FLOPs

FLOPs, ou Floating Point Operations, é uma métrica padrão usada para medir a complexidade computacional de um modelo de machine learning. Ele conta especificamente o número de cálculos matemáticos — principalmente adições e multiplicações envolvendo números decimais — que uma neural network deve realizar para processar uma única entrada, como uma imagem ou uma frase. No mundo do deep learning, o FLOPs serve como um parâmetro teórico para estimar o quão "pesado" ou computacionalmente custoso um modelo é. Uma contagem de FLOPs mais alta geralmente sugere que um modelo é mais complexo e exigirá mais poder de processamento e energia para ser executado, enquanto uma contagem mais baixa indica uma arquitetura leve projetada para eficiência.

O papel dos FLOPs na seleção de modelos#

Ao desenvolver aplicações de artificial intelligence, os engenheiros frequentemente enfrentam um equilíbrio entre precisão e velocidade. O FLOPs atua como uma proxy independente de hardware para a inference latency, permitindo que os desenvolvedores comparem diferentes arquiteturas sem precisar fazer benchmark delas em todos os dispositivos possíveis. Essa métrica é essencial para escolher o modelo certo para cenários de implantação específicos. Por exemplo, um pesquisador executando experimentos em servidores de cloud computing potentes pode priorizar a precisão em vez da eficiência, utilizando modelos com alto FLOPs. Por outro lado, um engenheiro construindo para dispositivos de edge AI deve priorizar baixo FLOPs para garantir que a aplicação seja executada sem problemas dentro de limites rígidos de energia e temperatura.

Aplicações no Mundo Real#

As implicações práticas dos FLOPs são evidentes em diversos setores onde os recursos computacionais são um fator crítico.

• Drones Autônomos: Em áreas como agricultural robotics, drones equipados com câmeras analisam a saúde das plantações em tempo real. Como as baterias dos drones são limitadas, cada gota de consumo de energia importa. Os engenheiros selecionam especificamente modelos com baixo FLOPs, como as variantes Nano do YOLO26, para minimizar o desgaste no processador de bordo, maximizando assim o tempo de voo e o alcance operacional.
• Realidade Aumentada Móvel: Aplicações de smartphones que usam facial recognition para segurança ou aplicam filtros de AR dependem fortemente de processamento eficiente. Esses aplicativos devem funcionar sem fazer com que o dispositivo superaqueça ou apresente atrasos. Os desenvolvedores usam estimativas de FLOPs para selecionar modelos leves que se encaixem confortavelmente nas capacidades de chipsets móveis como a série Snapdragon ou os A-series chips da Apple.

FLOPs vs. FLOPS (Operações de Ponto Flutuante Por Segundo)#

É importante distinguir entre "FLOPs" (plural de FLOP) e "FLOPS" (todas maiúsculas). Embora pareçam quase idênticos, eles medem coisas diferentes. FLOPs ('s' minúsculo) refere-se à quantidade total de operações exigidas por um modelo — é uma medida estática de complexidade. FLOPS ('S' maiúsculo) significa Floating Point Operations Per Second e mede a velocidade ou capacidade de desempenho de hardware, como uma GPU. Você pode pensar no FLOPs como a distância que um carro precisa percorrer (o trabalho a ser feito), enquanto o FLOPS é a velocidade máxima do carro (a capacidade do hardware de realizar o trabalho).

Medindo FLOPs com Python#

Você pode calcular facilmente o custo computacional de um modelo Ultralytics usando Python. Isso é particularmente útil durante a fase de model optimization para garantir que sua neural network caiba dentro do seu orçamento de hardware. O exemplo a seguir demonstra como carregar um modelo YOLO26 e determinar seus FLOPs.

from ultralytics import YOLO
from ultralytics.utils.torch_utils import get_flops

# Load a lightweight YOLO26 model
model = YOLO("yolo26n.pt")

# Calculate and print the model's FLOPs (Billions of operations)
# This gives you a hardware-independent complexity metric
flops = get_flops(model)
print(f"Model FLOPs: {flops:.2f} Billion")

Reduzindo FLOPs para eficiência#

Para tornar os modelos mais implantáveis, os pesquisadores usam várias técnicas para reduzir o FLOPs sem sacrificar significativamente a precisão. O Model pruning envolve a remoção de conexões menos importantes na neural network, tornando-a efetivamente mais enxuta. Outra técnica é a quantization, que reduz a precisão dos números usados nos cálculos (por exemplo, de ponto flutuante de 32 bits para inteiros de 8 bits). As ferramentas disponíveis na Ultralytics Platform ajudam a otimizar esses processos de otimização, facilitando a implantação de modelos eficientes em alvos como TensorRT ou OpenVINO. Ao compreender e otimizar o FLOPs, os desenvolvedores podem construir sistemas de IA que são tanto potentes quanto sustentáveis.