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
Cryptocurrencies: 9944 / Markets: 87551
Market Cap: $ 2 310 356 654 676 / 24h Vol: $ 90 815 107 536 / BTC Dominance: 59.397492155094%

Н 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

  • 07.09.23 16:24 CherryTeam

    Cherry Team atlyginimų skaičiavimo programa yra labai naudingas įrankis įmonėms, kai reikia efektyviai valdyti ir skaičiuoti darbuotojų atlyginimus. Ši programinė įranga, turinti išsamias funkcijas ir patogią naudotojo sąsają, suteikia daug privalumų, kurie padeda supaprastinti darbo užmokesčio skaičiavimo procesus ir pagerinti finansų valdymą. Štai keletas pagrindinių priežasčių, kodėl Cherry Team atlyginimų skaičiavimo programa yra naudinga įmonėms: Automatizuoti ir tikslūs skaičiavimai: Atlyginimų skaičiavimai rankiniu būdu gali būti klaidingi ir reikalauti daug laiko. Programinė įranga Cherry Team automatizuoja visą atlyginimų skaičiavimo procesą, todėl nebereikia atlikti skaičiavimų rankiniu būdu ir sumažėja klaidų rizika. Tiksliai apskaičiuodama atlyginimus, įskaitant tokius veiksnius, kaip pagrindinis atlyginimas, viršvalandžiai, premijos, išskaitos ir mokesčiai, programa užtikrina tikslius ir be klaidų darbo užmokesčio skaičiavimo rezultatus. Sutaupoma laiko ir išlaidų: Darbo užmokesčio valdymas gali būti daug darbo jėgos reikalaujanti užduotis, reikalaujanti daug laiko ir išteklių. Programa Cherry Team supaprastina ir pagreitina darbo užmokesčio skaičiavimo procesą, nes automatizuoja skaičiavimus, generuoja darbo užmokesčio žiniaraščius ir tvarko išskaičiuojamus mokesčius. Šis automatizavimas padeda įmonėms sutaupyti daug laiko ir pastangų, todėl žmogiškųjų išteklių ir finansų komandos gali sutelkti dėmesį į strategiškai svarbesnę veiklą. Be to, racionalizuodamos darbo užmokesčio operacijas, įmonės gali sumažinti administracines išlaidas, susijusias su rankiniu darbo užmokesčio tvarkymu. Mokesčių ir darbo teisės aktų laikymasis: Įmonėms labai svarbu laikytis mokesčių ir darbo teisės aktų, kad išvengtų baudų ir teisinių problemų. Programinė įranga Cherry Team seka besikeičiančius mokesčių įstatymus ir darbo reglamentus, užtikrindama tikslius skaičiavimus ir teisinių reikalavimų laikymąsi. Programa gali dirbti su sudėtingais mokesčių scenarijais, pavyzdžiui, keliomis mokesčių grupėmis ir įvairių rūšių atskaitymais, todėl užtikrina atitiktį reikalavimams ir kartu sumažina klaidų riziką. Ataskaitų rengimas ir analizė: Programa Cherry Team siūlo patikimas ataskaitų teikimo ir analizės galimybes, suteikiančias įmonėms vertingų įžvalgų apie darbo užmokesčio duomenis. Ji gali generuoti ataskaitas apie įvairius aspektus, pavyzdžiui, darbo užmokesčio paskirstymą, išskaičiuojamus mokesčius ir darbo sąnaudas. Šios ataskaitos leidžia įmonėms analizuoti darbo užmokesčio tendencijas, nustatyti tobulintinas sritis ir priimti pagrįstus finansinius sprendimus. Pasinaudodamos duomenimis pagrįstomis įžvalgomis, įmonės gali optimizuoti savo darbo užmokesčio strategijas ir veiksmingai kontroliuoti išlaidas. Integracija su kitomis sistemomis: Cherry Team programinė įranga dažnai sklandžiai integruojama su kitomis personalo ir apskaitos sistemomis. Tokia integracija leidžia automatiškai perkelti atitinkamus duomenis, pavyzdžiui, informaciją apie darbuotojus ir finansinius įrašus, todėl nebereikia dubliuoti duomenų. Supaprastintas duomenų srautas tarp sistemų padidina bendrą efektyvumą ir sumažina duomenų klaidų ar neatitikimų riziką. Cherry Team atlyginimų apskaičiavimo programa įmonėms teikia didelę naudą - automatiniai ir tikslūs skaičiavimai, laiko ir sąnaudų taupymas, atitiktis mokesčių ir darbo teisės aktų reikalavimams, ataskaitų teikimo ir analizės galimybės bei integracija su kitomis sistemomis. Naudodamos šią programinę įrangą įmonės gali supaprastinti darbo užmokesčio skaičiavimo procesus, užtikrinti tikslumą ir atitiktį reikalavimams, padidinti darbuotojų pasitenkinimą ir gauti vertingų įžvalgų apie savo finansinius duomenis. Programa Cherry Team pasirodo esanti nepakeičiamas įrankis įmonėms, siekiančioms efektyviai ir veiksmingai valdyti darbo užmokestį. https://cherryteam.lt/lt/

  • 08.10.23 01:30 davec8080

    The "Shibarium for this confirmed rug pull is a BEP-20 project not related at all to Shibarium, SHIB, BONE or LEASH. The Plot Thickens. Someone posted the actual transactions!!!! https://bscscan.com/tx/0xa846ea0367c89c3f0bbfcc221cceea4c90d8f56ead2eb479d4cee41c75e02c97 It seems the article is true!!!! And it's also FUD. Let me explain. Check this link: https://bscscan.com/token/0x5a752c9fe3520522ea88f37a41c3ddd97c022c2f So there really is a "Shibarium" token. And somebody did a rug pull with it. CONFIRMED. But the "Shibarium" token for this confirmed rug pull is a BEP-20 project not related at all to Shibarium, SHIB, BONE or LEASH.

  • 24.06.24 04:31 tashandiarisha

    Web-site. https://trustgeekshackexpert.com/ Tele-Gram, trustgeekshackexpert During the pandemic, I ventured into the world of cryptocurrency trading. My father loaned me $10,000, which I used to purchase my first bitcoins. With diligent research and some luck, I managed to grow my investment to over $350,000 in just a couple of years. I was thrilled with my success, but my excitement was short-lived when I decided to switch brokers and inadvertently fell victim to a phishing attack. While creating a new account, I received what seemed like a legitimate email requesting verification. Without second-guessing, I provided my information, only to realize later that I had lost access to my email and cryptocurrency wallets. Panic set in as I watched my hard-earned assets disappear before my eyes. Desperate to recover my funds, I scoured the internet for solutions. That's when I stumbled upon the Trust Geeks Hack Expert on the Internet. The service claimed to specialize in recovering lost crypto assets, and I decided to take a chance. Upon contacting them, the team swung into action immediately. They guided me through the entire recovery process with professionalism and efficiency. The advantages of using the Trust Geeks Hack Expert Tool became apparent from the start. Their team was knowledgeable and empathetic, understanding the urgency and stress of my situation. They employed advanced security measures to ensure my information was handled safely and securely. One of the key benefits of the Trust Geeks Hack Expert Tool was its user-friendly interface, which made a complex process much more manageable for someone like me, who isn't particularly tech-savvy. They also offered 24/7 support, so I never felt alone during recovery. Their transparent communication and regular updates kept me informed and reassured throughout. The Trust Geeks Hack Expert Tool is the best solution for anyone facing similar issues. Their swift response, expertise, and customer-centric approach set them apart from other recovery services. Thanks to their efforts, I regained access to my accounts and my substantial crypto assets. The experience taught me a valuable lesson about online security and showed me the incredible potential of the Trust Geeks Hack Expert Tool. Email:: trustgeekshackexpert{@}fastservice{.}com WhatsApp  + 1.7.1.9.4.9.2.2.6.9.3

  • 26.06.24 18:46 Jacobethannn098

    LEGAL RECOUP FOR CRYPTO THEFT BY ADRIAN LAMO HACKER

  • 26.06.24 18:46 Jacobethannn098

    Reach Out To Adrian Lamo Hacker via email: [email protected] / WhatsApp: ‪+1 (909) 739‑0269‬ Adrian Lamo Hacker is a formidable force in the realm of cybersecurity, offering a comprehensive suite of services designed to protect individuals and organizations from the pervasive threat of digital scams and fraud. With an impressive track record of recovering over $950 million, including substantial sums from high-profile scams such as a $600 million fake investment platform and a $1.5 million romance scam, Adrian Lamo Hacker has established itself as a leader in the field. One of the key strengths of Adrian Lamo Hacker lies in its unparalleled expertise in scam detection. The company leverages cutting-edge methodologies to defend against a wide range of digital threats, including phishing emails, fraudulent websites, and deceitful schemes. This proactive approach to identifying and neutralizing potential scams is crucial in an increasingly complex and interconnected digital landscape. Adrian Lamo Hacker's tailored risk assessments serve as a powerful tool for fortifying cybersecurity. By identifying vulnerabilities and potential points of exploitation, the company empowers its clients to take proactive measures to strengthen their digital defenses. This personalized approach to risk assessment ensures that each client receives targeted and effective protection against cyber threats. In the event of a security incident, Adrian Lamo Hacker's rapid incident response capabilities come into play. The company's vigilant monitoring and swift mitigation strategies ensure that any potential breaches or scams are addressed in real-time, minimizing the impact on its clients' digital assets and reputation. This proactive stance towards incident response is essential in an era where cyber threats can materialize with alarming speed and sophistication. In addition to its robust defense and incident response capabilities, Adrian Lamo Hacker is committed to empowering its clients to recognize and thwart common scam tactics. By fostering enlightenment in the digital realm, the company goes beyond simply safeguarding its clients; it equips them with the knowledge and awareness needed to navigate the digital landscape with confidence and resilience. Adrian Lamo Hacker services extend to genuine hacking, offering an additional layer of protection for its clients. This may include ethical hacking or penetration testing, which can help identify and address security vulnerabilities before malicious actors have the chance to exploit them. By offering genuine hacking services, Adrian Lamo Hacker demonstrates its commitment to providing holistic cybersecurity solutions that address both defensive and offensive aspects of digital protection. Adrian Lamo Hacker stands out as a premier provider of cybersecurity services, offering unparalleled expertise in scam detection, rapid incident response, tailored risk assessments, and genuine hacking capabilities. With a proven track record of recovering significant sums from various scams, the company has earned a reputation for excellence in combating digital fraud. Through its proactive and empowering approach, Adrian Lamo Hacker is a true ally for individuals and organizations seeking to navigate the digital realm with confidence.

  • 04.07.24 04:49 ZionNaomi

    For over twenty years, I've dedicated myself to the dynamic world of marketing, constantly seeking innovative strategies to elevate brand visibility in an ever-evolving landscape. So when the meteoric rise of Bitcoin captured my attention as a potential avenue for investment diversification, I seized the opportunity, allocating $20,000 to the digital currency. Witnessing my investment burgeon to an impressive $70,000 over time instilled in me a sense of financial promise and stability.However, amidst the euphoria of financial growth, a sudden and unforeseen oversight brought me crashing back to reality during a critical business trip—I had misplaced my hardware wallet. The realization that I had lost access to the cornerstone of my financial security struck me with profound dismay. Desperate for a solution, I turned to the expertise of Daniel Meuli Web Recovery.Their response was swift . With meticulous precision, they embarked on the intricate process of retracing the elusive path of my lost funds. Through their unwavering dedication, they managed to recover a substantial portion of my investment, offering a glimmer of hope amidst the shadows of uncertainty. The support provided by Daniel Meuli Web Recovery extended beyond mere financial restitution. Recognizing the imperative of fortifying against future vulnerabilities, they generously shared invaluable insights on securing digital assets. Their guidance encompassed crucial aspects such as implementing hardware wallet backups and fortifying security protocols, equipping me with recovered funds and newfound knowledge to navigate the digital landscape securely.In retrospect, this experience served as a poignant reminder of the critical importance of diligence and preparedness in safeguarding one's assets. Thanks to the expertise and unwavering support extended by Daniel Meuli Web Recovery, I emerged from the ordeal with renewed resilience and vigilance. Empowered by their guidance and fortified by enhanced security measures, I now approach the future with unwavering confidence.The heights of financial promise to the depths of loss and back again has been a humbling one, underscoring the volatility and unpredictability inherent in the digital realm. Yet, through adversity, I have emerged stronger, armed with a newfound appreciation for the importance of diligence, preparedness, and the invaluable support of experts like Daniel Meuli Web Recovery.As I persist in traversing the digital landscape, I do so with a judicious blend of vigilance and fortitude, cognizant that with adequate safeguards and the backing of reliable confidants, I possess the fortitude to withstand any adversity that may arise. For this, I remain eternally appreciative. Email Danielmeuliweberecovery @ email . c om WhatsApp + 393 512 013 528

  • 13.07.24 21:13 michaelharrell825

    In 2020, amidst the economic fallout of the pandemic, I found myself unexpectedly unemployed and turned to Forex trading in hopes of stabilizing my finances. Like many, I was drawn in by the promise of quick returns offered by various Forex robots, signals, and trading advisers. However, most of these products turned out to be disappointing, with claims that were far from reality. Looking back, I realize I should have been more cautious, but the allure of financial security clouded my judgment during those uncertain times. Amidst these disappointments, Profit Forex emerged as a standout. Not only did they provide reliable service, but they also delivered tangible results—a rarity in an industry often plagued by exaggerated claims. The positive reviews from other users validated my own experience, highlighting their commitment to delivering genuine outcomes and emphasizing sound financial practices. My journey with Profit Forex led to a net profit of $11,500, a significant achievement given the challenges I faced. However, my optimism was short-lived when I encountered obstacles trying to withdraw funds from my trading account. Despite repeated attempts, I found myself unable to access my money, leaving me frustrated and uncertain about my financial future. Fortunately, my fortunes changed when I discovered PRO WIZARD GIlBERT RECOVERY. Their reputation for recovering funds from fraudulent schemes gave me hope in reclaiming what was rightfully mine. With a mixture of desperation and cautious optimism, I reached out to them for assistance. PRO WIZARD GIlBERT RECOVERY impressed me from the start with their professionalism and deep understanding of financial disputes. They took a methodical approach, using advanced techniques to track down the scammers responsible for withholding my funds. Throughout the process, their communication was clear and reassuring, providing much-needed support during a stressful period. Thanks to PRO WIZARD GIlBERT RECOVERY's expertise and unwavering dedication, I finally achieved a resolution to my ordeal. They successfully traced and retrieved my funds, restoring a sense of justice and relief. Their intervention not only recovered my money but also renewed my faith in ethical financial services. Reflecting on my experience, I've learned invaluable lessons about the importance of due diligence and discernment in navigating the Forex market. While setbacks are inevitable, partnering with reputable recovery specialists like PRO WIZARD GIlBERT RECOVERY can make a profound difference. Their integrity and effectiveness have left an indelible mark on me, guiding my future decisions and reinforcing the value of trustworthy partnerships in achieving financial goals. I wholeheartedly recommend PRO WIZARD GIlBERT RECOVERY to anyone grappling with financial fraud or disputes. Their expertise and commitment to client satisfaction are unparalleled, offering a beacon of hope in challenging times. Thank you, PRO WIZARD GIlBERT RECOVERY, for your invaluable assistance in reclaiming what was rightfully mine. Your service not only recovered my funds but also restored my confidence in navigating the complexities of financial markets with greater caution and awareness. Email: prowizardgilbertrecovery(@)engineer.com Homepage: https://prowizardgilbertrecovery.xyz WhatsApp: +1 (516) 347‑9592

  • 17.07.24 02:26 thompsonrickey

    In the vast and often treacherous realm of online investments, I was entangled in a web of deceit that cost me nearly  $45,000. It all started innocuously enough with an enticing Instagram profile promising lucrative returns through cryptocurrency investment. Initially, everything seemed promising—communications were smooth, and assurances were plentiful. However, as time passed, my optimism turned to suspicion. Withdrawal requests were met with delays and excuses. The once-responsive "investor" vanished into thin air, leaving me stranded with dwindling hopes and a sinking feeling in my gut. It became painfully clear that I had been duped by a sophisticated scheme designed to exploit trust and naivety. Desperate to recover my funds, I turned to online forums where I discovered numerous testimonials advocating for Muyern Trust Hacker. With nothing to lose, I contacted them, recounting my ordeal with a mixture of skepticism and hope. Their swift response and professional demeanor immediately reassured me that I had found a lifeline amidst the chaos. Muyern Trust Hacker wasted no time in taking action. They meticulously gathered evidence, navigated legal complexities, and deployed their expertise to expedite recovery. In what felt like a whirlwind of activity, although the passage of time was a blur amidst my anxiety, they achieved the seemingly impossible—my stolen funds were returned. The relief I felt was overwhelming. Muyern Trust Hacker not only restored my financial losses but also restored my faith in justice. Their commitment to integrity and their relentless pursuit of resolution were nothing short of remarkable. They proved themselves as recovery specialists and guardians against digital fraud, offering hope to victims like me who had been ensnared by deception. My gratitude knows no bounds for Muyern Trust Hacker. Reach them at muyerntrusted @ m a i l - m e . c o m AND Tele gram @ muyerntrusthackertech

  • 18.07.24 20:13 austinagastya

    I Testify For iBolt Cyber Hacker Alone - For Crypto Recovery Service I highly suggest iBolt Cyber Hacker to anyone in need of bitcoin recovery services. They successfully recovered my bitcoin from a fake trading scam with speed and efficiency. This crew is trustworthy, They kept me updated throughout the procedure. I thought my bitcoin was gone, I am so grateful for their help, If you find yourself in a similar circumstance, do not hesitate to reach out to iBolt Cyber Hacker for assistance. Thank you, iBOLT, for your amazing customer service! Please be cautious and contact them directly through their website. Email: S u p p o r t @ ibolt cyber hack . com Cont/Whtp + 3. .9 .3. .5..0. .9. 2. 9. .0 .3. 1 .8. Website: h t t p s : / / ibolt cyber hack . com /

  • 27.08.24 12:50 James889900

    All you need is to hire an expert to help you accomplish that. If there’s any need to spy on your partner’s phone. From my experience I lacked evidence to confront my husband on my suspicion on his infidelity, until I came across ETHICALAHCKERS which many commend him of assisting them in their spying mission. So I contacted him and he provided me with access into his phone to view all text messages, call logs, WhatsApp messages and even her location. This evidence helped me move him off my life . I recommend you consult ETHICALHACKERS009 @ gmail.com OR CALL/TEXT ‪+1(716) 318-5536 or whatsapp +14106350697 if you need access to your partner’s phone

  • 27.08.24 13:06 James889900

    All you need is to hire an expert to help you accomplish that. If there’s any need to spy on your partner’s phone. From my experience I lacked evidence to confront my husband on my suspicion on his infidelity, until I came across ETHICALAHCKERS which many commend him of assisting them in their spying mission. So I contacted him and he provided me with access into his phone to view all text messages, call logs, WhatsApp messages and even her location. This evidence helped me move him off my life . I recommend you consult ETHICALHACKERS009 @ gmail.com OR CALL/TEXT ‪+1(716) 318-5536 or whatsapp +14106350697 if you need access to your partner’s phone

  • 02.09.24 20:24 [email protected]

    If You Need Hacker To Recover Your Bitcoin Contact Paradox Recovery Wizard Paradox Recovery Wizard successfully recovered $123,000 worth of Bitcoin for my husband, which he had lost due to a security breach. The process was efficient and secure, with their expert team guiding us through each step. They were able to trace and retrieve the lost cryptocurrency, restoring our peace of mind and financial stability. Their professionalism and expertise were instrumental in recovering our assets, and we are incredibly grateful for their service. Email: support@ paradoxrecoverywizard.com Email: paradox_recovery @cyberservices.com Wep: https://paradoxrecoverywizard.com/ WhatsApp: +39 351 222 3051.

  • 06.09.24 01:35 Celinagarcia

    HOW TO RECOVER MONEY LOST IN BITCOIN/USDT TRADING OR TO CRYPTO INVESTMENT !! Hi all, friends and families. I am writing From Alberton Canada. Last year I tried to invest in cryptocurrency trading in 2023, but lost a significant amount of money to scammers. I was cheated of my money, but thank God, I was referred to Hack Recovery Wizard they are among the best bitcoin recovery specialists on the planet. they helped me get every penny I lost to the scammers back to me with their forensic techniques. and I would like to take this opportunity to advise everyone to avoid making cryptocurrency investments online. If you ​​​​​​have already lost money on forex, cryptocurrency or Ponzi schemes, please contact [email protected] or WhatsApp: +1 (757) 237–1724 at once they can help you get back the crypto you lost to scammers. BEST WISHES. Celina Garcia.

  • 06.09.24 01:44 Celinagarcia

    HOW TO RECOVER MONEY LOST IN BITCOIN/USDT TRADING OR TO CRYPTO INVESTMENT !! Hi all, friends and families. I am writing From Alberton Canada. Last year I tried to invest in cryptocurrency trading in 2023, but lost a significant amount of money to scammers. I was cheated of my money, but thank God, I was referred to Hack Recovery Wizard they are among the best bitcoin recovery specialists on the planet. they helped me get every penny I lost to the scammers back to me with their forensic techniques. and I would like to take this opportunity to advise everyone to avoid making cryptocurrency investments online. If you ​​​​​​have already lost money on forex, cryptocurrency or Ponzi schemes, please contact [email protected] or WhatsApp: +1 (757) 237–1724 at once they can help you get back the crypto you lost to scammers. BEST WISHES. Celina Garcia.

  • 16.09.24 00:10 marcusaustin

    Bitcoin Recovery Services: Restoring Lost Cryptocurrency If you've lost access to your cryptocurrency and unable to make a withdrawal, I highly recommend iBolt Cyber Hacker Bitcoin Recovery Services. Their team is skilled, professional, and efficient in recovering lost Bitcoin. They provide clear communication, maintain high security standards, and work quickly to resolve issues. Facing the stress of lost cryptocurrency, iBolt Cyber Hacker is a trusted service that will help you regain access to your funds securely and reliably. Highly recommended! Email: S u p p o r t @ ibolt cyber hack . com Cont/Whtp + 3. .9 .3. .5..0. .9. 2. 9. .0 .3. 1 .8. Website: h t t p s : / / ibolt cyber hack . com /

  • 16.09.24 00:11 marcusaustin

    Bitcoin Recovery Services: Restoring Lost Cryptocurrency If you've lost access to your cryptocurrency and unable to make a withdrawal, I highly recommend iBolt Cyber Hacker Bitcoin Recovery Services. Their team is skilled, professional, and efficient in recovering lost Bitcoin. They provide clear communication, maintain high security standards, and work quickly to resolve issues. Facing the stress of lost cryptocurrency, iBolt Cyber Hacker is a trusted service that will help you regain access to your funds securely and reliably. Highly recommended! Email: S u p p o r t @ ibolt cyber hack . com Cont/Whtp + 3. .9 .3. .5..0. .9. 2. 9. .0 .3. 1 .8. Website: h t t p s : / / ibolt cyber hack . com /

  • 23.09.24 18:56 matthewshimself

    At first, I was admittedly skeptical about Worldcoin (ref: https://worldcoin.org/blog/worldcoin/this-is-worldcoin-video-explainer-series), particularly around the use of biometric data and the WLD token as a reward mechanism for it. However, after following the project closer, I’ve come to appreciate the broader vision and see the value in the underlying tech behind it. The concept of Proof of Personhood (ref: https://worldcoin.org/blog/worldcoin/proof-of-personhood-what-it-is-why-its-needed) has definitely caught my attention, and does seem like a crucial step towards tackling growing issues like bots, deepfakes, and identity fraud. Sam Altman’s vision is nothing short of ambitious, but I do think he & Alex Blania have the chops to realize it as mainstay in the global economy.

  • 01.10.24 14:54 Sinewclaudia

    I lost about $876k few months ago trading on a fake binary option investment websites. I didn't knew they were fake until I tried to withdraw. Immediately, I realized these guys were fake. I contacted Sinew Claudia world recovery, my friend who has such experience before and was able to recover them, recommended me to contact them. I'm a living testimony of a successful recovery now. You can contact the legitimate recovery company below for help and assistance. [email protected] [email protected] WhatsApp: 6262645164

  • 02.10.24 22:27 Emily Hunter

    Can those who have fallen victim to fraud get their money back? Yes, you might be able to get back what was taken from you if you fell prey to a fraud from an unregulated investing platform or any other scam, but only if you report it to the relevant authorities. With the right plan and supporting documentation, you can get back what you've lost. Most likely, the individuals in control of these unregulated platforms would attempt to convince you that what happened to your money was a sad accident when, in fact, it was a highly skilled heist. You should be aware that there are resources out there to help you if you or someone you know has experienced one of these circumstances. Do a search using (deftrecoup (.) c o m). Do not let the perpetrators of this hoaxes get away with ruining you mentally and financially.

  • 18.10.24 09:34 freidatollerud

    The growth of WIN44 in Brazil is very interesting! If you're looking for more options for online betting and casino games, I recommend checking out Casinos in Brazil. It's a reliable platform that offers a wide variety of games and provides a safe and enjoyable experience for users. It's worth checking out! https://win44.vip

  • 31.10.24 00:13 ytre89

    Can those who have fallen victim to fraud get their money back? Yes, you might be able to get back what was taken from you if you fell prey to a fraud from an unregulated investing platform or any other scam, but only if you report it to the relevant authorities. With the right plan and supporting documentation, you can get back what you've lost. Most likely, the individuals in control of these unregulated platforms would attempt to convince you that what happened to your money was a sad accident when, in fact, it was a highly skilled heist. You should be aware that there are resources out there to help you if you or someone you know has experienced one of these circumstances. Do a search using (deftrecoup (.) c o m). Do not let the perpetrators of this hoaxes get away with ruining you mentally and financially.

  • 02.11.24 14:44 diannamendoza732

    In the world of Bitcoin recovery, Pro Wizard Gilbert truly represents the gold standard. My experience with Gilbert revealed just how exceptional his methods are and why he stands out as the premier authority in this critical field. When I first encountered the complexities of Bitcoin recovery, I was daunted by the technical challenges and potential risks. Gilbert’s approach immediately distinguished itself through its precision and effectiveness. His methods are meticulously designed, combining cutting-edge techniques with an in-depth understanding of the Bitcoin ecosystem. He tackled the recovery process with a level of expertise and thoroughness that was both impressive and reassuring. What sets Gilbert’s methods apart is not just their technical sophistication but also their strategic depth. He conducts a comprehensive analysis of each case, tailoring his approach to address the unique aspects of the situation. This personalized strategy ensures that every recovery effort is optimized for success. Gilbert’s transparent communication throughout the process was invaluable, providing clarity and confidence during each stage of the recovery. The results I achieved with Pro Wizard Gilbert’s methods were remarkable. His gold standard approach not only recovered my Bitcoin but did so with an efficiency and reliability that exceeded my expectations. His deep knowledge, innovative techniques, and unwavering commitment make him the definitive expert in Bitcoin recovery. For anyone seeking a benchmark in Bitcoin recovery solutions, Pro Wizard Gilbert’s methods are the epitome of excellence. His ability to blend technical prowess with strategic insight truly sets him apart in the industry. Call: for help. You may get in touch with them at ; Email: (prowizardgilbertrecovery(@)engineer.com) Telegram ; https://t.me/Pro_Wizard_Gilbert_Recovery Homepage ; https://prowizardgilbertrecovery.info

Для участия в Чате вам необходим бесплатный аккаунт pro-blockchain.com Войти Регистрация
Есть вопросы?
С вами на связи 24/7
Help Icon