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

让我们深入了解 Ultralytics 的世界，探索不同 YOLO 模型可用的各种模式。无论你是在训练自定义目标检测模型，还是进行分割，理解这些模式都是至关重要的一步。现在就让我们开始吧！

通过 Ultralytics 文档，你可以找到多种适用于模型的模式，用于训练、验证、预测、导出、基准测试或跟踪。每种模式都有独特的用途，可帮助你优化模型性能和部署效果。

训练模式#

首先，让我们看看训练模式。这是构建和改进模型的地方。你可以在文档中找到详细说明和视频指南，轻松开始训练自定义模型。

模型训练需要向模型提供新的数据集，使其能够学习各种模式。训练完成后，模型可以实时检测它学习过的新对象。开始训练流程前，必须先将数据集标注为 YOLO 格式。

验证模式#

接下来，让我们深入了解验证模式。验证对于调整超参数和确保模型表现良好至关重要。Ultralytics 提供了多种验证选项，包括自动化设置、多指标支持以及与 Python API 的兼容性。你甚至可以通过下面的命令，直接使用命令行界面 (CLI) 运行验证。

为什么要验证？#

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对象。
• 便捷性：简化验证流程。
• 灵活性：提供多种验证方法。
• 超参数调优：优化模型以获得更好的性能。

Ultralytics 还提供了用户示例，你可以将其复制并粘贴到 Python 脚本中。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#

模型完成训练和验证后，就可以进行预测了。预测模式允许你对新数据运行推理，查看模型的实际表现。此模式非常适合在真实世界数据上测试模型性能。使用下面的 Python 代码片段，你就可以对图像运行预测！

导出模式#

完成验证和预测后，你可能希望部署模型。导出模式可以将模型转换为多种格式，例如 ONNX 或 TensorRT，从而更轻松地在不同平台上进行部署。

基准测试模式#

最后是基准测试模式。在各种场景下评估模型性能时，基准测试必不可少。此模式可帮助你对资源分配、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。你还可以指定整数量化 (INT8) 或浮点量化 (FP16) 等参数，以了解不同设置如何影响性能。

真实世界的基准测试示例#

让我们看看一个真实世界中的基准测试示例。对 PyTorch 模型进行基准测试时，我们注意到其在 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，展现出显著的性能提升。

对于 ONNX 模型，我们达到了 21 毫秒的推理速度。在 CPU（第 13 代 Intel i9）上测试这些模型时，我们看到了不同的结果。TorchScript 的运行时间为 115 毫秒，而 ONNX 的表现更好，为 84 毫秒。最后，针对 Intel 硬件优化的 OpenVINO 实现了惊人的 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如何影响模型性能。如果你计划将模型部署到定制硬件或边缘设备上，对模型进行基准测试尤为重要。此流程可确保模型针对目标环境完成优化，从而提供尽可能出色的性能。

结语#

总而言之，Ultralytics 文档中的这些模式是用于训练、验证、预测、导出和基准测试 YOLO 模型的强大工具。每种模式都在优化模型并为部署做好准备的过程中发挥着重要作用。

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