如何使用 Ultralytics YOLO 模型进行训练、验证、预测、导出和基准测试

Ultralytics YOLO 模型提供多种模式，覆盖完整的模型生命周期。无论你是在训练定制的目标检测模型，还是在处理分割任务，了解这些模式都是关键一步。

通过 Ultralytics 文档，你可以找到多种模式，用于对模型进行训练、验证、预测、导出、跟踪或基准测试。每种模式都有独特用途，可帮助你优化模型性能和部署。

训练模式#

首先，我们来看看训练模式。你可以在这里构建和改进模型。文档中提供了详细说明和视频指南，让你轻松开始训练定制模型。

模型训练是指向模型提供新的数据集，让模型学习各种模式。训练完成后，模型可以实时检测它学过的新物体。开始训练之前，必须先按照 YOLO 格式标注数据集。

验证模式#

接下来，我们来看看验证模式。验证对于调整超参数和确保模型表现良好至关重要。Ultralytics 提供多种验证选项，包括自动化设置、多指标支持以及与 Python API 的兼容性。你甚至可以通过命令行界面 (CLI) 用一条命令直接运行验证。

为什么要进行验证？#

验证对于以下方面至关重要：

• 精确性：确保模型能够准确检测目标。
• 便捷性：简化验证流程。
• 灵活性：提供多种验证方法。
• 超参数调整：优化模型以获得更好的性能。

Ultralytics 还提供了可复制并粘贴到 Python 脚本中的示例。这些示例包含图像尺寸、批次大小、设备（CPU 或 GPU）以及交并比 (IoU) 等参数。

预测模式#

模型训练并验证完成后，就可以开始进行预测了。Predict 模式允许你对新数据运行推理，查看模型的实际表现。该模式非常适合用真实数据测试模型性能。只需几行 Python 代码，你就能对图像运行预测。

导出模式#

完成验证和预测后，你可能需要部署模型。导出模式可将模型转换为多种格式，例如 ONNX 或 TensorRT，从而更轻松地将模型部署到不同平台。

基准测试模式#

最后是基准测试模式。基准测试对于评估模型在各种场景中的性能至关重要。此模式有助于你就资源分配、优化和成本效益做出明智决策。

如何进行基准测试#

要运行基准测试，你可以使用文档中提供的用户示例。这些示例涵盖关键指标和导出格式，包括 ONNX 和 TensorRT。你还可以设置 quantize 参数，进行整数精度量化 (INT8) 或半精度 (FP16) 运算，看看不同设置会如何影响性能。

真实场景中的基准测试示例#

来看一个真实场景中的基准测试示例。对 PyTorch 模型进行基准测试时，我们发现它在 RTX 3070 GPU 上的推理速度为 68 毫秒。导出为 TorchScript 后，推理速度降至 4 毫秒，性能显著提升。

对于 ONNX 模型，我们实现了 21 毫秒的推理速度。在 CPU（第 13 代 Intel i9）上测试这些模型时，我们发现结果各不相同。TorchScript 的运行时间为 115 毫秒，而 ONNX 表现更好，运行时间为 84 毫秒。最后，针对 Intel 硬件优化的 OpenVINO 达到了 23 毫秒。

图 1：Nicolai Nielsen演示如何使用 Ultralytics YOLO 模型运行基准测试。

基准测试的重要性#

基准测试展示了不同硬件和导出格式对模型性能的影响。如果你计划将模型部署到定制硬件或边缘设备上，进行基准测试尤为重要。这个过程能确保模型针对目标环境完成优化，从而实现尽可能出色的性能。

结论#

总之，Ultralytics 文档中的各种模式是训练、验证、预测、导出和基准测试 YOLO 模型的强大工具。每种模式都对优化模型并为部署做好准备发挥着重要作用。

别忘了探索并加入我们的社区，并在项目中试用提供的代码片段。借助这些工具，你可以创建高性能模型，并确保模型在任何环境中都能高效运行。