Optimise ton modèle YOLOv8 pour l'inférence en utilisant OpenVINO. Suis notre guide pour convertir les modèles PyTorch en ONNX et les optimiser pour les applications en temps réel.
Dans ce billet de blog, nous allons voir comment tu peux exporter et optimiser ton modèle pré-entraîné ou personnalisé pour l'inférence à l'aide de . Ultralytics YOLOv8 pour l' inférence à l'aide de OpenVINO. Si tu utilises un système basé sur Intel, qu'il s'agisse de CPU ou de GPU, ce guide te montrera comment accélérer considérablement ton modèle avec un minimum d'efforts.
L'optimisation de ton modèle YOLOv8 avec OpenVINO peut tripler la vitesse des tâches d'inférence, en particulier si tu utilises un modèle Intel CPU . Ce gain de performance peut faire une énorme différence dans les applications en temps réel, de la détection d'objets à la segmentation en passant par les systèmes de sécurité.
Tout d'abord, décomposons le processus. Nous allons convertir un modèle PyTorch en ONNX et l'optimiser à l'aide de OpenVINO. Ce processus comporte quelques étapes simples et peut être appliqué à divers modèles et formats, notamment TensorFlow, PyTorch, Caffe et ONNX.
En nous plongeant dans ladocumentation de Ultralytics , nous constatons que l'exportation d'un modèle YOLOv8 implique l'utilisation de la méthode d'exportation du cadre Ultralytics . Cette méthode nous permet de convertir notre modèle de PyTorch à ONNXet enfin de l'optimiser pour OpenVINO. Le résultat est un modèle qui s'exécute beaucoup plus rapidement, en tirant parti de la puissance du matériel de Intel.
Avant d'exécuter le script d'exportation, tu devras t'assurer que toutes les dépendances nécessaires sont installées. Il s'agit notamment de la bibliothèque Ultralytics , ONNX et OpenVINO. L'installation de ces paquets est un processus simple qui peut être effectué via pip, l'installateur de paquets Python .
Une fois ton environnement configuré, tu peux exécuter ton script d'exportation. Ce script convertira ton modèle PyTorch en ONNX , puis en OpenVINO. Le processus est simple et consiste à appeler une seule fonction pour gérer l'exportation. Le cadre Ultralytics facilite la conversion et l'optimisation de tes modèles, ce qui te permet d'obtenir les meilleures performances avec un minimum d'efforts.
Après l'exportation, il est essentiel de comparer les performances des modèles originaux et optimisés. En comparant le temps d'inférence des deux modèles, tu peux clairement voir les gains de performance. Généralement, le modèle OpenVINO montre une réduction significative du temps d'inférence par rapport au modèle original PyTorch . C'est particulièrement vrai pour les modèles de grande taille, où l'augmentation des performances est la plus visible.
L'optimisation des modèles YOLOv8 avec OpenVINO est particulièrement bénéfique pour les applications nécessitant un traitement en temps réel. En voici quelques exemples :
En mettant en œuvre ces optimisations, tu améliores non seulement les performances, mais aussi la fiabilité et l'efficacité de tes applications. Cela peut conduire à de meilleures expériences pour les utilisateurs, à une productivité accrue et à des solutions plus innovantes.
L'exportation et l'optimisation d'un modèle YOLOv8 pour OpenVINO est un moyen puissant d'exploiter le matériel Intel pour des applications d'IA plus rapides et plus efficaces. En quelques étapes simples, tu peux transformer les performances de ton modèle et l'appliquer efficacement à des scénarios du monde réel.
Ne manque pas de consulter d'autres tutoriels et guides sur Ultralytics pour continuer à améliorer tes projets d'IA. Visite notre dépôt GitHub et rejoins la communauté Ultralytics pour obtenir plus d'informations et de mises à jour. Innovons ensemble !
N'oublie pas que l'optimisation de tes modèles n'est pas seulement une question de vitesse - il s'agit de débloquer de nouvelles possibilités et de s'assurer que tes solutions d'IA sont robustes, efficaces et prêtes pour l'avenir.
Commence ton voyage avec le futur de l'apprentissage automatique.
