FLOPs (每秒浮点运算次数)

FLOP，即浮点运算，是量化机器学习模型计算复杂度的基本指标。 机器学习模型计算复杂度的基本指标，特别是在 深度学习领域。该指标计算的是数学运算的总数，如涉及十进制数的加法、减法、乘法和除法、 十进制数的加减乘除等数学运算的总数。 神经网络所需的数学运算总数。通过确定 FLOPs 数、 工程师就能估算出执行一个模型所需的处理能力，从而使其成为硬件选择和优化的一个重要统计指标。 选择和优化的重要数据。虽然 FLOPs 有别于文件大小或参数数量，但它提供了一个理论基线，以确定 模型有多 "重"，这直接关系到能耗和在处理器上的执行速度。 如 CPU或 GPU.

FLOP 在人工智能开发中的重要性

了解模型的计算成本对于高效的 人工智能开发至关重要。FLOPs 通常表示模型生成预测所需的计算量较少，这对于资源有限的环境至关重要。 这对于资源有限的环境至关重要。

• 硬件选择：知道了 FLOPs，开发人员就能根据特定硬件（如 NVIDIA Jetson 系列）的性能来匹配模型。 特定硬件（如NVIDIA ®）Jetson系列 或标准嵌入式微控制器。
• 模型效率：在比较架构时，如检查 YOLO11 性能指标时，FLOP 提供了一种与硬件无关的方法来衡量效率和准确性。
• 能耗：在电池供电的设备中，减少 FLOPs 可直接延长电池寿命。 电池寿命，因为处理器每帧执行的工作更少。

实际应用

当模型从研究转向生产环境时，FLOP 的实际影响最为明显，因为在生产环境中，延迟和功耗都受到限制。 和功率受到限制时，FLOP 的实际影响最为明显。

1. 智能手机物体检测：对于执行 实时推理的移动应用，设备必须即时处理视频帧 视频帧，而不会过热或耗尽电池。开发人员可能会选择轻量级模型，如 纳米版本的 YOLO11这样的轻量级模型，因为它的 FLOPs 数量少 可确保在移动处理器（如 高通 Snapdragon或苹果 Silicon 等移动处理器上运行流畅。
2. 无人机自主导航：用于 精准农业中使用的无人机依靠机载 计算机来detect 障碍物和绘制地图。由于这些设备有严格的重量限制，限制了电池的 因此，工程师需要优化低 FLOP，以最大限度地延长飞行时间，同时保持必要的物体探测能力。 物体探测能力。

用Python计算 FLOPs

您可以使用内置的分析工具确定Ultralytics 模型的计算复杂度。下面的 下面的代码段加载了一个模型，并计算了特定输入大小所需的 FLOP。

from ultralytics import YOLO

# Load the YOLO11 nano model
model = YOLO("yolo11n.pt")

# Profile the model to see FLOPs, parameters, and speed
# The 'imgsz' argument defines the input resolution (e.g., 640x640)
model.profile(imgsz=640)

该方法会输出一个汇总表，包括参数数、梯度和 GFLOPs（GigaFLOPs，或 亿次运算），帮助您评估模型是否符合您的 部署限制。

FLOPs vs. 相关指标

必须将 FLOPs 与其他描述模型大小和速度的指标区分开来，因为它们衡量的是性能的不同方面。 性能的不同方面。

• 参数与 FLOP：模型权重 模型权重或参数定义了存储模型需要多少内存（RAM）。 存储模型所需的内存（RAM）。相比之下，FLOP 衡量的是运行模型所需的计算工作量。A 模型的存储空间可能很小，但如果它经常重复使用参数，计算成本就会很高。 递归神经网络 (RNN)。
• MACs 与 FLOPs：硬件规格通常是指 乘加运算 (MAC)。一个 MAC 通常包括一个乘法运算和一个加法运算，算作两个浮点运算。 因此，1 GigaMAC 大致相当于 2 GFLOP。
• 延迟与 FLOP：FLOP 代表理论上的工作量、 推理延迟是指处理输入所需的实际时间（以毫秒为单位 毫秒）。延迟受 FLOPs 的影响，但也受内存带宽、软件 优化库（如 TensorRT和硬件 架构。

度量标准的局限性

虽然 FLOPs 提供了一个有用的基线，但并不能说明模型性能的全部。它们没有考虑 内存访问成本（将数据移动到处理器所需的能量和时间），而这往往是现代 深度学习系统的瓶颈。此外，像激活函数 激活函数（如ReLU） 或归一化层等操作的 FLOP 数较低，但仍会消耗时间。因此，FLOP 应与目标系统的实际基准测试结合使用。 与目标硬件（如 Raspberry Pi）上的实际基准测试结合使用。 树莓派（Raspberry Pi）等目标硬件上的实际基准测试，以准确了解其 性能。