28 апреля 2025 г.
Узнайте, как протестировать Ultralytics YOLO11, сравнить производительность на разных устройствах и изучить различные форматы экспорта для оптимизации скорости, точности и эффективности.
В связи с растущим числом доступных сегодня моделей ИИ выбор наиболее подходящей для вашего конкретного приложения ИИ имеет важное значение для достижения точных и надежных результатов. Каждая модель различается по скорости, точности и общей производительности. Итак, как мы можем определить, какая модель лучше всего подходит для данной задачи? Это особенно важно для систем реального времени, таких как автономные транспортные средства, решения для обеспечения безопасности и робототехника, где критически важно быстрое и надежное принятие решений.
Эталонное тестирование помогает ответить на этот вопрос, оценивая модель в различных условиях. Оно дает представление о том, насколько хорошо модель работает в различных аппаратных конфигурациях, что позволяет принимать более обоснованные решения.
Например, Ultralytics YOLO11 — это модель компьютерного зрения, которая поддерживает различные задачи анализа визуальных данных, такие как обнаружение объектов и сегментация экземпляров. Чтобы полностью понять ее возможности, вы можете протестировать ее производительность на различных конфигурациях, чтобы увидеть, как она справится с реальными сценариями.
В этой статье мы рассмотрим, как проводить бенчмаркинг моделей Ultralytics YOLO, таких как YOLO11, сравним их производительность на различном оборудовании и посмотрим, как различные форматы экспорта влияют на их скорость и эффективность. Начнем!
Когда речь идет об использовании модели Vision AI в реальном приложении, как узнать, будет ли она достаточно быстрой, точной и надежной? Оценка производительности модели может дать ответы на этот вопрос. Оценка производительности модели – это процесс тестирования и сравнения различных моделей ИИ, чтобы увидеть, какая из них работает лучше всего.
Он включает в себя установку базового уровня для сравнения, выбор правильных показателей производительности (таких как точность или скорость) и тестирование всех моделей в одинаковых условиях. Результаты помогают выявить сильные и слабые стороны каждой модели, что упрощает принятие решения о том, какая из них лучше всего подходит для вашего конкретного AI-решения. В частности, для обеспечения справедливого сравнения часто используется эталонный набор данных, позволяющий оценить, насколько хорошо модель работает в различных реальных сценариях.
Наглядным примером того, почему бенчмаркинг имеет жизненно важное значение, являются приложения реального времени, такие как видеонаблюдение или робототехника, где даже незначительные задержки могут повлиять на принятие решений. Бенчмаркинг помогает оценить, может ли модель быстро обрабатывать изображения, обеспечивая при этом надежные прогнозы.
Он также играет ключевую роль в выявлении узких мест в производительности. Если модель работает медленно или использует чрезмерные ресурсы, бенчмаркинг может показать, связана ли проблема с аппаратными ограничениями, конфигурациями модели или форматами экспорта. Эти сведения имеют решающее значение для выбора наиболее эффективной настройки.
Бенчмаркинг, оценка и тестирование моделей — популярные термины в области ИИ, которые используются вместе. Будучи похожими, они не являются идентичными и выполняют разные функции. Тестирование модели проверяет, насколько хорошо работает одна модель, запуская ее на тестовом наборе данных и измеряя такие факторы, как точность и скорость. Между тем, оценка модели идет на шаг дальше, анализируя результаты, чтобы понять сильные и слабые стороны модели, а также то, насколько хорошо она работает в реальных ситуациях. Оба подхода фокусируются только на одной модели за раз.
Бенчмаркинг моделей, однако, сравнивает несколько моделей бок о бок, используя одни и те же тесты и наборы данных. Он помогает выяснить, какая модель лучше всего подходит для конкретной задачи, выделяя различия в точности, скорости и эффективности между ними. В то время как тестирование и оценка фокусируются на одной модели, бенчмаркинг помогает выбрать правильную (или лучшую) модель, сравнивая различные варианты на справедливой основе.
Ultralytics YOLO11 — это надежная модель Vision AI, разработанная для точного выполнения различных задач компьютерного зрения. Она улучшена по сравнению с предыдущими версиями моделей YOLO и оснащена функциями, которые могут помочь в решении реальных задач. Например, ее можно использовать для обнаружения объектов, классификации изображений, сегментации областей, отслеживания движений и многого другого. Она также может использоваться в приложениях во многих отраслях, от безопасности до автоматизации и аналитики.
Одним из ключевых преимуществ, связанных с Ultralytics YOLO11, является простота использования. Всего с несколькими строками кода любой может интегрировать его в свои проекты ИИ, не сталкиваясь со сложными настройками или передовым техническим опытом.
Он также бесперебойно работает на различном оборудовании, эффективно работая на ЦП (центральных процессорах), графических процессорах (графических процессорах) и других специализированных ускорителях искусственного интеллекта. Независимо от того, развернут ли он на периферийных устройствах или облачных серверах, он обеспечивает высокую производительность.
YOLO11 доступна в различных размерах моделей, каждая из которых оптимизирована для разных задач. Бенчмаркинг помогает определить, какая версия лучше всего соответствует вашим конкретным потребностям. Например, один из ключевых выводов, который можно сделать с помощью бенчмаркинга, заключается в том, что модели меньшего размера, такие как nano или small, как правило, работают быстрее, но могут жертвовать некоторой точностью.
Теперь, когда мы поняли, что такое бенчмаркинг и его важность, давайте рассмотрим, как вы можете протестировать модели YOLO, такие как YOLO11, и оценить их эффективность для сбора ценной информации.
Для начала вы можете установить пакет Ultralytics Python, выполнив следующую команду в своем терминале или командной строке: «pip install ultralytics». Если у вас возникнут какие-либо проблемы во время установки, ознакомьтесь с нашим Руководством по распространенным проблемам для получения советов по устранению неполадок.
После установки пакета вы можете легко провести бенчмаркинг YOLO11 с помощью всего нескольких строк кода Python:
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Когда вы запускаете код, показанный выше, он вычисляет, насколько быстро модель обрабатывает изображения, сколько кадров она может обработать за одну секунду и насколько точно она обнаруживает объекты.
Упоминание «coco8.yaml» в коде относится к файлу конфигурации набора данных, основанному на COCO8 (Common Objects in Context) — небольшой, демонстрационной версии полного набора данных COCO, часто используемой для тестирования и экспериментов.
Если вы тестируете YOLO11 для конкретного приложения, такого как мониторинг дорожного движения или медицинская визуализация, использование соответствующего набора данных (например, набора данных о дорожном движении или медицинского набора данных) даст более точные результаты. Сравнение с COCO дает общее представление о производительности, но для достижения наилучших результатов вы можете выбрать набор данных, который отражает ваш фактический вариант использования.
После того, как YOLO11 был протестирован, следующим шагом является интерпретация результатов. После запуска бенчмарка вы увидите различные числа в результатах. Эти метрики помогают оценить, насколько хорошо YOLO11 работает с точки зрения точности и скорости.
Вот некоторые важные показатели бенчмаркинга YOLO11, на которые следует обратить внимание:
Одни только результаты бенчмарков дают лишь часть картины. Чтобы лучше понять производительность, полезно сравнить различные настройки и варианты оборудования. Вот несколько важных моментов, на которые следует обратить внимание:
Пакет Ultralytics Python позволяет преобразовывать модели YOLO11 в различные форматы, которые более эффективно работают на определенном оборудовании, улучшая как скорость, так и использование памяти. Каждый формат экспорта оптимизирован для разных устройств.
С одной стороны, формат ONNX может ускорить работу в различных средах. С другой стороны, OpenVINO повышает эффективность на оборудовании Intel, а такие форматы, как CoreML или TF SavedModel, идеально подходят для устройств Apple и мобильных приложений.
Давайте посмотрим, как можно протестировать YOLO11 в определенном формате. Приведенный ниже код тестирует YOLO11 в формате ONNX, который широко используется для запуска моделей ИИ как на CPU, так и на GPU.
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")Помимо результатов сравнительного анализа, выбор правильного формата зависит от спецификаций вашей системы и потребностей развертывания. Например, автомобилям с автономным управлением требуется быстрое обнаружение объектов. Если вы планируете использовать графические процессоры NVIDIA для ускорения производительности, формат TensorRT является идеальным выбором для запуска YOLO11 на графическом процессоре NVIDIA.
Пакет Ultralytics Python упрощает тестирование YOLO11, предоставляя простые команды, которые могут выполнять тестирование производительности за вас. Всего за несколько шагов вы можете увидеть, как различные настройки влияют на скорость и точность моделей, что поможет вам принимать обоснованные решения без необходимости глубоких технических знаний.
Правильное оборудование и настройки также могут иметь огромное значение. Настройка таких параметров, как размер модели и набор данных, позволяет точно настроить YOLO11 для достижения наилучшей производительности, независимо от того, запускаете ли вы ее на высокопроизводительном GPU или локально на периферийном устройстве.
Присоединяйтесь к нашему сообществу и изучайте передовые AI-проекты в нашем репозитории GitHub. Узнайте о влиянии ИИ в сельском хозяйстве и роли компьютерного зрения в производстве на страницах наших решений. Ознакомьтесь с нашими тарифными планами и начните свой путь в AI прямо сейчас!
.webp)