率を評価して価値のある洞察を得る方法を見ていきましょう。
まず、ターミナルまたはコマンドプロンプトで「pip install ultralytics」というコマンドを実行して、Ultralytics Python packageをインストールします。インストール中に問題が発生した場合は、トラブルシューティングのヒントについてCommon Issues Guideをご覧ください。
パッケージがインストールされたら、わずか数行のPythonコードで簡単にbenchmark YOLO11を実行できます。
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)上記のコードを実行すると、モデルが画像を処理する速度、1秒間に処理できるフレーム数、およびオブジェクトを検出する精度が計算されます。
コード内の「coco8.yaml」への言及は、COCO8（Common Objects in Context）データセットに基づいたデータセット設定ファイルを指しています。これは、テストや実験によく使用される、完全なCOCOデータセットの小さなサンプルバージョンです。
交通監視や医療画像処理など、特定のアプリケーションのためにYOLO11をテストしている場合は、関連するデータセット（交通データセットや医療データセットなど）を使用することで、より正確な洞察が得られます。COCOを用いたベンチマークはパフォーマンスの一般的な概念を提供しますが、最良の結果を得るには、実際のユースケースを反映したデータセットを選択してください。
Link to this sectionYOLO11ベンチマークの出力を理解する#
YOLO11のベンチマークが完了したら、次のステップは結果を解釈することです。ベンチマークを実行すると、結果にさまざまな数値が表示されます。これらの指標は、YOLO11の精度と速度のパフォーマンスを評価するのに役立ちます。
注目すべきYOLO11ベンチマーク指標をいくつか紹介します：
- mAP50-95： オブジェクト検出の精度を測定します。値が高いほど、モデルがオブジェクトを認識する能力が高いことを意味します。
- accuracy_top5： 分類タスクによく使用されます。正しいラベルが上位5つの予測内に表示される頻度を示します。
- Inference time： 単一の画像を処理するのにかかる時間で、ミリ秒単位で測定されます。値が低いほど、処理が高速であることを意味します。
図4。YOLO11のベンチマークパフォーマンスを示すグラフ。
Link to this sectionYOLO11をベンチマークする際に考慮すべきその他の要素#
ベンチマーク結果を見るだけでは、全体の一部しかわかりません。パフォーマンスをより深く理解するには、異なる設定とハードウェアオプションを比較することが役立ちます。考慮すべき重要な点をいくつか紹介します：
- GPU vs. CPU： GPUはCPUよりもはるかに高速に画像を処理できます。ベンチマークを行うことで、CPUがニーズに対して十分に高速かどうか、またはGPUを使用することでメリットが得られるかどうかを確認できます。
- 精度設定（FP32、FP16、INT8）： これらはモデルが数値をどのように処理するかを制御します。低い精度（FP16やINT8など）にすることで、モデルの実行速度が上がり、メモリ消費量も減りますが、精度がわずかに低下する可能性があります。
- Export formats：モデルをTensorRTのような形式に変換することで、特定のハードウェア上での実行速度を大幅に向上させることができます。これは、特定のデバイスで速度を最適化する場合に役立ちます。
Link to this section異なるハードウェア上でYOLO11をベンチマークする方法#
Ultralytics Python packageを使用すると、YOLO11モデルを異なる形式に変換して、特定のハードウェア上でより効率的に実行し、速度とメモリ使用量の両方を向上させることができます。各エクスポート形式は、異なるデバイスに合わせて最適化されています。
一方では、ONNX formatがさまざまな環境全体でパフォーマンスを向上させることができます。他方では、OpenVINOがIntelハードウェアでの効率を改善し、CoreMLやTF SavedModelのような形式はAppleデバイスやモバイルアプリケーションに最適です。
特定の形式でYOLO11をベンチマークする方法を見てみましょう。以下のコードは、CPUとGPUの両方でAIモデルを実行するために広く使用されているONNX形式でYOLO11をベンチマークします。
from ultralytics.utils.benchmarks import benchmark
# Benchmark a specific export format (e.g., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")ベンチマーク結果以上に、適切な形式を選択することは、システムの仕様とデプロイメントのニーズによって決まります。例えば、self-driving carsには迅速なオブジェクト検出が必要です。NVIDIA GPUを使用してパフォーマンスを加速させる予定がある場合は、NVIDIA GPU上でYOLO11を実行するのにTensorRT形式が理想的な選択肢です。
図5. 自動運転車でのオブジェクト検出にYOLO11を使用する。
Link to this section重要なポイント#
Ultralytics Python packageは、パフォーマンスのテストを処理できるシンプルなコマンドを提供することで、YOLO11のベンチマークを容易にします。わずかな手順で、さまざまな設定がモデルの速度と精度にどのような影響を与えるかを確認でき、深い技術的専門知識を必要とせずに、情報に基づいた選択を行うことができます。
適切なハードウェアと設定も大きな違いを生みます。モデルサイズやデータセットなどのパラメータを調整することで、ハイエンドGPUで実行する場合でも、エッジデバイスでローカルに実行する場合でも、最高のパフォーマンスが得られるようにYOLO11を微調整できます。
our communityとつながり、our GitHub repositoryで最先端のAIプロジェクトを探索しましょう。AI in agricultureの影響や、ソリューションページを通じてcomputer vision in manufacturingの役割について学びましょう。our licensing plansを探索し、今すぐAIの旅を始めましょう！
