【YOLOv8】模型验证FPS设置

本文参考,谢谢大佬YOLOV8源码常见疑问四-如何添加FPS计算代码和FPS的相关的一些疑问_哔哩哔哩_bilibili

创建验证文件val.py

import warnings

warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO(r"runs\detect\train9\weights\best.pt")
    model.val(data=r'\dataset\data_drone1.yaml',
              split='val',
              imgsz=640,
              batch=16,
              project='runs/val',
              name='exp',
              )

模型选择自己训练好的模型，存储路径如代码所示。

设置模型为验证模式，数据通过配置文件data_drone1.yaml设置

# yaml文件，在dataset文件夹下 

train: H:\Datasets\Drone\Dalian_u\images\train
val: H:\Datasets\Drone\Dalian_u\images\val
test: H:\Datasets\Drone\Dalian_u\images\test
# 设置自己的数据集地址
# train: ./dataset/images/train
# val: ./dataset/images/val
# test: ./dataset/images/test

# 设置目标识别的类别数量
# number of classes
nc: 1

# 设置类别名称
# class names
names: ['UAV']

在batch_size为16的前提下，运行测试文件输出内容如下

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

 要添加FPS输出代码，需要找到对应的文件。通过全局搜索关键字postprocess per image可以找到对应的代码位于ultralytics/engine的validator.py文件中的206行附近。通过添加后续两段代码能够输出FPS，分别是全处理的FPS和推理时间的FPS。

LOGGER.info(
        "Speed: %.1fms preprocess,
         %.1fms inference, 
         %.1fms loss,
         %.1fms postprocess per image"
         % tuple(self.speed.values())
            )

LOGGER.info(
        f'FPS(include:preprocess,inference,postprocess):
        {(1000 / sum(self.speed.values())):.2f}')

LOGGER.info(
        f'FPS(inference):{1000/tuple(self.speed.values())[1]:.2f}')

在batch_size为16的前提下，运行测试文件输出内容如下

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

FPS:345.72，推理FPS:531.79

其余测试》》》》》 

在batch_size为32的前提下，运行测试文件输出内容如下 

0.1ms前处理，1.6ms推理，1.0ms后处理；

从图片输入到处理到输出共需要0.1+1.6+1.0=2.7ms的时间

在batch_size为8的前提下，运行测试文件输出内容如下 

0.1ms前处理，2.0ms推理，0.9ms后处理；

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