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

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、物体検出やインスタンスセグメンテーションなどのさまざまな視覚データ解析タスクをサポートするコンピュータビジョンモデルです。その機能を十分に理解するために、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モデルのベンチマーク方法を検討し、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に影響するかを確認します。それでは始めましょう！

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、比較のための基準の設定、適切なパフォーマンス指標（精度や速度など）の選択、および同じ条件下でのすべてのモデルのテストが含まれます。結果は各モデルの長所と短所を特定するのに役立ち、特定のAIソリューションに最適なものを簡単に決定できるようにします。具体的には、公平な比較を提供し、さまざまな現実世界のシナリオでモデルがどの程度パフォーマンスを発揮するかを評価するために、ベンチマークデータセットがよく使用されます。

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。

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、およびテストは、一緒に使用される一般的なAI用語です。似ていますが、同じではなく、異なる機能を持っています。モデルのテストでは、テストデータセットで単一のモデルを実行し、精度や速度などの要素を測定して、そのパフォーマンスをチェックします。一方、モデルの評価は、結果を分析してモデルの長所、短所、および実際の状況でどれだけうまく機能するかを理解することにより、さらに一歩進んでいます。どちらも、一度に1つのモデルにのみ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。

Ultralytics YOLO11の概要#

Ultralytics YOLO11は、さまざまなコンピュータビジョンタスク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。たとえば、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、分析に至るまで、多くの業界のアプリケーションで使用できます。

Fig 3. 画像内の人物をセグメント化するためにUltralytics YOLO11を使用している例。

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。

Ultralytics YOLO11はさまざまなモデルサイズで提供されており、それぞれが異なるタスクに最適化されています。ベンチマークを実行することで、特定のニーズにどのバージョンが最も適しているかを判断できます。たとえば、ベンチマークによって明らかになる重要なインサイトの1つとして、nanoやsmallなどの小型モデルは動作が高速になる傾向があるものの、精度が若干犠牲になる場合があるという点が挙げられます。

Ultralytics YOLO11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、Ultralytics YOLO11などのYOLOモデルのベンチマークを実行し、その効率を評価して価値あるインサイトを得る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「pip install ultralytics」という次のコマンドを実行して、Ultralytics Pythonパッケージをインストールできます。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よくある質問ガイドをご確認ください。

パッケージのインストールが完了したら、わずか数行のPythonコードでbenchmark Ultralytics YOLO11を簡単に実行できます。

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（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めのサンプルバージョン）に基づくデータセット構成ファイルを指します。

交通監視や医療画像処理などの特定のアプリケーション向けにUltralytics YOLO11をテストしている場合、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）を使用すると、より正確なインサイトが得られます。COCOでのベンチマークはパフォーマンスの全体像を把握するのに役立ちますが、最良の結果を得るためには、実際のユースケースを反映したデータセットを選択することをおすすめします。

Ultralytics YOLO11のベンチマーク出力を理解する#

Ultralytics YOLO11のベンチマークを実行した次のステップは、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が精度と速度の面でどの程度パフォーマンスを発揮しているかを評価するのに役立ちます。

以下は、注目すべきUltralytics YOLO11の主なベンチマーク指標です。

• 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。

Fig 4. YOLO11のベンチマークパフォーマンスを示すグラフ。

Ultralytics YOLO11をベンチマークする際に考慮すべきその他の要因#

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。
• 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大幅に高速に実行できるようになります。これは、特定のデバイスで速度を最適化している場合に役立ちます。

さまざまなハードウェアでUltralytics YOLO11のベンチマークを実行する方法#

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形式によってさまざまな環境全体でパフォーマンスを加速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向上させ、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最適です。

特定のフォーマットでUltralytics YOLO11のベンチマークを実行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モデルを実行するために広く使用されているONNXフォーマットでYOLO11のベンチマークを実行しています。

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")

ベンチマーク結果だけでなく、適切なフォーマットの選択はシステムの仕様やデプロイの要件によって異なります。たとえば、self-driving carsで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加速させる予定の場合、NVIDIA GPU上でUltralytics YOLO11を実行するにはTensorRTフォーマットが理想的な選択肢となります。

Fig 5. 自動運転車における物体検出へのYOLO11の活用。

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出します。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を発揮できるようにUltralytics YOLO11を微調整できます。

私たちのコミュニティにつながり、私たちのGitHubリポジトリで最先端のAIプロジェクトを探索してください。ソリューションページを通じて、農業におけるAIの影響と製造業におけるコンピュータビジョンの役割について学びましょう。私たちのライセンスプランを探索して、今すぐAIの旅を始めましょう！