Ultralytics YOLO Model Boyutunu Seç
YOLO26 n, s, m, l ve x boyutlarını karşılaştır, hedef donanımında kıyasla ve gecikme bütçene uyan en küçük boyutu seç.
Çok büyük bir model seçersen 30 FPS'lik bir kamera uygulaması 12 FPS'de çalışır; çok küçük bir model seçersen GPU'da büyük bir modelin ücretsiz sunacağı doğruluktan vazgeçmiş olursun. Eğittiğin boyut dağıtacağın boyut olacağı için bu kararı uzun eğitim çalıştırmasından önce vermelisin.
YOLO26, yedi görevin tümü için beş boyutta (n, s, m, l ve x) sunulur: algılama, segmentasyon, anlamsal segmentasyon, sınıflandırma, poz, OBB ve derinlik. Bu derste kare hızını milisaniye bütçesine dönüştürecek, kendi makinenizde iki boyutu Kıyaslama moduyla ölçecek ve seçim yapacaksın.
Uygulamalı
Model Seçeneklerini Tanı#
Bunlar, YOLO26 belgelerinde yer alan ve tamamı 640 pikselde ölçülen resmi COCO algılama değerleridir:
| Model | Parametreler (M) | FLOP (B) | mAP50-95 | CPU ONNX (ms) | T4 TensorRT10 (ms) |
|---|---|---|---|---|---|
yolo26n | 2.4 | 5.5 | 40.9 | 38.9 | 1.7 |
yolo26s | 9.5 | 20.9 | 48.6 | 87.2 | 2.5 |
yolo26m | 20.4 | 68.4 | 53.1 | 220.0 | 4.7 |
yolo26l | 24.8 | 86.8 | 55.0 | 286.2 | 6.2 |
yolo26x | 55.7 | 194.4 | 57.5 | 525.8 | 11.8 |
Her görev için her boyut bulunur; yolo26s-seg.pt, yolo26s-sem.pt, yolo26s-depth.pt, yolo26s-cls.pt, yolo26s-pose.pt veya yolo26s-obb.pt örneklerinde olduğu gibi son eki değiştir. Eski bir projeyi mi taşıyorsun? YOLO11 ve YOLO26 karşılaştırması değişiklikleri gösterir.
Tabloyu “bir sonraki boyutun maliyeti nedir?” diye oku:
| Geçiş | Kazanılan mAP | Ek FLOP | CPU gecikme çarpanı |
|---|---|---|---|
| n → s | +7.7 | ×3.8 | ×2.2 |
| s → m | +4.5 | ×3.3 | ×2.5 |
| m → l | +1.9 | ×1.3 | ×1.3 |
| l → x | +2.5 | ×2.2 | ×1.8 |
İlk geçiş en avantajlı olanıdır; m sonrasında COCO doğruluğundaki her puan daha pahalıya gelir. Üstelik 80 farklı sınıfa sahip COCO, gerçek projelerin çoğundan daha zordur: konveyördeki tek bir ürün gibi dar kapsamlı bir görevde n ve s, çoğunlukla m değerinin bir puan yakınında sonuç verir.
Bütçeyle Başla#
Çıkarım gecikmesi bütçen 1000 ms ÷ hedef FPS'tir ve model bu bütçeyi kod çözme, çizim ve kendi mantığınla paylaşmalıdır. Başlangıç için tipik seçenekler:
| Hedef | Şununla başla |
|---|---|
| Telefon, Raspberry Pi, tarayıcı veya başka bir küçük uç yapay zekâ cihazı | n |
| Dizüstü veya masaüstü CPU, 10–30 FPS | n ile başla; yeterli pay varsa s kullan |
| Tek GPU, gerçek zamanlı video | s veya m |
| Çevrimdışı toplu işleme, öncelik doğrulukta | l veya x |
Uygulamalı Örnek: İki Boyutu Ölç#
Benchmark modu modeli dışa aktarır, coco8 üzerinde doğrular ve makinedeki çıkarım süresini ölçer. format=onnx çalışmayı tek bir biçimle sınırlandırarak saniyeler içinde tamamlanmasını sağlar; tüm dışa aktarma biçimlerini karşılaştırmak için bu seçeneği belirtme.
yolo benchmark model=yolo26n.pt imgsz=640 format=onnx
yolo benchmark model=yolo26s.pt imgsz=640 format=onnxApple M5 Pro dizüstü bilgisayar CPU'sunda alınan gerçek sonuçlar:
| Format Status❔ Size (MB) metrics/mAP50-95(B) Inference time (ms/im) FPS |
| 1 ONNX ✅ 9.5 0.6693 13.87 72.08 | <- yolo26n
| 1 ONNX ✅ 36.5 0.6654 30.87 32.39 | <- yolo26s30 FPS (33 ms) bütçesine göre değerlendirelim:
yolo26n, 13.87 ms: kod çözme ve çizim için 19 ms boşluk bırakarak bütçeye sığıyor.yolo26s, 30.87 ms: teknik olarak sığıyor, ancak başka hiçbir şeye yer kalmıyor. Makinede başka işler çalışırken aynı benchmark 60 ms sürdü.Size (MB): uygulama indirmeleri ve mobil bellek açısından önemli olan ONNX dosyasının boyutu.metrics/mAP50-95(B): burada bunu göz ardı et.coco8içinde dört doğrulama görüntüsü var: dışa aktarmanın çalıştığını kanıtlamak için yeterli, doğruluk sıralaması yapmak içinse çok az.
Karar: önce yolo26n ile eğit ve yedek olarak yolo26s boyutunu daha düşük bir imgsz değerinde tut.
Bu Hatalardan Kaçın#
Belirti: Dizüstü bilgisayarında 70 FPS hızında çalışan bir model, uç cihazda 8 FPS hızında çalışıyor. Çözüm: Gerçekçi yük altında — diğer süreçler, kamera kod çözme ve kullanılan gerçek çalışma zamanı biçimi dâhil — modeli çalıştıracak cihazda kıyaslama yap.
Belirti: Notlarında "s, n'den hızlıydı" yazıyor. Neden: Çalıştırmalardan birinde imgsz=480 veya farklı bir biçim kullanıldı. Çözüm: Boyutları aynı imgsz, biçim ve batch ile karşılaştır; her seferinde tek bir değişkeni değiştir.
x boyutunda eğitip daha sonra model budama veya kuantizasyonla n boyutuna küçültmeyi planlama: daha küçük bir mimari için yeniden eğitim gerekir. Önce boyutu seç; kuantizasyonu doğru boyutun yerine geçen bir yöntem değil, ek hız kazanımı olarak değerlendir.
Daha kapsamlı gecikme çalışmaları — toplu işleme, kuantizasyon ve çalışma zamanı seçimi — Üretim kursundaki Maliyet ve Gecikme Ayarı konusuna aittir; performans metrikleri kılavuzu ise her doğruluk değerini açıklar.
Çözümü göster
Budget: 30 FPS on a laptop CPU -> 33 ms per frame, shared with decode and drawing
Measured: ONNX at 640 -> yolo26n 13.9 ms (19 ms headroom), yolo26s 30.9 ms (none; 60 ms under load)
Decision: train yolo26n first. If accuracy on our val set falls short,
try yolo26s at imgsz=480 and re-benchmark before committing.