FLOPs

FLOPs（浮点运算次数）是用于衡量机器学习模型计算复杂度的标准指标。它具体计算了神经网络处理单个输入（如图像或句子）时必须执行的数学计算次数——主要是涉及小数的加法和乘法。在深度学习的世界里，FLOPs 是评估模型“有多重”或计算开销有多大的理论标尺。较高的 FLOPs 通常意味着模型更复杂，执行时需要更多的处理能力和能量，而较低的计数则表明为了效率而设计的轻量化架构。

FLOPs 在模型选择中的作用#

在开发人工智能应用程序时，工程师们经常面临准确率与速度之间的权衡。FLOPs 充当了与硬件无关的推理延迟代理指标，使开发者能够在无需在每种可能的设备上对其进行基准测试的情况下比较不同的架构。该指标对于为特定部署场景选择合适的模型至关重要。例如，在强大的云计算服务器上运行实验的研究人员可能会优先考虑准确率而非效率，从而利用高 FLOPs 的模型。相反，为边缘 AI设备构建应用的工程师必须优先考虑低 FLOPs，以确保应用在严格的功耗和热限制内流畅运行。

实际应用#

FLOPs 的实际影响在计算资源成为关键因素的各行各业中显而易见。

• 自主无人机： 在农业机器人等领域，配备相机的无人机实时分析作物健康状况。由于无人机电池有限，每一点功耗都至关重要。工程师会专门选择低 FLOPs 的模型，例如 YOLO26 的 Nano 变体，以最大程度地减少对机载处理器的消耗，从而延长飞行时间和扩大作业范围。
• 移动增强现实： 使用面部识别进行安全性验证或应用 AR 滤镜的智能手机应用程序严重依赖高效处理。这些应用程序必须在不导致设备过热或卡顿的情况下运行。开发者使用 FLOPs 估计值来选择能够轻松适应诸如Snapdragon系列或 Apple A-series chips等移动芯片组能力的轻量级模型。

FLOPs 与 FLOPS (每秒浮点运算次数) 的区别#

区分“FLOPs”（FLOP 的复数）和“FLOPS”（全大写）非常重要。虽然它们看起来几乎完全相同，但它们衡量的是不同的东西。FLOPs（小写 's'）指模型所需的操作总数量——它是复杂度的静态度量。FLOPS（大写 'S'）代表每秒浮点运算次数（Floating Point Operations Per Second），用于衡量硬件（如 GPU）的速度或性能能力。你可以将 FLOPs 想象为汽车需要行驶的距离（要完成的工作），而 FLOPS 则是汽车的最高时速（硬件完成工作的能力）。

使用 Python 测量 FLOPs#

你可以使用 Python 轻松计算 Ultralytics 模型的计算成本。这在模型优化阶段特别有用，可确保你的神经网络符合硬件预算。以下示例演示了如何加载 YOLO26 模型并确定其 FLOPs。

from ultralytics import YOLO
from ultralytics.utils.torch_utils import get_flops

# Load a lightweight YOLO26 model
model = YOLO("yolo26n.pt")

# Calculate and print the model's FLOPs (Billions of operations)
# This gives you a hardware-independent complexity metric
flops = get_flops(model)
print(f"Model FLOPs: {flops:.2f} Billion")

降低 FLOPs 以提升效率#

为了使模型更易于部署，研究人员使用多种技术来减少 FLOPs，同时不会显著牺牲准确率。模型剪枝涉及移除神经网络中不太重要的连接，从而有效地将其瘦身。另一项技术是量化，它降低了计算中使用的数字的精度（例如，从 32 位浮点数降至 8 位整数）。Ultralytics Platform 上提供的工具可帮助简化这些优化过程，从而更轻松地将高效模型部署到 TensorRT 或 OpenVINO 等目标平台。通过理解和优化 FLOPs，开发者可以构建出既强大又可持续的 AI 系统。