Dynamic Resolution Scaling

了解什么是动态分辨率缩放以及它如何优化性能。学习将其应用于 Ultralytics YOLO26 以实现高效的实时推理。

当询问什么是动态分辨率缩放时，它指的是一种实时调整图像、视频帧或渲染管线内部分辨率的技术，旨在保持稳定的帧率并优化计算资源。动态分辨率缩放（DRS）最初在电子游戏中普及，用于防止高负载场景下的性能下降，现已成为人工智能 (AI) 和计算机视觉领域的一个关键概念。通过根据硬件负载动态改变分辨率，系统可以在不出现严重延迟尖峰的情况下确保一致的吞吐量。

Link to this section动态分辨率缩放的工作原理#

在标准的处理管线中，硬件负责处理固定数量的像素。如果你想知道动态分辨率缩放的作用是什么，它会主动监控系统性能指标，例如推理延迟或帧渲染时间。如果系统检测到瓶颈，DRS 会自动降低内部分辨率，以减轻图形处理器 (GPU) 的工作负载。

现代实现方案经常将 DRS 与先进的深度学习超分辨率算法结合使用。在这种场景下，AI 驱动的图形渲染会从较低分辨率的基础图像中重建高质量的输出图像。这使得算法能够在 AI 智能填充缺失视觉信息的同时，流畅地分析或显示场景。

Link to this section实际应用#

动态分辨率缩放被广泛应用于计算机图形学和机器学习部署中，以平衡速度和精度：

AI 驱动的图形和游戏：DRS 最显著的消费级应用是配合 NVIDIA DLSS（深度学习超级采样）和 AMD FSR 使用。高端应用依靠这些工具以可变的较低分辨率渲染复杂环境。随后，AI 利用空间缩放技术输出清晰的图像，这使得 PlayStation 超级分辨率技术（PSSR）等技术对于流畅的现代图形处理至关重要。
Adaptive Computer Vision on Edge Devices: When deploying object detection models on hardware subject to edge computing constraints and thermal throttling limitations, maintaining real-time speeds is challenging. Developers can implement an adaptive strategy for models like Ultralytics YOLO26. By dynamically adjusting the input imgsz parameter, the model can scale down from 640x640 to 320x320 during peak system loads, ensuring continuous real-time inference.

Link to this section你应该使用动态分辨率缩放吗？#

开发者中一个常见的问题是我应该使用动态分辨率缩放吗，以及动态分辨率缩放是否适合边缘计算部署。答案通常是肯定的，尤其是对于那些一致性性能比分析每一个微小视觉细节更重要的系统。虽然固定分辨率无论计算成本如何都强制处理相同的像素数，但 DRS 提供了灵活性，可以防止软件崩溃或卡顿。如果你正在 Ultralytics Platform 上配置计算机视觉管线，采用自适应分辨率策略与优化批大小或应用模型量化以提高整体管线效率一样有效。

与选择性降低图像特定部分纹理细节的可变速率着色不同，DRS 会缩放整个图像的覆盖范围。这会直接影响传递给 PyTorch 框架或图形引擎的全局输入维度。

Link to this section在视觉 AI 中实现自适应分辨率#

你可以使用 Python 编程语言轻松构建一个脚本，通过动态更改传递给模型预测模式的图像大小来模拟 DRS。通过利用动态图架构，模型可以无缝地实时适应新尺寸，而无需重新加载。

from ultralytics import YOLO

# Load a pre-trained Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")


def adaptive_inference(frame, current_fps):
    # Dynamically scale input resolution based on system performance (e.g., target 30 FPS)
    input_size = 640 if current_fps > 30 else 320

    # Run inference with the dynamically selected resolution
    results = model.predict(source=frame, imgsz=input_size, verbose=False)
    return results

通过自适应管理分辨率，你可以将更稳健的计算机视觉系统部署到 NVIDIA Jetson 等设备上，并能优雅地处理性能峰值，而不会中断视频流。