YOLO26-Modelle ins PaddlePaddle-Format exportieren#

Die Lücke zwischen der Entwicklung und dem Einsatz von Computer-Vision-Modellen unter wechselnden Bedingungen in realen Szenarien zu überbrücken, kann schwierig sein. PaddlePaddle vereinfacht diesen Prozess mit seinem Fokus auf Flexibilität und Leistung sowie der Möglichkeit zur parallelen Verarbeitung in verteilten Umgebungen. So kannst du deine YOLO26-Computer-Vision-Modelle auf einer Vielzahl von Geräten und Plattformen nutzen – von Smartphones bis hin zu cloudbasierten Servern.

Mit dem Export ins PaddlePaddle-Modellformat kannst du deine Ultralytics YOLO26-Modelle für den Einsatz im PaddlePaddle-Framework optimieren. PaddlePaddle ist dafür bekannt, industrielle Bereitstellungen zu erleichtern, und eignet sich gut, um Computer-Vision-Anwendungen in verschiedenen Bereichen unter realen Bedingungen bereitzustellen.

Warum solltest du ins PaddlePaddle-Format exportieren?#

Das von Baidu entwickelte PaddlePaddle (PArallele Distribuierte Deep-LErnplattform) ist Chinas erste quelloffene Plattform für Deep Learning. Anders als manche Frameworks, die hauptsächlich für die Forschung entwickelt wurden, legt PaddlePaddle besonderen Wert auf Benutzerfreundlichkeit und nahtlose Integration in verschiedenen Branchen.

PaddlePaddle bietet ähnliche Tools und Ressourcen wie beliebte Frameworks wie TensorFlow und PyTorch und ist damit für Entwicklerinnen und Entwickler aller Erfahrungsstufen geeignet. Von der Landwirtschaft und Fabriken bis hin zu Dienstleistungsunternehmen hilft die große Entwickler-Community von PaddlePaddle mit über 4,77 Millionen Mitgliedern dabei, KI-Anwendungen zu entwickeln und bereitzustellen.

Wenn du deine Ultralytics YOLO26-Modelle ins PaddlePaddle-Format exportierst, kannst du die Stärken von PaddlePaddle bei der Leistungsoptimierung nutzen. PaddlePaddle legt Wert auf eine effiziente Modellausführung und einen geringeren Speicherbedarf. Dadurch können deine YOLO26-Modelle möglicherweise eine noch bessere Leistung erzielen und in praktischen Anwendungsszenarien hervorragende Ergebnisse liefern.

Wichtige Merkmale von PaddlePaddle-Modellen#

PaddlePaddle-Modelle bieten zahlreiche wichtige Merkmale, die ihre Flexibilität, Leistung und Skalierbarkeit in unterschiedlichen Bereitstellungsszenarien unterstützen:

• Dynamischer zu statischem Graphen: PaddlePaddle unterstützt die Kompilierung dynamischer zu statischen Graphen, bei der Modelle in einen statischen Berechnungsgraphen umgewandelt werden können. Dadurch sind Optimierungen möglich, die den Laufzeitaufwand verringern und die Inferenzleistung steigern.

• Operatorfusion: PaddlePaddle verwendet wie TensorRT die Operatorfusion, um Berechnungen zu vereinfachen und den Aufwand zu verringern. Das Framework reduziert Speicherübertragungen und Rechenschritte, indem es kompatible Operationen zusammenführt, und beschleunigt dadurch die Inferenz.

• Quantisierung: PaddlePaddle unterstützt Quantisierungsverfahren, darunter die Quantisierung nach dem Training und quantisierungsbewusstes Training. Diese Verfahren ermöglichen niedrigere Datengenauigkeiten und steigern so die Leistung, während sie zugleich die Modellgröße reduzieren.

Bereitstellungsoptionen in PaddlePaddle#

Bevor wir uns den Code für den Export von YOLO26-Modellen nach PaddlePaddle ansehen, werfen wir einen Blick auf die verschiedenen Bereitstellungsszenarien, in denen PaddlePaddle-Modelle ihre Stärken ausspielen.

PaddlePaddle bietet verschiedene Optionen, die jeweils eine andere Balance zwischen Benutzerfreundlichkeit, Flexibilität und Leistung ermöglichen:

• Paddle Serving: Dieses Framework vereinfacht die Bereitstellung von PaddlePaddle-Modellen als leistungsstarke RESTful-APIs. Paddle Serving eignet sich ideal für Produktionsumgebungen und bietet Funktionen wie Modellversionierung, Online-A/B-Tests und Skalierbarkeit für große Anfragemengen.

• Paddle Inference API: Die Paddle Inference API bietet dir eine tiefgreifende Kontrolle über die Modellausführung. Diese Option eignet sich besonders, wenn du das Modell eng in eine eigene Anwendung integrieren oder die Leistung für bestimmte Hardware optimieren musst.

• Paddle Lite: Paddle Lite wurde für die Bereitstellung auf Mobilgeräten und eingebetteten Geräten mit begrenzten Ressourcen entwickelt. Es optimiert Modelle für eine geringere Größe und schnellere Inferenz auf ARM-CPUs, GPUs und anderer spezialisierter Hardware.

• Paddle.js: Mit Paddle.js kannst du PaddlePaddle-Modelle direkt in Webbrowsern bereitstellen. Paddle.js kann entweder ein vortrainiertes Modell laden oder mit den von Paddle.js bereitgestellten Werkzeugen zur Modellumwandlung ein Modell aus paddle-hub konvertieren. Es kann in Browsern ausgeführt werden, die WebGL/WebGPU/WebAssembly unterstützen.

Unterstützte Aufgaben#

Der PaddlePaddle-Export unterstützt alle sieben Ultralytics-Aufgaben. Semantische Segmentierung und Tiefenschätzung sind nur mit YOLO26 verfügbar, der einzigen Modellfamilie mit entsprechenden Ausgabeköpfen.

Export nach PaddlePaddle: Dein YOLO26-Modell konvertieren#

Die Konvertierung von YOLO26-Modellen ins PaddlePaddle-Format kann die Flexibilität bei der Ausführung erhöhen und die Leistung für verschiedene Bereitstellungsszenarien optimieren.

Installation#

Führe zum Installieren des erforderlichen Pakets Folgendes aus:

# Install the required package for YOLO26
pip install ultralytics

Ausführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserer Installationsanleitung von Ultralytics. Falls bei der Installation der für YOLO26 erforderlichen Pakete Probleme auftreten, findest du Lösungen und Tipps in unserer Anleitung zu häufigen Problemen.

Verwendung#

Alle Ultralytics YOLO26-Modelle unterstützen den Export. In der vollständigen Liste der Exportformate und Optionen findest du die passende Lösung für deinen Bereitstellungsbedarf.

Das PaddlePaddle-Format unterstützt die Modi Export, Vorhersage und Validierung. Exportiere dein Modell und lade anschließend das exportierte Modell, um Inferenz auszuführen oder seine Genauigkeit zu validieren.

from ultralytics import YOLO

# Ein YOLO26-Modell laden
model = YOLO("yolo26n.pt")

# Das Modell ins PaddlePaddle-Format exportieren
model.export(format="paddle")  # creates 'yolo26n_paddle_model'

from ultralytics import YOLO

# Das exportierte PaddlePaddle-Modell laden
model = YOLO("./yolo26n_paddle_model")

# Inferenz ausführen
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Das exportierte PaddlePaddle-Modell laden
model = YOLO("./yolo26n_paddle_model")

# Die Genauigkeit anhand des COCO8-Datensatzes validieren
metrics = model.val(data="coco8.yaml")

Exportargumente#

Weitere Informationen zum Exportvorgang findest du auf der Ultralytics-Dokumentationsseite zum Export.

Exportierte YOLO26-PaddlePaddle-Modelle bereitstellen#

Nachdem du deine Ultralytics YOLO26-Modelle erfolgreich ins PaddlePaddle-Format exportiert hast, kannst du sie nun bereitstellen. Der wichtigste und empfohlene erste Schritt zum Ausführen eines PaddlePaddle-Modells ist die Verwendung der Methode YOLO("yolo26n_paddle_model/"), wie im vorherigen Codebeispiel zur Verwendung gezeigt.

Ausführliche Anleitungen zur Bereitstellung deiner PaddlePaddle-Modelle in verschiedenen anderen Umgebungen findest du in den folgenden Ressourcen:

• Paddle Serving: Erfahre, wie du deine PaddlePaddle-Modelle mit Paddle Serving als leistungsstarke Dienste bereitstellst.

• Paddle Lite: Erfahre, wie du Modelle mit Paddle Lite für Mobilgeräte und eingebettete Geräte optimierst und bereitstellst.

• Paddle.js: Erfahre, wie du PaddlePaddle-Modelle mit Paddle.js für clientseitige KI in Webbrowsern ausführst.

Zusammenfassung#

In dieser Anleitung haben wir uns mit dem Export von Ultralytics YOLO26-Modellen ins PaddlePaddle-Format befasst. Wenn du diese Schritte befolgst, kannst du die Stärken von PaddlePaddle in verschiedenen Bereitstellungsszenarien nutzen und deine Modelle für unterschiedliche Hardware- und Softwareumgebungen optimieren.

Weitere Informationen zur Verwendung findest du in der offiziellen PaddlePaddle-Dokumentation.

Möchtest du weitere Möglichkeiten kennenlernen, deine Ultralytics YOLO26-Modelle zu integrieren? Auf unserer Seite mit Integrationsanleitungen findest du verschiedene Optionen sowie nützliche Ressourcen und Einblicke.

Häufig gestellte Fragen#