YOLOv8改进 | 利用训练好权重文件计算YOLOv8的FPS、推理每张图片的平均时间

最新推荐文章于 2025-05-05 21:09:21 发布
最新推荐文章于 2025-05-05 21:09:21 发布
阅读量3.3k 收藏 9
点赞数 13
分类专栏： YOLO系列实践 文章标签： 目标跟踪 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/feng1790291543/article/details/139666309
版权

鱼弦：公众号【红尘灯塔】，优快云博客专家、内容合伙人、新星导师、全栈领域优质创作者 、51CTO(Top红人+专家博主) 、github开源爱好者（go-zero源码二次开发、游戏后端架构 https://github.com/Peakchen）

YOLOv8改进 | 利用训练好权重文件计算YOLOv8的FPS、推理每张图片的平均时间

介绍

YOLOv8是目前最流行的目标检测算法之一，其推理速度快、精度高，被广泛应用于各种实时目标检测场景。为了评估YOLOv8模型的性能，可以计算其FPS（Frames Per Second）和推理每张图片的平均时间。FPS是指模型每秒能够处理的帧数，推理每张图片的平均时间是模型处理单张图片所花费的时间。

原理详解

1. FPS

FPS的计算公式如下：

FPS = 1 / 平均推理时间

其中，平均推理时间是模型处理多张图片所花费的总时间除以图片的数量。

2. 推理每张图片的平均时间

推理每张图片的平均时间的计算方法如下：

  1. 使用计时器记录模型处理单张图片所花费的时间。
  2. 重复步骤1多次，并计算所有时间值的平均值。

应用场景解释</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
如何计算YOLOv8的推理速度FPS指标？
crasher123的博客
05-26 5369
请注意，计算FPS时，要确保使用相同的硬件设备（例如GPU或CPU）和相同的批量大小（batch size）。此外，还应考虑到可能存在的数据预处理和后处理过程所需的时间。要计算YOLO系列模型的推理速度，可以使用FPS（每秒帧数）作为指标。其中，N为图像数量，Total Time为总共花费的时间。对于每个图像，将其输入模型进行推理，并记录推理结束时间。首先，确定用于推理的图像数量（例如，N张图像）。计算总共花费的时间，即推理结束时间减去起始时间。计算FPS指标，即图像数量除以总共花费的时间。
YOLOv8改进 | 利用训练好权重文件计算YOLOv8的FPS、推理每张图片的平均时间（科研必备）
Snu77的博客
02-07 9010
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS，同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）。
[深度学习 - 目标检测] YOLO系列（一）
南城同学的博客
03-22 1480
1. one-stage 衡量算法的两个指标： mAP和FPS: mAP越大，代表检测效果越好； FPS越大，代表速度越快. 2. two-stage 3. 指标分析 精度和召回率；
在yolov8中验证时计算FPS（pip install ultralytics安装环境）
最新发布
chao_xy的博客
05-05 265
直接使用pip install ultralytics安装环境后在项目文件下ultralytics/engine/validator.py更改无效，需要在虚拟环境文件中更改
YOLOV8计算FPS
WFFYFLUNWEN的博客
10-26 7371
在yolov8中，想要计算FPS对训练出来的模型进行验证，这两种说法不一样，到底哪一种是正确的呢？
如何在yolov8中验证时计算FPS
weixin_64924692的博客
01-27 1万+
speed.values()是一个字典，包括preprocess,inference,loss,postprocess的时间，所以这行代码计算的fps包括对图片前处理，推理和后处理的总时间，每次运行可能FPS会有波动，如果想要一个稳定的数值，可以运行多次求平均。ultralytics-main/ultralytics/engine/validator.py文件下，第200行左右，添加如下代码。如果只想要纯网络的推理时间,可以使用如下代码。
YOLOv8的FPS计算代码
qq_29762001的博客
03-24 4438
目前是默认加载到0号GPU中，如果你想加载到指定GPU中，请手动在加载模型的时候设置device=编号。
YOLOv11改进 | 利用训练好权重文件计算YOLOv11的FPS、推理每张图片的平均时间（科研必备）
Snu77的博客
11-05 2289
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）。
YOLOv10改进 | 利用训练好权重文件计算YOLOv10的FPS、推理每张图片的平均时间（科研必备）
Snu77的博客
07-13 1993
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 15万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
yolov8的指标
fool996的博客
02-28 1万+
检测精度检测速度前传耗时每秒帧数 FPS（Frames Per Sencond）P-R curve浮点运算量（FLOPS）AP、mAP。
【YOLOv8】模型验证FPS设置
a897570639的博客
09-03 6053
要添加FPS输出代码，需要找到对应的文件。其中包括三个主要时间，0.1ms前处理，1.9ms推理，0.9ms后处理；其中包括三个主要时间，0.1ms前处理，1.9ms推理，0.9ms后处理；从图片输入到处理到输出共需要0.1+1.9+0.9=2.9ms的时间。从图片输入到处理到输出共需要0.1+1.9+0.9=2.9ms的时间。从图片输入到处理到输出共需要0.1+2.0+0.9=3.0ms的时间。0.1ms前处理，1.6ms推理，1.0ms后处理；0.1ms前处理，2.0ms推理，0.9ms后处理；
yolov8模拟同时推理多路视频，并计算fps，1080ti两路视频基本在15FPS
DeepCBW的博客
11-22 531
【代码】yolov8模拟同时推理多路视频，并计算fps，1080ti两路视频基本在15FPS。
【YOLOv11基础[论文必备]】计算已训模型的FPS值、计算每张随机图片的平均推理时间
静谧、淡雅
11-27 1190
计算已训模型的FPS值、计算每张随机图片的平均推理时间
【对YOLOv8(ultralytics)打印测试结果的调整】(1)使得map值打印显示从0.551变为55.08 (2)打印出FPS
孟孟单单的博客
04-06 1万+
【代码】【对YOLOv8打印测试结果的调整】(1)使得map值打印显示从0.551变为55.08 (2)打印出FPS。
芒果YOLOv8改进110：PicoDet 主干系列：优化YOLOv8轻量化网络结构，0.99M，150FPS，移动端超轻量目标检测算法PicoDet
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-30 3318
YOLOv8改进代码实践｜优化YOLOv8轻量化网络结构，0.99M，150FPS，移动端超轻量目标检测算法PicoDet
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 9万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
【YOLOv8量化】普通CPU上加速推理可达100+FPS
关注微信公众号【OpenCV学堂】
12-19 6624
轻松量化YOLOv8，流水线推理轻松加速！
YOLO v5 FPS计算方法
m0_60985598的博客
05-30 4307
python val.py --data data/voc_bm.yaml --weights runs/train/yolov5s/weights/best.pt --batch-size 1（当然也可以命令行参数指定为1，其他参数可以根据自己需要调整）pre-process：图像预处理时间，包括图像保持长宽比缩放和padding填充，通道变换（HWC->CHW）和升维处理等；相信大家也遇到了和我一样的问题，FPS究竟该怎么算，本人今天澄清一下。在val.py中，需要修改参数batch-size=1!
利用权重计算yolov7的fps
01-11
### 如何通过权重优化 YOLOv7 的 FPS 计算 对于 YOLOv7 来说，利用训练好的权重文件来计算模型的 FPS 和推理每张图片的平均时间是一项重要的评估工作。这不仅有助于理解模型的实际性能，还能指导进一步的优化方向。 #### 准备环境与加载模型 要开始计算 FPS 需先准备合适的开发环境并加载已有的权重文件： ```python import torch from models.experimental import attempt_load # 加载预训练权重文件 weights_path = 'path/to/yolov7.pt' # 替换为实际路径 device = torch.device('cuda:0') # 使用 GPU 进行加速 model = attempt_load(weights_path, map_location=device) # 设置模型为评估模式 model.eval() ``` #### 参数配置说明 在进行 FPS 测试之前，需设置一些必要的参数以确保测试的有效性和准确性[^3]： - **`batch_size`**: 定义每次推断处理的图像数量，默认情况下可设为1用于逐帧分析。 - **`imgsz` (image size)**: 图像尺寸通常设定为640×640像素或其他适合特定应用场景的大致相同的比例尺。 - **`device`**: 推理使用的硬件资源，推荐使用GPU以加快速度；如果仅限于CPU，则相应调整此选项。 - **`warmup_times`**: 设定一定次数作为预热期，在正式计时前使模型进入最佳状态。 - **`test_time`**: 性能评测期间执行的具体推理循环次数，更多迭代意味着更精确的结果统计。 - **`half_precision`**: 启用半精度浮点运算(FP16)，可以在支持该特性的设备上显著提升效率而不明显损失质量。 #### 实施 FPS 测量过程 基于上述准备工作之后，下面展示了一个简单的 Python 脚本来完成整个流程： ```python import time def calculate_fps(model, imgsz=640, batch_size=1, device='cuda', warmup_times=5, test_time=20, half=True): model.to(device).eval() if half and device != 'cpu': model.half() # 将模型转换成 FP16 dummy_input = torch.randn(batch_size, 3, imgsz, imgsz, dtype=torch.float) with torch.no_grad(): for _ in range(warmup_times): # Warm-up phase output = model(dummy_input.to(device)) start_time = time.time() for _ in range(test_time): outputs = model(dummy_input.to(device)) # 正式测量 end_time = time.time() total_inference_time = end_time - start_time fps = test_time / total_inference_time * batch_size avg_inferece_time_per_image = total_inference_time / (test_time*batch_size)*1e3 # ms per image print(f"Average inference time per image is {avg_inferece_time_per_image:.2f}ms.") print(f"The calculated FPS of the model on this hardware setup is approximately {fps:.2f}.") ``` 调用 `calculate_fps()` 方法即可得到所需的 FPS 数据以及平均每张图像是多少毫秒内完成处理的信息。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

鱼弦

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值