Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Lerne, wie du Ultralytics YOLO11 einem Benchmarking unterziehst, die Leistung verschiedener Geräte vergleichst und verschiedene Exportformate ausprobierst, um Geschwindigkeit, Genauigkeit und Effizienz zu optimieren.
Bei der wachsenden Zahl der heute verfügbaren KI-Modelle ist die Auswahl des am besten geeigneten Modells für deine spezielle KI-Anwendung entscheidend, um genaue und zuverlässige Ergebnisse zu erzielen. Jedes Modell unterscheidet sich in Bezug auf Geschwindigkeit, Genauigkeit und Gesamtleistung. Wie kann man also feststellen, welches Modell für eine bestimmte Aufgabe am besten geeignet ist? Das ist besonders wichtig für Echtzeitsysteme wie autonome Fahrzeuge, Sicherheitslösungen und Robotik, wo schnelle und zuverlässige Entscheidungen entscheidend sind.
Benchmarking hilft bei der Beantwortung dieser Frage, indem ein Modell unter verschiedenen Bedingungen bewertet wird. Es gibt Aufschluss darüber, wie gut das Modell unter verschiedenen Hardwarekonfigurationen abschneidet und ermöglicht so eine fundierte Entscheidungsfindung.
Zum Beispiel, Ultralytics YOLO11 ist ein Computer-Vision-Modell, das verschiedene Aufgaben der visuellen Datenanalyse wie die Erkennung von Objekten und die Segmentierung von Instanzen unterstützt. Um seine Fähigkeiten vollständig zu verstehen, kannst du seine Leistung in verschiedenen Szenarien testen, um herauszufinden, wie es in der Realität funktioniert.
In diesem Artikel erfährst du, wie du Ultralytics YOLO wie YOLO11 einem Benchmarking unterziehst, ihre Leistung auf verschiedenen Geräten vergleichst und siehst, wie sich verschiedene Exportformate auf ihre Geschwindigkeit und Effizienz auswirken. Los geht's!
Was ist Modell-Benchmarking?
Wie kannst du feststellen, ob ein Vision AI-Modell schnell, genau und zuverlässig genug ist, wenn du es in einer realen Anwendung einsetzen willst? Ein Benchmarking des Modells kann Aufschluss über diese Frage geben. Beim Modell-Benchmarking werden verschiedene KI-Modelle getestet und verglichen, um herauszufinden, welches Modell am besten abschneidet.
Dazu gehört es, eine Basislinie für den Vergleich festzulegen, die richtigen Leistungskennzahlen (wie Genauigkeit oder Geschwindigkeit) zu wählen und alle Modelle unter denselben Bedingungen zu testen. Die Ergebnisse helfen dabei, die Stärken und Schwächen der einzelnen Modelle zu ermitteln, damit du leichter entscheiden kannst, welches Modell für deine spezifische KI-Lösung am besten geeignet ist. Insbesondere ein Benchmark-Datensatz wird oft verwendet, um faire Vergleiche anzustellen und zu beurteilen, wie gut ein Modell in verschiedenen realen Szenarien abschneidet.
Abb. 1. Warum Benchmarking von Computer Vision Modellen? Bild vom Autor.
Ein klares Beispiel dafür, warum Benchmarking so wichtig ist, sind Echtzeitanwendungen wie die Überwachung oder die Robotik, bei denen schon kleine Verzögerungen die Entscheidungsfindung beeinflussen können. Benchmarking hilft dabei zu beurteilen, ob ein Modell Bilder schnell verarbeiten kann und trotzdem zuverlässige Vorhersagen liefert.
Es spielt auch eine wichtige Rolle bei der Identifizierung von Leistungsengpässen. Wenn ein Modell langsam läuft oder zu viele Ressourcen verbraucht, kann das Benchmarking zeigen, ob das Problem auf Hardwarebeschränkungen, Modellkonfigurationen oder Exportformate zurückzuführen ist. Diese Erkenntnisse sind entscheidend für die Auswahl des effektivsten Setups.
Modell-Benchmarking im Vergleich zur Modellbewertung und -prüfung
Modell-Benchmarking, -Evaluierung und -Test sind gängige KI-Begriffe, die zusammen verwendet werden. Obwohl sie ähnlich sind, sind sie nicht dasselbe und haben unterschiedliche Funktionen. Beim Testen eines Modells wird geprüft, wie gut ein einzelnes Modell funktioniert, indem es auf einem Testdatensatz ausgeführt wird und Faktoren wie Genauigkeit und Geschwindigkeit gemessen werden. Die Modellevaluierung hingegen geht einen Schritt weiter, indem sie die Ergebnisse analysiert, um die Stärken und Schwächen des Modells zu verstehen und herauszufinden, wie gut es in realen Situationen funktioniert. Beide konzentrieren sich jeweils nur auf ein Modell.
Beim Modell-Benchmarking hingegen werden mehrere Modelle anhand derselben Tests und Datensätze nebeneinander verglichen. Es hilft herauszufinden, welches Modell für eine bestimmte Aufgabe am besten geeignet ist, indem es die Unterschiede in Bezug auf Genauigkeit, Geschwindigkeit und Effizienz aufzeigt. Während sich Tests und Bewertungen auf ein einzelnes Modell konzentrieren, hilft das Benchmarking bei der Auswahl des richtigen (oder besten) Modells, indem es verschiedene Optionen fair vergleicht.
Abb. 2. Wie sich das Modell-Benchmarking von der Bewertung und Prüfung unterscheidet. Bild vom Autor.
Ein Überblick über Ultralytics YOLO11
Ultralytics YOLO11 ist ein zuverlässiges Bildverarbeitungsmodell, das verschiedene Bildverarbeitungsaufgaben präzise ausführen kann. Es verbessert frühere YOLO und ist vollgepackt mit Funktionen, die bei der Lösung realer Probleme helfen können. Es kann zum Beispiel verwendet werden, um Objekte zu erkennen, Bilder zu klassifizieren, Regionen zu segmentieren, Bewegungen zu verfolgen und vieles mehr. Außerdem kann es in vielen Branchen eingesetzt werden, von der Sicherheit bis hin zur Automatisierung und Analytik.
Abb. 3. Ein Beispiel für die Verwendung von YOLO11 zur Segmentierung von Personen in einem Bild.
Einer der wichtigsten Vorteile von Ultralytics YOLO11 ist die einfache Anwendung. Mit nur wenigen Zeilen Code kann es jeder in seine KI-Projekte integrieren, ohne sich mit komplizierten Einstellungen oder fortgeschrittenen technischen Kenntnissen auseinandersetzen zu müssen.
Außerdem funktioniert sie reibungslos auf unterschiedlicher Hardware und läuft effizient auf CPUs (Central Processing Units), GPUs (Graphics Processing Units) und anderen speziellen KI-Beschleunigern. Egal, ob sie auf Edge-Geräten oder Cloud-Servern eingesetzt wird, sie liefert eine starke Leistung.
YOLO11 ist in verschiedenen Modellgrößen erhältlich, die jeweils für unterschiedliche Aufgaben optimiert sind. Mit Hilfe von Benchmarks kannst du herausfinden, welche Version am besten zu deinen Bedürfnissen passt. Eine wichtige Erkenntnis aus dem Benchmarking ist zum Beispiel, dass kleinere Modelle, wie Nano oder Small, tendenziell schneller sind, dafür aber eine geringere Genauigkeit aufweisen können.
Wie man YOLO wie YOLO11 vergleicht
Nachdem wir nun verstanden haben, was Benchmarking ist und wie wichtig es ist. Wir wollen nun herausfinden, wie du YOLO wie YOLO11 vergleichen und ihre Effizienz bewerten kannst, um wertvolle Erkenntnisse zu gewinnen.
Um loszulegen, kannst du das Ultralytics Python installieren, indem du den folgenden Befehl in deinem Terminal oder deiner Eingabeaufforderung ausführst: "pip install ultralytics". Solltest du während der Installation auf Probleme stoßen, findest du in unserem Leitfaden für häufige Probleme Tipps zur Fehlerbehebung.
Sobald das Paket installiert ist, kannst du YOLO11 ganz einfach mit ein paar Zeilen Python benchmarken:
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
Wenn du den oben gezeigten Code ausführst, wird berechnet, wie schnell das Modell Bilder verarbeitet, wie viele Bilder es in einer Sekunde verarbeiten kann und wie genau es Objekte erkennt.
Die Erwähnung von "coco8.yaml" im Code bezieht sich auf eine Dataset-Konfigurationsdatei, die auf dem COCO8-Datensatz (Common Objects in Context) basiert - eine kleine Beispielversion des vollständigen COCO-Datensatzes, die oft für Tests und Experimente verwendet wird.
Wenn du YOLO11 für eine bestimmte Anwendung testest, z. B. für die Verkehrsüberwachung oder die medizinische Bildgebung, erhältst du durch die Verwendung eines entsprechenden Datensatzes (z. B. eines Verkehrsdatensatzes oder eines medizinischen Datensatzes) genauere Erkenntnisse. Das Benchmarking mit COCO liefert einen allgemeinen Eindruck von der Leistung, aber die besten Ergebnisse erzielst du, wenn du einen Datensatz auswählst, der deinem tatsächlichen Anwendungsfall entspricht.
Verständnis der YOLO11
Wenn du den YOLO11 durchgeführt hast, musst du im nächsten Schritt die Ergebnisse interpretieren. Nachdem du den Benchmark durchgeführt hast, siehst du verschiedene Zahlen in den Ergebnissen. Anhand dieser Kennzahlen kannst du beurteilen, wie gut YOLO11 in Bezug auf Genauigkeit und Geschwindigkeit abschneidet.
Hier sind einige bemerkenswerte YOLO11 , auf die du achten solltest:
mAP50-95: Er misst die Genauigkeit der Objekterkennung. Ein höherer Wert bedeutet, dass das Modell Objekte besser erkennen kann.
accuracy_top5: Sie wird häufig für Klassifizierungsaufgaben verwendet. Sie zeigt an, wie oft die richtige Bezeichnung unter den ersten fünf Vorhersagen erscheint.
Inferenzzeit: Die Zeit, die für die Verarbeitung eines einzelnen Bildes benötigt wird, gemessen in Millisekunden. Niedrigere Werte bedeuten eine schnellere Verarbeitung.
Abb. 4. Ein Diagramm, das die Benchmark-Leistung von YOLO11zeigt.
Andere Faktoren, die beim Benchmarking von YOLO11 zu berücksichtigen sind
Ein Blick auf die Benchmark-Ergebnisse allein sagt nur einen Teil der Wahrheit. Um ein besseres Verständnis der Leistung zu bekommen, ist es hilfreich, verschiedene Einstellungen und Hardware-Optionen zu vergleichen. Hier sind ein paar wichtige Dinge, auf die du achten solltest:
GPU vs. CPU: GPUs können Bilder viel schneller verarbeiten als CPUs. Ein Benchmarking hilft dir herauszufinden, ob eine CPU für deine Bedürfnisse schnell genug ist oder ob du von einem GPU profitieren kannst.
Genauigkeitseinstellungen (FP32, FP16, INT8): Diese Einstellungen bestimmen, wie das Modell mit Zahlen umgeht. Eine geringere Genauigkeit (wie FP16 oder INT8) macht das Modell schneller und verbraucht weniger Speicher, kann aber die Genauigkeit etwas verringern.
Formate exportieren: Wenn du das Modell in ein Format wie TensorRT konvertierst, kann es auf bestimmter Hardware viel schneller laufen. Das ist nützlich, wenn du die Geschwindigkeit auf bestimmten Geräten optimieren willst.
Wie man YOLO11 auf verschiedenen Geräten testet
Mit dem Ultralytics Python kannst du YOLO11 in verschiedene Formate konvertieren, die auf bestimmter Hardware effizienter laufen und sowohl die Geschwindigkeit als auch die Speichernutzung verbessern. Jedes Exportformat ist für verschiedene Geräte optimiert.
Einerseits kann das ONNX die Leistung in verschiedenen Umgebungen beschleunigen. Andererseits verbessert OpenVINO die Effizienz auf Intel , und Formate wie CoreML oder TF SavedModel sind ideal für Apple-Geräte und mobile Anwendungen.
Schauen wir uns an, wie du YOLO11 in einem bestimmten Format testen kannst. Der folgende Code testet YOLO11 im ONNX , das häufig für die Ausführung von KI-Modellen auf CPUs und GPUs verwendet wird.
from ultralytics.utils.benchmarks import benchmark
# Benchmark a specific export format (e.g., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")
Abgesehen von den Benchmarking-Ergebnissen hängt die Wahl des richtigen Formats von den Spezifikationen deines Systems und den Einsatzanforderungen ab. Selbstfahrende Autos brauchen zum Beispiel eine schnelle Objekterkennung. Wenn du vorhast, NVIDIA zu verwenden, um die Leistung zu beschleunigen, ist das TensorRT die ideale Wahl, um YOLO11 auf einemGPU auszuführen.
Abb. 5. Einsatz von YOLO11 zur Objekterkennung in selbstfahrenden Autos.
Die wichtigsten Erkenntnisse
Das Ultralytics Python macht das Benchmarking von YOLO11 einfach, indem es einfache Befehle bereitstellt, mit denen du die Leistungstests durchführen kannst. Mit nur wenigen Schritten kannst du sehen, wie sich verschiedene Einstellungen auf die Geschwindigkeit und Genauigkeit der Modelle auswirken und so fundierte Entscheidungen treffen, ohne dass du tiefes technisches Fachwissen benötigst.
Die richtige Hardware und die richtigen Einstellungen können ebenfalls einen großen Unterschied machen. Wenn du Parameter wie die Modellgröße und den Datensatz anpasst, kannst du YOLO11 so einstellen, dass es die beste Leistung bringt, egal ob du es auf einem GPU oder lokal auf einem Endgerät ausführst.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
AR
TR
VI
