Ultralytics YOLO

如何对 Ultralytics YOLO 模型（如 YOLO11）进行基准测试

了解如何基准测试 Ultralytics YOLO11，比较跨设备性能，并探索不同的导出格式以优化速度、精度和效率。

ABAbirami Vina5 min readApril 28, 2025

随着当今 AI 模型数量的不断增长，为你的特定 AI 应用选择最合适的模型对于获得准确、可靠的结果至关重要。每个模型在速度、准确性和整体性能上各不相同。那么，我们如何确定哪种模型最适合给定的任务呢？这对于自动驾驶车辆、安防解决方案和机器人等实时系统尤为重要，因为在这些系统中，快速且可靠的决策至关重要。

基准测试通过在不同条件下评估模型来帮助回答这个问题。它提供了关于模型在各种硬件设置和配置下表现如何的见解，从而实现更明智的决策。

例如，Ultralytics YOLO11 是一个支持各种视觉数据分析任务（如对象检测和实例分割）的计算机视觉模型。为了充分了解其功能，你可以在不同的设置上对其性能进行基准测试，看看它将如何处理现实世界的场景。

在本文中，我们将探讨如何对像 YOLO11 这样的 Ultralytics YOLO 模型进行基准测试，比较它们在各种硬件上的性能，并了解不同的导出格式如何影响其速度和效率。我们开始吧！

什么是模型基准测试？#

当要在实际应用中使用视觉 AI 模型时，你如何判断它是否足够快速、准确和可靠？对模型进行基准测试可以提供回答这一问题的见解。模型基准测试是测试和比较不同 AI 模型以确定哪一个表现最好的过程。

它包括建立比较基准、选择正确的性能指标（如准确率或速度）以及在相同条件下测试所有模型。这些结果有助于找出每个模型的优缺点，从而更容易决定哪一个最适合你的特定 AI 解决方案。特别是，通常会使用基准数据集来提供公平的比较，并评估模型在不同现实场景中的表现。

为什么要对计算机视觉模型进行基准测试？

图 1. 为什么要对计算机视觉模型进行基准测试？图片来源：作者。

为什么要进行基准测试的一个明确例子是在监控或机器人等实时应用中，即使是轻微的延迟也可能影响决策。基准测试有助于评估模型是否能在快速处理图像的同时仍然提供可靠的预测。

它在识别性能瓶颈方面也起着关键作用。如果模型运行缓慢或使用了过多的资源，基准测试可以揭示问题是源于硬件限制、模型配置还是导出格式。这些见解对于选择最有效的设置至关重要。

模型基准测试与模型评估和测试的对比#

模型基准测试、评估和测试是经常一起使用的热门 AI 术语。虽然相似，但它们并不相同且具有不同的功能。模型测试通过在测试数据集上运行单个模型并测量准确率和速度等因素来检查其性能。同时，模型评估通过分析结果来了解模型的优缺点以及它在现实情况中的工作情况，从而更进一步。两者都一次只关注一个模型。

然而，模型基准测试使用相同的测试和数据集并排比较多个模型。它通过强调它们之间在准确性、速度和效率方面的差异，帮助找出最适合特定任务的模型。虽然测试和评估侧重于单个模型，但基准测试通过公平地比较不同的选项来帮助选择合适的（或最好的）模型。

模型基准测试与评估和测试的区别

图 2. 模型基准测试与评估和测试的区别。图片来源：作者。

Ultralytics YOLO11 概览#

Ultralytics YOLO11 是一个可靠的视觉 AI 模型，旨在准确执行各种计算机视觉任务。它改进了早期版本的 YOLO 模型，并包含许多功能，可以帮助解决现实世界的问题。例如，它可用于检测对象、分类图像、分割区域、跟踪运动等。它还可用于从安全到自动化和分析等许多行业的应用中。

Using Ultralytics YOLO11 to segment people in an image

Fig 3. 使用 Ultralytics YOLO11 在图像中分割人物的示例。

与 Ultralytics YOLO11 相关的主要优势之一是其易用性。只需几行代码，任何人都可以将其集成到他们的 AI 项目中，而无需处理复杂的设置或高深的技术知识。

它还能在不同的硬件上平稳运行，在 CPU (中央处理器)、GPU (图形处理器) 和其他专用 AI 加速器上高效工作。无论部署在边缘设备还是云服务器上，它都能提供强大的性能。

Ultralytics YOLO11 提供多种模型尺寸，每种尺寸都针对不同的任务进行了优化。基准测试有助于确定哪个版本最符合你的具体需求。例如，基准测试可以揭示的一个关键见解是，像 nano 或 small 这样的较小模型运行速度往往更快，但可能会牺牲一些准确率。

如何对类似 Ultralytics YOLO11 的 YOLO 模型进行基准测试#

既然我们已经了解了什么是基准测试及其重要性，接下来让我们了解如何对像 Ultralytics YOLO11 这样的 YOLO 模型进行基准测试并评估其效率，从而收集有价值的见解。

要开始使用，你可以通过在终端或命令提示符中运行以下命令来安装 Ultralytics Python 包：“pip install ultralytics”。如果在安装过程中遇到任何问题，请查阅我们的常见问题指南以获取故障排除提示。

安装软件包后，只需几行 Python 代码，你就可以轻松地 benchmark Ultralytics YOLO11：

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

当你运行上述代码时，它会计算模型处理图像的速度、每秒可以处理的帧数以及它检测目标的准确程度。

代码中提到的“coco8.yaml”是指基于 COCO8（Common Objects in Context）数据集的数据集配置文件——这是完整 COCO 数据集的一个小型样本版本，通常用于测试和实验。

如果你正在为特定应用（例如交通监控或医学成像）测试 Ultralytics YOLO11，使用相关的数据集（例如交通数据集或医学数据集）将提供更准确的见解。使用 COCO 进行基准测试可以让你对性能有个大致的了解，但为了获得最佳结果，你可以选择反映你实际用例的数据集。

理解 Ultralytics YOLO11 的基准测试输出#

当 Ultralytics YOLO11 完成基准测试后，下一步就是解读结果。运行基准测试后，你将在结果中看到各种数字。这些指标有助于评估 YOLO11 在准确率和速度方面的表现。

以下是一些值得关注的 Ultralytics YOLO11 基准测试指标：

mAP50-95： 它衡量目标检测的准确性。数值越高，意味着模型识别目标的能力越强。
accuracy_top5： 它通常用于分类任务。它显示了正确标签出现在前五个预测中的频率。
推理时间： 处理单个图像所需的时间，以毫秒为单位。数值越低，意味着处理速度越快。

A graph showing Ultralytics YOLO11's benchmark performance

图 4。显示 YOLO11 基准测试性能的图表。

对 Ultralytics YOLO11 进行基准测试时需要考虑的其他因素#

仅查看基准测试结果只能说明部分情况。为了更好地了解性能，对比不同的设置和硬件选项非常有帮助。以下是一些需要关注的重要事项：

GPU 与 CPU： GPU 处理图像的速度比 CPU 快得多。基准测试可以帮助你了解 CPU 是否足以满足你的需求，或者你是否会从使用 GPU 中受益。
精度设置 (FP32, FP16, INT8)： 这些设置控制模型如何处理数字。较低的精度（如 FP16 或 INT8）使模型运行更快并使用更少的内存，但可能会稍微降低准确性。
导出格式：将模型转换为 TensorRT 等格式可以使其在某些硬件上运行得更快。如果你在针对特定设备的速度进行优化，这会很有用。

如何在不同硬件上对 Ultralytics YOLO11 进行基准测试#

Ultralytics Python 软件包允许你将 YOLO11 模型转换为在特定硬件上运行效率更高的不同格式，从而提高速度并优化内存使用。每种导出格式都针对不同的设备进行了优化。

一方面，ONNX 格式可以加速各种环境下的性能。另一方面，OpenVINO 提高了 Intel 硬件上的效率，而 CoreML 或 TF SavedModel 等格式非常适合 Apple 设备和移动应用。

让我们来看看如何以特定格式对 Ultralytics YOLO11 进行基准测试。下面的代码对 ONNX 格式的 YOLO11 进行了基准测试，这种格式广泛用于在 CPU 和 GPU 上运行 AI 模型。

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")

除了基准测试结果之外，选择正确的格式还取决于你系统的规格和部署需求。例如，self-driving cars 需要快速的目标检测。如果你计划使用 NVIDIA GPU 来加速性能，TensorRT 格式是在 NVIDIA GPU 上运行 Ultralytics YOLO11 的理想选择。

Using Ultralytics YOLO11 for object detection in self-driving cars