Aprende a evaluar Ultralytics YOLO11, a comparar el rendimiento entre dispositivos y a explorar distintos formatos de exportación para optimizar la velocidad, la precisión y la eficacia.
Con el creciente número de modelos de IA disponibles hoy en día, seleccionar el más adecuado para tu aplicación específica de IA es esencial para conseguir resultados precisos y fiables. Cada modelo varía en velocidad, precisión y rendimiento general. Entonces, ¿cómo podemos determinar qué modelo es el más adecuado para una tarea determinada? Esto es especialmente importante para los sistemas en tiempo real, como los vehículos autónomos, las soluciones de seguridad y la robótica, donde es fundamental tomar decisiones rápidas y fiables.
La evaluación comparativa ayuda a responder a esta pregunta evaluando un modelo en diferentes condiciones. Proporciona información sobre el rendimiento del modelo en distintas configuraciones de hardware, lo que permite tomar decisiones con mayor conocimiento de causa.
Por ejemplo Ultralytics YOLO11 es un modelo de visión por ordenador que admite diversas tareas de análisis de datos visuales, como la detección de objetos y la segmentación de instancias. Para comprender plenamente sus capacidades, puedes comparar su rendimiento en diferentes configuraciones para ver cómo se desenvuelve en situaciones reales.
En este artículo, exploraremos cómo realizar pruebas de rendimiento de los modelosYOLO Ultralytics como YOLO11, compararemos su rendimiento en distintos equipos y veremos cómo afectan los distintos formatos de exportación a su velocidad y eficacia. ¡Empecemos ya!
Cuando se trata de utilizar un modelo de IA de Visión en una aplicación del mundo real, ¿cómo puedes saber si será lo suficientemente rápido, preciso y fiable? La evaluación comparativa del modelo puede proporcionar información para responder a esta pregunta. La evaluación comparativa de modelos es el proceso de probar y comparar diferentes modelos de IA para ver cuál funciona mejor.
Implica establecer una línea de base para la comparación, elegir las medidas de rendimiento adecuadas (como la precisión o la velocidad) y probar todos los modelos en las mismas condiciones. Los resultados ayudan a identificar los puntos fuertes y débiles de cada modelo, facilitando la decisión sobre cuál es el más adecuado para tu solución específica de IA. En particular, a menudo se utiliza un conjunto de datos de referencia para realizar comparaciones justas y evaluar el rendimiento de un modelo en distintos escenarios del mundo real.
Un ejemplo claro de por qué la evaluación comparativa es vital es en las aplicaciones en tiempo real, como la vigilancia o la robótica, en las que incluso pequeños retrasos pueden afectar a la toma de decisiones. La evaluación comparativa ayuda a valorar si un modelo puede procesar imágenes rápidamente sin dejar de ofrecer predicciones fiables.
También desempeña un papel clave en la identificación de cuellos de botella en el rendimiento. Si un modelo funciona con lentitud o consume demasiados recursos, la evaluación comparativa puede revelar si el problema se debe a limitaciones del hardware, configuraciones del modelo o formatos de exportación. Esta información es crucial para seleccionar la configuración más eficaz.
La evaluación comparativa, la evaluación y la prueba de modelos son términos populares de la IA que se utilizan juntos. Aunque similares, no son lo mismo y tienen funciones diferentes. La prueba de modelos comprueba el rendimiento de un modelo ejecutándolo en un conjunto de datos de prueba y midiendo factores como la precisión y la velocidad. Mientras tanto, la evaluación de modelos va un paso más allá, analizando los resultados para comprender los puntos fuertes y débiles del modelo, y lo bien que funciona en situaciones del mundo real. Ambos se centran en un solo modelo a la vez.
Sin embargo, la evaluación comparativa de modelos compara varios modelos utilizando las mismas pruebas y conjuntos de datos. Ayuda a averiguar qué modelo funciona mejor para una tarea concreta, destacando las diferencias de precisión, velocidad y eficacia entre ellos. Mientras que las pruebas y la evaluación se centran en un único modelo, la evaluación comparativa ayuda a elegir el correcto (o el mejor) comparando las distintas opciones de forma equitativa.
Ultralytics YOLO11 es un modelo de IA de Visión fiable que está diseñado para realizar diversas tareas de visión por ordenador con precisión. Mejora las versiones anteriores del modelo YOLO y está repleto de funciones que pueden ayudar a resolver problemas del mundo real. Por ejemplo, puede utilizarse para detectar objetos, clasificar imágenes, segmentar regiones, seguir movimientos y mucho más. También puede utilizarse en aplicaciones de muchos sectores, desde la seguridad hasta la automatización y el análisis.
Una de las principales ventajas de Ultralytics YOLO11 es su facilidad de uso. Con sólo unas pocas líneas de código, cualquiera puede integrarlo en sus proyectos de IA sin tener que lidiar con complicadas configuraciones o conocimientos técnicos avanzados.
Además, funciona sin problemas en distintos tipos de hardware, ejecutándose eficazmente en CPU (Unidades Centrales de Procesamiento), GPU (Unidades de Procesamiento Gráfico) y otros aceleradores especializados en IA. Tanto si se despliega en dispositivos periféricos como en servidores en la nube, ofrece un gran rendimiento.
YOLO11 está disponible en varios tamaños de modelo, cada uno optimizado para tareas diferentes. La evaluación comparativa ayuda a determinar qué versión se ajusta mejor a tus necesidades específicas. Por ejemplo, una idea clave que puede revelar la evaluación comparativa es que los modelos más pequeños, como el nano o el pequeño, tienden a funcionar más rápido, pero pueden renunciar a cierta precisión.
Ahora que hemos entendido qué es la evaluación comparativa y su importancia. Veamos cómo puedes comparar modelos YOLO como YOLO11 y evaluar su eficacia para obtener información valiosa.
Para empezar, puedes instalar el paquetePython Ultralytics ejecutando el siguiente comando en tu terminal o símbolo del sistema: "pip install ultralytics". Si te encuentras con algún problema durante la instalación, consulta nuestra Guía de problemas comunes para obtener consejos sobre cómo solucionarlos.
Una vez instalado el paquete, puedes comparar fácilmente YOLO11 con unas pocas líneas de código Python :
ES
EN
ZH
KO
JA
RU
DE
FR
PT
IT
AR
TR
VI
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
Cuando ejecutas el código mostrado arriba, calcula la rapidez con que el modelo procesa las imágenes, cuántos fotogramas puede manejar en un segundo y con qué precisión detecta los objetos.
La mención de "coco8.yaml" en el código se refiere a un archivo de configuración del conjunto de datos basado en el conjunto de datos COCO8 (Objetos Comunes en Contexto): una versión pequeña y de muestra del conjunto de datos COCO completo, que suele utilizarse para pruebas y experimentación.
Si estás probando YOLO11 para una aplicación específica, como la monitorización del tráfico o la obtención de imágenes médicas, utilizar un conjunto de datos relevante (por ejemplo, un conjunto de datos de tráfico o un conjunto de datos médicos) te proporcionará información más precisa. La evaluación comparativa con COCO proporciona una idea general del rendimiento, pero para obtener mejores resultados, puedes elegir un conjunto de datos que refleje tu caso de uso real.
Una vez realizado el benchmark de YOLO11 , el siguiente paso es interpretar los resultados. Tras ejecutar la prueba comparativa, verás varias cifras en los resultados. Estas métricas ayudan a evaluar el rendimiento de YOLO11 en términos de precisión y velocidad.
Éstas son algunas de las métricas de evaluación comparativa de YOLO11 que debes tener en cuenta:
Los resultados de los bancos de pruebas por sí solos sólo cuentan una parte de la historia. Para comprender mejor el rendimiento, es útil comparar distintos ajustes y opciones de hardware. Aquí tienes algunas cosas importantes que debes tener en cuenta:
El paquetePython Ultralytics te permite convertir los modelos YOLO11 en diferentes formatos que se ejecutan de forma más eficiente en hardware específico, mejorando tanto la velocidad como el uso de memoria. Cada formato de exportación está optimizado para distintos dispositivos.
Por un lado, el formatoONNX puede acelerar el rendimiento en distintos entornos. Por otro, OpenVINO mejora la eficiencia en el hardware Intel , y formatos como CoreML o TF SavedModel son ideales para dispositivos Apple y aplicaciones móviles.
Veamos cómo puedes hacer una prueba comparativa de YOLO11 en un formato específico. El código que aparece a continuación evalúa YOLO11 en el formato ONNX , muy utilizado para ejecutar modelos de IA tanto en CPU como en GPU.
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")
Más allá de los resultados de la evaluación comparativa, elegir el formato adecuado depende de las especificaciones y necesidades de despliegue de tu sistema. Por ejemplo, los coches autoconducidos necesitan una rápida detección de objetos. Si piensas utilizar GPUs NVIDIA para acelerar el rendimiento, el formato TensorRT es la elección ideal para ejecutar YOLO11 en unaGPU NVIDIA .
El paquetePython Ultralytics facilita la evaluación comparativa de YOLO11 proporcionando comandos sencillos que pueden gestionar las pruebas de rendimiento por ti. Con unos pocos pasos, puedes ver cómo afectan las diferentes configuraciones a la velocidad y precisión de los modelos, ayudándote a tomar decisiones informadas sin necesidad de profundos conocimientos técnicos.
El hardware y los ajustes adecuados también pueden marcar una gran diferencia. Ajustar parámetros como el tamaño del modelo y el conjunto de datos te permite afinar YOLO11 para obtener el mejor rendimiento, tanto si lo ejecutas en una GPU de gama alta como localmente en un dispositivo de última generación.
Conecta con nuestra comunidad y explora proyectos de IA de vanguardia en nuestro repositorio de GitHub. Conoce el impacto de la IA en la agricultura y el papel de la visión por ordenador en la fabricación a través de nuestras páginas de soluciones. Explora nuestros planes de licencias y comienza ya tu viaje por la IA.
Comienza tu viaje con el futuro del aprendizaje automático