How to Export to PaddlePaddle Format from YOLO11 Models
Bridging the gap between developing and deploying computer vision models in real-world scenarios with varying conditions can be difficult. PaddlePaddle makes this process easier with its focus on flexibility, performance, and its capability for parallel processing in distributed environments. This means you can use your YOLO11 computer vision models on a wide variety of devices and platforms, from smartphones to cloud-based servers.
شاهد: How to Export Ultralytics YOLO11 Models to PaddlePaddle Format | Key Features of PaddlePaddle Format
The ability to export to PaddlePaddle model format allows you to optimize your Ultralytics YOLO11 models for use within the PaddlePaddle framework. PaddlePaddle is known for facilitating industrial deployments and is a good choice for deploying computer vision applications in real-world settings across various domains.
لماذا يجب عليك التصدير إلى PaddlePaddle?
Developed by Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) is China's first open-source deep learning platform. Unlike some frameworks built mainly for research, PaddlePaddle prioritizes ease of use and smooth integration across industries.
It offers tools and resources similar to popular frameworks like TensorFlow and PyTorch, making it accessible for developers of all experience levels. From farming and factories to service businesses, PaddlePaddle's large developer community of over 4.77 million is helping create and deploy AI applications.
By exporting your Ultralytics YOLO11 models to PaddlePaddle format, you can tap into PaddlePaddle's strengths in performance optimization. PaddlePaddle prioritizes efficient model execution and reduced memory usage. As a result, your YOLO11 models can potentially achieve even better performance, delivering top-notch results in practical scenarios.
الميزات الرئيسية ل PaddlePaddle نماذج
PaddlePaddle تقدم النماذج مجموعة من الميزات الرئيسية التي تساهم في مرونتها وأدائها وقابليتها للتطوير عبر سيناريوهات النشر المتنوعة:
-
الرسم البياني الديناميكي إلى الثابت: PaddlePaddle يدعم التجميع الديناميكي إلى الثابت ، حيث يمكن ترجمة النماذج إلى رسم بياني حسابي ثابت. يتيح ذلك التحسينات التي تقلل من حمل وقت التشغيل وتعزز أداء الاستدلال.
-
الانصهار المشغل: PaddlePaddleمثل TensorRT، يستخدم دمج المشغل لتبسيط الحوسبة وتقليل النفقات العامة. يقلل إطار العمل من عمليات نقل الذاكرة والخطوات الحسابية عن طريق دمج العمليات المتوافقة ، مما يؤدي إلى استدلال أسرع.
-
التكميم: PaddlePaddle يدعم تقنيات التكميم ، بما في ذلك التكميم بعد التدريب والتدريب المدرك للتكميم. تسمح هذه التقنيات باستخدام تمثيلات بيانات منخفضة الدقة ، مما يعزز الأداء بشكل فعال ويقلل من حجم النموذج.
خيارات النشر في PaddlePaddle
Before diving into the code for exporting YOLO11 models to PaddlePaddle, let's take a look at the different deployment scenarios in which PaddlePaddle models excel.
PaddlePaddle يوفر مجموعة من الخيارات ، يوفر كل منها توازنا متميزا بين سهولة الاستخدام والمرونة والأداء:
-
خدمة المجداف: يبسط هذا الإطار نشر PaddlePaddle نماذج كواجهات برمجة تطبيقات RESTful عالية الأداء. يعد Paddle Serve مثاليا لبيئات الإنتاج ، حيث يوفر ميزات مثل إصدار النموذج ، واختبار A / B عبر الإنترنت ، وقابلية التوسع للتعامل مع كميات كبيرة من الطلبات.
-
واجهة برمجة تطبيقات الاستدلال مجداف: تمنحك واجهة برمجة تطبيقات الاستدلال المجذاف تحكما منخفض المستوى في تنفيذ النموذج. هذا الخيار مناسب تماما للسيناريوهات التي تحتاج فيها إلى دمج النموذج بإحكام داخل تطبيق مخصص أو تحسين الأداء لأجهزة معينة.
-
Paddle Lite: تم تصميم Paddle Lite للنشر على الأجهزة المحمولة والأجهزة المضمنة حيث تكون الموارد محدودة. يعمل على تحسين النماذج للأحجام الأصغر والاستدلال الأسرع على وحدات المعالجة المركزية ARM ووحدات معالجة الرسومات والأجهزة المتخصصة الأخرى.
-
Paddle.js: يمكّنك Paddle.js من نشر نماذج PaddlePaddle مباشرةً داخل متصفحات الويب. يمكن لـ Paddle.js إما تحميل نموذج مدرب مسبقًا أو تحويل نموذج من paddle-hub باستخدام أدوات تحويل النماذج التي يوفرها Paddle.js. يمكن تشغيله في المتصفحات التي تدعم WebGL/WebGPU/WebAssembly.
Export to PaddlePaddle: Converting Your YOLO11 Model
Converting YOLO11 models to the PaddlePaddle format can improve execution flexibility and optimize performance for various deployment scenarios.
تركيب
لتثبيت الحزمة المطلوبة ، قم بتشغيل:
For detailed instructions and best practices related to the installation process, check our Ultralytics Installation guide. While installing the required packages for YOLO11, if you encounter any difficulties, consult our Common Issues guide for solutions and tips.
استخدام
Before diving into the usage instructions, it's important to note that while all Ultralytics YOLO11 models are available for exporting, you can ensure that the model you select supports export functionality here.
استخدام
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo11n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة Ultralytics صفحة الوثائق حول خيارات النشر.
Deploying Exported YOLO11 PaddlePaddle Models
After successfully exporting your Ultralytics YOLO11 models to PaddlePaddle format, you can now deploy them. The primary and recommended first step for running a PaddlePaddle model is to use the YOLO("./model_paddle_model") method, as outlined in the previous usage code snippet.
ومع ذلك ، للحصول على إرشادات متعمقة حول نشر PaddlePaddle النماذج في إعدادات أخرى مختلفة ، ألق نظرة على الموارد التالية:
-
خدمة المجداف: تعرف على كيفية نشر PaddlePaddle نماذج كخدمات أداء باستخدام خدمة مجداف.
-
Paddle Lite: استكشف كيفية تحسين النماذج ونشرها على الأجهزة المحمولة والأجهزة المضمنة باستخدام Paddle Lite.
-
Paddle.js: اكتشف كيفية الجري PaddlePaddle نماذج في متصفحات الويب الذكاء الاصطناعي من جانب العميل باستخدام Paddle.js.
ملخص
In this guide, we explored the process of exporting Ultralytics YOLO11 models to the PaddlePaddle format. By following these steps, you can leverage PaddlePaddle's strengths in diverse deployment scenarios, optimizing your models for different hardware and software environments.
لمزيد من التفاصيل حول الاستخدام ، قم بزيارة PaddlePaddle الوثائق الرسمية
Want to explore more ways to integrate your Ultralytics YOLO11 models? Our integration guide page explores various options, equipping you with valuable resources and insights.
الأسئلة المتداولة
How do I export Ultralytics YOLO11 models to PaddlePaddle format?
Exporting Ultralytics YOLO11 models to PaddlePaddle format is straightforward. You can use the export من فئة YOLO لتنفيذ هذا التصدير. فيما يلي مثال باستخدام Python:
استخدام
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo11n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
لمزيد من الإعداد التفصيلي واستكشاف الأخطاء وإصلاحها، راجع دليل التثبيتUltralytics ودليل المشكلات الشائعة.
What are the advantages of using PaddlePaddle for model deployment?
PaddlePaddle العديد من المزايا الرئيسية لنشر النموذج:
- تحسين الأداء: PaddlePaddle يتفوق في تنفيذ النماذج بكفاءة وتقليل استخدام الذاكرة.
- تجميع الرسم البياني الديناميكي إلى ثابت: يدعم التجميع الديناميكي إلى ثابت، مما يسمح بتحسينات وقت التشغيل.
- دمج العمليات: من خلال دمج العمليات المتوافقة، يقلل من النفقات الحسابية الزائدة.
- Quantization Techniques: Supports both post-training and quantization-aware training, enabling lower-precision data representations for improved performance.
You can achieve enhanced results by exporting your Ultralytics YOLO11 models to PaddlePaddle, ensuring flexibility and high performance across various applications and hardware platforms. Learn more about PaddlePaddle's features here.
Why should I choose PaddlePaddle for deploying my YOLO11 models?
PaddlePaddle, developed by Baidu, is optimized for industrial and commercial AI deployments. Its large developer community and robust framework provide extensive tools similar to TensorFlow and PyTorch. By exporting your YOLO11 models to PaddlePaddle, you leverage:
- أداء محسّن: سرعة تنفيذ مثالية وبصمة ذاكرة منخفضة.
- المرونة: توافق واسع مع مختلف الأجهزة من الهواتف الذكية إلى الخوادم السحابية.
- قابلية التوسع: قدرات المعالجة المتوازية الفعالة للبيئات الموزعة.
These features make PaddlePaddle a compelling choice for deploying YOLO11 models in production settings.
كيف يعمل PaddlePaddle على تحسين أداء النموذج على الأطر الأخرى؟
PaddlePaddle يستخدم العديد من التقنيات المتقدمة لتحسين أداء النموذج:
- رسم بياني ديناميكي إلى ثابت: تحويل النماذج إلى رسم بياني حسابي ثابت لتحسينات وقت التشغيل.
- دمج المشغل: يجمع بين العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستدلال.
- Quantization: Reduces model size and increases efficiency using lower-precision data while maintaining accuracy.
These techniques prioritize efficient model execution, making PaddlePaddle an excellent option for deploying high-performance YOLO11 models. For more on optimization, see the PaddlePaddle official documentation.
What deployment options does PaddlePaddle offer for YOLO11 models?
PaddlePaddle توفر خيارات نشر مرنة:
- خدمة التجديف: تنشر النماذج كواجهات برمجة تطبيقات RESTful، وهي مثالية للإنتاج مع ميزات مثل إصدار النماذج واختبار A/B عبر الإنترنت.
- واجهة برمجة تطبيقات الاستدلال التجديفية: يمنح تحكمًا منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
- بادل لايت: يحسّن النماذج للموارد المحدودة للأجهزة المحمولة والمضمنة.
- Paddle.js: يتيح نشر النماذج مباشرةً داخل متصفحات الويب.
تغطي هذه الخيارات مجموعة واسعة من سيناريوهات النشر، من الاستدلال على الجهاز إلى الخدمات السحابية القابلة للتطوير. استكشف المزيد من استراتيجيات النشر على صفحة خيارات النشر فيUltralytics Model Deployment Options (خيارات النشر في نموذج).
