FLOPs

FLOPs，即浮点运算数，是衡量 machine learning 模型计算复杂度的标准指标。它专门用于统计 neural network 在处理单个输入（如图像或句子）时必须执行的数学运算次数，主要是涉及十进制数的加法和乘法。在 deep learning 领域，FLOPs 是衡量模型“沉重”程度或计算成本的理论标尺。通常，FLOPs 数值越高，意味着模型越复杂，执行时所需的计算能力和能量就越多；反之，数值越低，则代表该架构设计更轻量、更高效。

Link to this sectionFLOPs 在模型选择中的作用#

在开发 artificial intelligence 应用时，工程师往往需要在准确性和速度之间进行权衡。FLOPs 作为一种与硬件无关的 inference latency 代理指标，允许开发者在无需针对每种可能设备进行基准测试的情况下比较不同架构。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 cloud computing 服务器上运行实验的研究人员可能会优先考虑准确性而非效率，从而使用高 FLOPs 的模型。相反，为 edge AI 设备进行开发的工程师则必须优先考虑低 FLOPs，以确保应用能在严格的功耗和散热限制内平稳运行。

Link to this section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 agricultural robotics 等领域，配备摄像头的无人机可以实时分析作物健康状况。由于无人机电池有限，每一分功耗都至关重要。工程师会专门选择低 FLOPs 的模型，例如 YOLO26 的 Nano 版本，以尽量减少机载处理器的电量消耗，从而最大程度地延长飞行时间和作业范围。
• 移动增强现实： 使用 facial recognition 进行安全验证或应用 AR 滤镜的智能手机应用非常依赖高效的计算。这些应用必须在不导致设备过热或卡顿的情况下运行。开发者利用 FLOPs 估算值来选择轻量级模型，使其能够轻松适应像 Snapdragon 系列或 Apple A-series chips 这样移动芯片组的能力范围。

Link to this sectionFLOPs 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一样，但衡量的是不同的东西。FLOPs（小写 's'）指的是模型所需的运算总数量，它是衡量复杂度的静态指标。FLOPS（大写 'S'）代表每秒浮点运算次数，衡量的是硬件的速度或性能能力，例如 GPU。你可以将 FLOPs 看作汽车需要行驶的距离（即待完成的工作量），而将 FLOPS 看作汽车的最高速度（即硬件完成工作的能力）。

Link to this section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 model optimization 阶段特别有用，能确保你的神经网络符合硬件预算。以下示例展示了如何加载 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")

Link to this section降低 FLOPs 以提升效率#

为了让模型更易于部署，研究人员采用了多种技术来降低 FLOPs，同时不会显著牺牲准确性。Model pruning 涉及移除神经网络中不太重要的连接，从而有效地精简模型。另一种技术是 quantization，它降低了计算中所用数值的精度（例如，从 32 位浮点数降低到 8 位整数）。Ultralytics Platform 上提供的工具可帮助简化这些优化流程，从而更容易将高效模型部署到 TensorRT 或 OpenVINO 等目标平台上。通过理解并优化 FLOPs，开发者可以构建既强大又可持续的 AI 系统。