如何对 YOLO11 等 Ultralytics YOLO 模型进行基准测试

如今可用的 AI 模型越来越多，为特定 AI 应用选择最合适的模型，是获得准确可靠结果的关键。不同模型在速度、准确度和整体性能方面各不相同。那么，如何判断哪种模型最适合特定任务？这对于自动驾驶汽车、安全解决方案和机器人等实时系统尤为重要，因为这些系统需要快速且可靠地做出决策。

基准测试通过在不同条件下评估模型，帮助解答这个问题。它能让你了解模型在各种硬件配置和设置下的表现，从而帮助你做出更明智的决策。

例如，Ultralytics YOLO11（后继版本为 Ultralytics YOLO26）是一款计算机视觉模型，支持目标检测和实例分割等多种视觉数据分析任务。要全面了解它的能力，你可以在不同配置上对它进行基准测试，看看它在现实场景中的表现。

本文将介绍如何对 Ultralytics YOLO 模型（例如 YOLO11）进行基准测试，比较模型在各种硬件上的表现，并了解不同导出格式如何影响速度和效率。

什么是模型基准测试？#

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、准确且可靠？模型基准测试可以帮助你找到答案。模型基准测试是测试和比较不同 AI 模型、确定哪个模型表现最佳的过程。

基准测试需要设定比较基准、选择合适的性能指标（例如准确率或速度），并在相同条件下测试所有模型。结果有助于找出每个模型的优缺点，让你更容易判断哪个模型最适合特定的 AI 解决方案。特别是，基准测试数据集通常用于进行公平比较，并评估模型在不同现实场景中的表现。

图 1. 为什么要对计算机视觉模型进行基准测试？图片由作者提供。

监控或机器人等实时应用很好地说明了基准测试为何至关重要，因为即使轻微延迟也可能影响决策。基准测试有助于评估模型能否快速处理图像，同时仍提供可靠的预测结果。

基准测试在识别性能瓶颈方面也发挥着重要作用。如果模型运行缓慢或资源消耗过多，基准测试可以揭示问题究竟源于硬件限制、模型配置还是导出格式。这些洞察对于选择最有效的配置至关重要。

模型基准测试与模型评估和测试的对比#

模型基准测试、评估和测试是常见的 AI 术语，通常会一起使用。虽然它们相似，但并不相同，各自的作用也不同。模型测试通过在测试数据集上运行单个模型，并测量准确度和速度等因素，检查模型的表现。模型评估则更进一步，分析结果以了解模型的优势、劣势，以及模型在真实场景中的表现。两者每次都只关注一个模型。

而模型基准测试则使用相同的测试和数据集，对多个模型进行并排比较。它通过突出不同模型在准确度、速度和效率方面的差异，帮助你找出最适合特定任务的模型。测试和评估关注单个模型，而基准测试通过公平比较不同选项，帮助你选出合适或最佳的模型。

图 2. 模型基准测试与评估和测试的区别。图片由作者提供。

Ultralytics YOLO11 概览#

Ultralytics YOLO11 是一种可靠的视觉 AI 模型，旨在准确执行各种计算机视觉任务。它在早期 YOLO 模型版本的基础上进行了改进，并提供了许多有助于解决实际问题的功能。例如，它可用于检测对象、分类图像、分割区域、跟踪移动等。它还适用于从安全到自动化和分析等众多行业领域。

图 3. 使用 Ultralytics YOLO11 对图像中的人物进行分割的示例。

Ultralytics YOLO11 的一项主要优势是易于使用。只需几行代码，任何人都可以将它集成到 AI 项目中，无需处理复杂的设置，也不需要高深的技术知识。

它还可以在不同硬件上流畅运行，在 CPU（中央处理器）、GPU（图形处理器）和其他专用 AI 加速器上高效运行。无论部署在边缘设备还是云服务器上，它都能提供出色的性能。

Ultralytics YOLO11 提供多种模型尺寸，分别针对不同任务进行了优化。基准测试有助于确定哪个版本最符合你的特定需求。例如，基准测试可以揭示一个重要结论：Nano 或 Small 等较小的模型通常运行更快，但可能会牺牲一些准确率。

如何对 Ultralytics YOLO11 等 YOLO 模型进行基准测试#

现在我们已经了解了什么是基准测试以及它为何重要，接下来就来看看如何对 Ultralytics YOLO11 等 YOLO 模型进行基准测试并评估效率，从而获得有价值的见解。

要开始使用，请在终端或命令提示符中运行以下命令，安装 Ultralytics Python 包：“pip install ultralytics”。如果安装过程中遇到问题，请查看我们的常见问题指南，获取故障排查建议。

安装软件包后，只需几行 Python 代码，就可以轻松对 Ultralytics YOLO11 进行基准测试：

from ultralytics.utils.benchmarks import benchmark

# 在 GPU 上进行基准测试
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

运行上方的代码后，它会计算模型处理图像的速度、每秒可处理的帧数，以及对象检测的准确度。

代码中的“coco8.yaml”指的是基于 COCO8（上下文中的常见对象）数据集的数据集配置文件。COCO8 是完整 COCO 数据集的精简示例版本，常用于测试和实验。

如果你要针对特定应用（例如交通监控或医学成像）测试 Ultralytics YOLO11，使用相关数据集（例如交通数据集或医学数据集）会得到更准确的洞察。使用 COCO 进行基准测试可以大致了解性能，但要获得最佳结果，你可以选择能够反映实际用例的数据集。

了解 Ultralytics YOLO11 基准测试输出#

完成 Ultralytics YOLO11 基准测试后，下一步是解读结果。运行基准测试后，你会在结果中看到各种数值。这些指标有助于评估 YOLO11 在准确度和速度方面的表现。

以下是一些值得关注的 Ultralytics YOLO11 基准测试指标：

• mAP_50-95：该指标用于衡量对象检测准确度。数值越高，说明模型识别对象的能力越强。
• accuracy_top5：该指标常用于分类任务，表示正确标签出现在前五个预测结果中的频率。
• 推理时间：处理单张图像所需的时间，以毫秒为单位。数值越低，处理速度越快。

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#

只看基准测试结果并不能了解全部情况。为了更全面地了解性能，比较不同设置和硬件选项会很有帮助。以下是一些需要关注的重要方面：

• GPU 与 CPU：GPU 处理图像的速度远快于 CPU。基准测试有助于你判断 CPU 是否足以满足需求，或你是否能从使用 GPU 中获益。
• 精度设置 (FP32、FP16、INT8)：这些设置控制模型处理数值的方式，通过 quantize 参数指定（例如 quantize=16）。较低的精度（如 FP16 或 INT8）能让模型运行更快、占用更少内存，但可能会略微降低准确率。
• 导出格式：将模型转换为 TensorRT 等格式，可使模型在某些硬件上运行得快得多。如果你要针对特定设备优化速度，这会很有用。

如何在不同硬件上对 Ultralytics YOLO11 进行基准测试#

Ultralytics Python 包可将 YOLO11 模型转换为不同格式，使其在特定硬件上运行得更高效，从而提升速度并减少内存使用量。每种导出格式都针对不同设备进行了优化。

一方面，ONNX 格式可以提升模型在各种环境中的性能。另一方面，OpenVINO 能提高模型在 Intel 硬件上的效率，CoreML 适用于 Apple 设备，而 LiteRT（前身为 TensorFlow Lite）则适用于移动应用。

下面来看看如何对特定格式下的 Ultralytics YOLO11 进行基准测试。以下代码对 ONNX 格式的 YOLO11 进行基准测试。该格式广泛用于在 CPU 和 GPU 上运行 AI 模型。

from ultralytics.utils.benchmarks import benchmark

# 对特定导出格式进行基准测试（例如 ONNX）
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

除了基准测试结果，选择合适的格式还取决于系统规格和部署需求。例如，自动驾驶汽车需要快速的目标检测。如果你计划使用 NVIDIA GPU 来加速性能，那么 TensorRT 格式是让 Ultralytics YOLO11 在 NVIDIA GPU 上运行的理想选择。

图 5. 在自动驾驶汽车中使用 YOLO11 进行对象检测。

要点#

Ultralytics Python 包提供了简单的命令，可代你完成性能测试，让 YOLO11 的基准测试变得轻松。只需几个步骤，你就能了解不同配置如何影响模型的速度和准确度，无需具备深厚的技术知识，也能做出明智的选择。

合适的硬件和设置也会带来显著影响。调整模型尺寸和数据集等参数，可以微调 Ultralytics YOLO11 以获得最佳性能，无论你是在高端 GPU 上运行，还是在边缘设备上本地运行。

加入我们的社区，并在我们的 GitHub 代码库中探索 AI 项目。通过我们的解决方案页面，了解 AI 在农业中的应用以及计算机视觉在制造业中的作用。查看我们的许可方案，现在就开启你的 AI 之旅！