YOLO11などのUltralytics YOLOモデルのベンチマーク方法

現在利用できるAIモデルの数が増える中、特定のAIアプリケーションに最適な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。モデルごとに速度、精度、全体的なパフォーマンスが異なります。では、特定のタスクに最適なモデルをどのように判断できるでしょうか。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、迅速で信頼性の高い意思決定が重要なリアルタイムシステムでは特に重要です。

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で、この疑問への答えを導きます。さまざまなハードウェア構成や設定でモデルがどの程度適切に動作するかについての洞察が得られるため、より多くの情報に基づいた意思決定が可能になります。

例えば、Ultralytics YOLO11は、物体検出やインスタンスセグメンテーションなど、さまざまな視覚データ分析タスクに対応するコンピュータービジョンモデルです。その機能を十分に理解するには、さまざまな構成でパフォーマンスをベンチマークし、実世界のシナリオにどのように対応できるかを確認できます。

この記事では、YOLO11のようなUltralytics YOLOモデルのベンチマーク方法、さまざまなハードウェアでのパフォーマンスの比較方法、そして異なるエクスポート形式が速度と効率に与える影響について説明します。始めましょう。

モデルベンチマークとは何ですか？#

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、そのモデルが十分に高速で、正確かつ信頼性があるかどうかをどのように判断できるでしょうか。モデルのベンチマークは、この判断に役立つ洞察を提供します。モデルベンチマークとは、異なるAIモデルをテストして比較し、どのモデルが最も優れたパフォーマンスを発揮するかを確認するプロセスです。

比較の基準を設定し、適切なパフォーマンス指標（精度や速度など）を選択して、すべてのモデルを同じ条件でテストします。結果から各モデルの強みと弱みを特定できるため、特定のAIソリューションに最適なモデルを判断しやすくなります。特に、ベンチマークデータセットは、公平な比較を行い、さまざまな実世界のシナリオでモデルがどの程度適切に動作するかを評価するためによく使用されます。

図1. コンピュータービジョンモデルをベンチマークする理由。画像：著者。

ベンチマークが重要である理由を示す明確な例は、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です。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。ベンチマークにより、モデルが信頼性の高い予測を維持しながら画像を迅速に処理できるかどうかを評価できます。

また、パフォーマンスのボトルネックを特定するうえでも重要な役割を果たします。モデルの動作が遅い場合やリソースを過剰に使用する場合、問題がハードウェアの制限、モデル設定、エクスポート形式のいずれに起因するのかをベンチマークで明らかにできます。こうした洞察は、最も効果的な構成を選択するために不可欠です。

モデルベンチマークとモデル評価・テストの比較#

モデルベンチマーク、評価、テストは、AIでよく使われる関連用語です。似ていますが、同じものではなく、それぞれ異なる機能を持ちます。モデルテストでは、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、そのモデルのパフォーマンスを確認します。一方、モデル評価ではさらに一歩進み、結果を分析してモデルの強み、弱み、実世界の状況での有効性を把握します。どちらも一度に1つのモデルだけに焦点を当てます。

一方、モデルベンチマークでは、同じテストとデータセットを使用して複数のモデルを横並びで比較します。モデル間の精度、速度、効率の違いを明らかにすることで、特定のタスクに最適なモデルを見つけるのに役立ちます。テストと評価が単一のモデルに焦点を当てるのに対し、ベンチマークでは異なる選択肢を公平に比較して、適切なモデル（または最も優れたモデル）を選択できます。

図2. モデルベンチマークと評価・テストの違い。画像：著者。

Ultralytics YOLO11の概要#

Ultralytics YOLO11は、さまざまなコンピュータービジョンタスクを正確に実行できるよう設計された、信頼性の高いビジョンAIモデルです。従来のYOLOモデルのバージョンを改良したもので、実世界の問題の解決に役立つ機能を数多く備えています。例えば、物体の検出、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、さまざまな業界のアプリケーションで利用できます。

図3。Ultralytics YOLO11を使用して画像内の人物をセグメンテーションする例。

Ultralytics YOLO11の主なメリットの1つは、使いやすさです。数行のコードだけで、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、誰でもAIプロジェクトに統合できます。

また、さまざまなハードウェアでスムーズに動作し、CPU（中央処理装置）、GPU（画像処理装置）、その他の専用AIアクセラレーター上で効率的に実行できます。エッジデバイスでもクラウドサーバーでも、優れたパフォーマンスを発揮します。

Ultralytics YOLO11にはさまざまなモデルサイズがあり、それぞれ異なるタスクに最適化されています。ベンチマークにより、特定のニーズに最適なバージョンを判断できます。例えば、ベンチマークから得られる重要な洞察の1つとして、nanoやsmallなどの小型モデルは処理が速い傾向にある一方、精度の一部を犠牲にする可能性があることが挙げられます。

Ultralytics YOLO11のようなYOLOモデルのベンチマーク方法#

ベンチマークとは何か、そしてその重要性を理解したところで、Ultralytics YOLO11のようなYOLOモデルのベンチマーク方法と、貴重な洞察を得るための効率の評価方法を見ていきましょう。

開始するには、ターミナルまたはコマンドプロンプトで次のコマンド「pip install ultralytics」を実行して、Ultralytics Pythonパッケージ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をまとめた一般的な問題のガイドを確認してください。

パッケージをインストールすると、数行のPythonコードだけで簡単にUltralytics YOLO11のベンチマークを実行できます。

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、物体を検出する精度が計算されます。

コード内の「coco8.yaml」は、COCO8（コンテキスト内の一般物体）データセットに基づくデータセット設定ファイルを指します。これは完全なCOCOデータセットの小規模なサンプル版で、テストや実験によく使用されます。

交通監視や医療画像処理など、特定のアプリケーション向けにUltralytics YOLO11をテストする場合は、関連するデータセット（例：交通データセットや医療データセット）を使用すると、より正確な洞察が得られます。COCOを使ったベンチマークではパフォーマンスの一般的な目安が得られますが、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できます。

Ultralytics YOLO11のベンチマーク出力の理解#

Ultralytics 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、精度と速度の観点からYOLO11がどの程度適切に動作するかを評価するのに役立ちます。

ここでは、注目すべきUltralytics YOLO11のベンチマーク指標をいくつか紹介します。

• mAP50-95: 物体検出の精度を測定します。値が高いほど、モデルが物体をより適切に認識できることを意味します。
• accuracy_top5: 分類タスクで一般的に使用されます。正解ラベルが上位5つの予測に含まれる頻度を示します。
• 推論時間: 1枚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。値が小さいほど処理が高速です。

図4。YOLO11のベンチマークパフォーマンスを示すグラフ。

Ultralytics YOLO11のベンチマーク時に考慮すべきその他の要素#

ベンチマーク結果だけを見ても、全体像の一部しか把握できません。パフォーマンスをより深く理解するには、異なる設定やハードウェアの選択肢を比較すると役立ちます。ここでは、確認すべき重要な点をいくつか紹介します。

• GPUとCPUの比較: GPUはCPUよりもはるかに高速に画像を処理できます。ベンチマークにより、CPUがニーズに対して十分な速度か、GPUを使用することでメリットが得られるかを確認できます。
• 精度設定（FP32、FP16、INT8）: これらはモデルが数値を処理する方法を制御します。低精度（FP16やINT8など）にすると、モデルの実行速度が向上し、使用メモリも減少しますが、精度がわずかに低下する可能性があります。
• エクスポート形式: モデルをTensorRTなどの形式に変換すると、特定のハードウェア上で実行速度を大幅に向上できる場合があります。特定のデバイスで速度を最適化する場合に便利です。

異なるハードウェアでUltralytics YOLO11をベンチマークする方法#

Ultralytics Pythonパッケージを使用すると、YOLO11モデルを特定のハードウェア上でより効率的に実行できる異なる形式に変換し、速度とメモリ使用量の両方を改善できます。各エクスポート形式は、異なるデバイス向けに最適化されています。

一方で、ONNX形式はさまざまな環境でパフォーマンスを向上させることができます。また、OpenVINOはIntelハードウェアでの効率を高め、CoreMLやTF SavedModelなどの形式はAppleデバイスやモバイルアプリケーションに適しています。

特定の形式でUltralytics YOLO11をベンチマークする方法を見てみましょう。以下のコードでは、CPUとGPUの両方でAIモデルを実行する際に広く使用される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")

ベンチマーク結果に加えて、適切な形式の選択は、システムの仕様とデプロイ要件によって異なります。例えば、自動運転車には高速な物体検出が必要です。NVIDIA GPUを使用してパフォーマンスを高速化する予定であれば、NVIDIA GPU上でUltralytics YOLO11を実行するにはTensorRT形式が最適です。

図5。自動運転車の物体検出にYOLO11を使用。

主なポイント#

Ultralytics Pythonパッケージでは、パフォーマンステストを処理できるシンプルなコマンドが提供されるため、YOLO11のベンチマークを簡単に実行できます。数ステップで、異なる構成がモデルの速度と精度に与える影響を確認できるため、高度な技術的専門知識がなくても、十分な情報に基づいて選択できます。

適切なハードウェアと設定によっても、大きな違いが生まれます。モデルサイズやデータセットなどのパラメーターを調整することで、高性能GPU上で実行する場合でも、エッジデバイス上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Ultralytics YOLO11を微調整できます。

私たちのコミュニティに参加し、私たちのGitHubリポジトリで最先端のAIプロジェクトを探してみましょう。農業におけるAIの影響や、ソリューションページで製造業におけるコンピュータービジョンの役割について学べます。ライセンスプランを確認して、今すぐAIの旅を始めましょう。