OpenVINO 을 사용하여 추론을 위해 Ultralytics YOLOv8 모델을 최적화하세요. PyTorch 모델을 ONNX 으로 변환하고 실시간 애플리케이션에 맞게 최적화하는 가이드를 따르세요.
이 블로그 게시물에서는 사전 학습 또는 사용자 정의 학습된 모델을 내보내고 최적화하는 방법을 살펴보겠습니다. Ultralytics YOLOv8 모델을 내보내고 최적화하는 방법을 OpenVINO 에서 살펴보겠습니다. CPU 또는 GPU 와 같은 Intel 기반 시스템을 사용하는 경우 이 가이드에서는 최소한의 노력으로 모델 속도를 크게 높이는 방법을 보여드립니다.
를 사용하여 YOLOv8 모델을 최적화하면 OpenVINO 을 사용하면 추론 작업의 속도가 최대 3배까지 향상될 수 있으며, 특히 Intel CPU 을 실행하는 경우 이러한 성능 향상은 객체 감지부터 세분화 및 보안 시스템에 이르기까지 실시간 애플리케이션에서 큰 차이를 만들 수 있습니다.
먼저 프로세스를 세분화해 보겠습니다. PyTorch 모델을 ONNX 으로 변환한 다음 OpenVINO 을 사용하여 최적화하겠습니다. 이 프로세스는 몇 가지 간단한 단계로 이루어지며 TensorFlow, PyTorch, Caffe 및 ONNX 등 다양한 모델과 형식에 적용할 수 있습니다.
Ultralytics 설명서를 살펴보면 YOLOv8 모델을 내보내려면 Ultralytics 프레임워크의 내보내기 방법을 사용해야 한다는 것을 알 수 있습니다. 이 방법을 사용하면 모델을 PyTorch 에서 ONNX로 변환하고 마지막으로 OpenVINO 에 맞게 최적화합니다. 그 결과 Intel 의 강력한 하드웨어를 활용하여 훨씬 더 빠르게 실행되는 모델이 생성됩니다.
내보내기 스크립트를 실행하기 전에 필요한 모든 종속성이 설치되어 있는지 확인해야 합니다. 여기에는 Ultralytics 라이브러리, ONNX, OpenVINO 패키지가 포함됩니다. 이러한 패키지를 설치하는 과정은 Python 패키지 설치 프로그램인 pip를 통해 간단하게 수행할 수 있습니다.
환경이 설정되면 내보내기 스크립트를 실행할 수 있습니다. 이 스크립트는 PyTorch 모델을 ONNX 으로 변환한 다음 OpenVINO 으로 변환합니다. 이 과정은 간단하며 내보내기를 처리하는 단일 함수를 호출하기만 하면 됩니다. Ultralytics 프레임워크를 사용하면 모델을 쉽게 변환하고 최적화할 수 있으므로 번거로움을 최소화하면서 최고의 성능을 얻을 수 있습니다.
내보내기 후에는 원본 모델과 최적화된 모델의 성능을 비교하는 것이 필수적입니다. 두 모델의 추론 시간을 벤치마킹하면 성능 향상을 명확하게 확인할 수 있습니다. 일반적으로 OpenVINO 모델은 원본 PyTorch 모델에 비해 추론 시간이 크게 단축되는 것을 볼 수 있습니다. 특히 성능 향상이 가장 눈에 띄는 대규모 모델의 경우 더욱 그렇습니다.
YOLOv8 모델을 OpenVINO 으로 최적화하는 것은 실시간 처리가 필요한 애플리케이션에 특히 유용합니다. 다음은 몇 가지 예입니다:
이러한 최적화를 구현하면 성능을 개선할 뿐만 아니라 애플리케이션의 안정성과 효율성을 향상시킬 수 있습니다. 이는 더 나은 사용자 경험, 생산성 향상, 더 혁신적인 솔루션으로 이어질 수 있습니다.
YOLOv8 모델을 OpenVINO 으로 내보내고 최적화하는 것은 Intel 하드웨어를 활용하여 더 빠르고 효율적인 AI 애플리케이션을 만드는 강력한 방법입니다. 몇 가지 간단한 단계만 거치면 모델의 성능을 혁신하고 실제 시나리오에 효과적으로 적용할 수 있습니다.
Ultralytics 에서 더 많은 튜토리얼과 가이드를 확인하여 AI 프로젝트를 지속적으로 개선하세요. 더 많은 인사이트와 업데이트를 확인하려면 GitHub 리포지토리를 방문하고 Ultralytics 커뮤니티에 가입하세요. 함께 혁신합시다!
모델을 최적화하는 것은 단순히 속도를 높이는 것만이 아니라 새로운 가능성을 열어주고 AI 솔루션이 강력하고 효율적이며 미래를 대비할 수 있도록 하는 것임을 기억하세요.
