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.
Ansehen: Ultralytics-YOLO-Modelle ins PaddlePaddle-Format exportieren | Die wichtigsten Merkmale des PaddlePaddle-Formats
Durch die Möglichkeit, in das PaddlePaddle-Modellformat zu exportieren, kannst du deine Ultralytics YOLO26-Modelle für die Verwendung im PaddlePaddle-Framework optimieren. PaddlePaddle ist dafür bekannt, industrielle Bereitstellungen zu erleichtern, und eignet sich gut für den Einsatz von Computer-Vision-Anwendungen in realen Szenarien verschiedener Bereiche.
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 in das PaddlePaddle-Format exportierst, kannst du die Stärken von PaddlePaddle bei der Leistungsoptimierung nutzen. PaddlePaddle legt Wert auf eine effiziente Modellausführung und einen geringeren Speicherbedarf, sodass deine YOLO26-Modelle in der Praxis effizient laufen können.
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 Quantisierungstechniken, darunter die Quantisierung nach dem Training und quantisierungsbewusstes Training. Diese Techniken verwenden Datendarstellungen mit geringerer Genauigkeit, um die Leistung zu steigern und die Modellgröße zu verringern.
Bereitstellungsoptionen in PaddlePaddle#
PaddlePaddle-Modelle können auf verschiedene Arten bereitgestellt werden.
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 für Produktionsumgebungen und bietet Funktionen wie Modellversionierung, Online-A/B-Tests und Skalierbarkeit für große Anfragevolumen.
-
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.
| Aufgabe | YOLOv8 | YOLO11 | YOLO26 |
|---|---|---|---|
| Erkennung | ✅ | ✅ | ✅ |
| Segmentierung | ✅ | ✅ | ✅ |
| Semantik | ❌ | ❌ | ✅ |
| Tiefe | ❌ | ❌ | ✅ |
| Klassifizierung | ✅ | ✅ | ✅ |
| Pose | ✅ | ✅ | ✅ |
| OBB | ✅ | ✅ | ✅ |
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 ultralyticsAusführliche 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#
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
format | str | 'paddle' | Zielformat des exportierten Modells, das die Kompatibilität mit verschiedenen Bereitstellungsumgebungen festlegt. |
imgsz | int oder tuple | 640 | Gewünschte Bildgröße für die Modelleingabe. Kann eine Ganzzahl für quadratische Bilder oder ein Tupel (height, width) für bestimmte Abmessungen sein. |
quantize | int oder str | None | Export nur mit fester FP32-Genauigkeit. Der PaddlePaddle-Export unterstützt keine FP16-, INT8- oder W8A16-Genauigkeitskonvertierung während des Exports. |
batch | int | 1 | Gibt die Batchgröße für die Inferenz des Exportmodells oder die Höchstzahl der Bilder an, die das exportierte Modell gleichzeitig im predict-Modus verarbeiten kann. |
device | str | None | Gibt das Gerät für den Export an: CPU (device=cpu), MPS für Apple-Chips (device=mps). |
Weitere Informationen zum Exportvorgang findest du auf der Ultralytics-Dokumentationsseite zum Export.
Exportierte YOLO26-PaddlePaddle-Modelle bereitstellen#
Nachdem du deine Ultralytics YOLO26-Modelle erfolgreich in das 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 beschrieben.
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 den Export von Ultralytics YOLO26-Modellen in das PaddlePaddle-Format behandelt. 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.
Häufig gestellte Fragen#
Der Export von Ultralytics YOLO26-Modellen ins PaddlePaddle-Format ist unkompliziert. Für die Konvertierung kannst du die Methode
exportder YOLO-Klasse verwenden. Hier ein Beispiel mit Python:Verwendungfrom 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' # Das exportierte PaddlePaddle-Modell laden paddle_model = YOLO("./yolo26n_paddle_model") # Inferenz ausführen results = paddle_model("https://ultralytics.com/images/bus.jpg")Ausführlichere Informationen zur Einrichtung und Fehlerbehebung findest du im Ultralytics-Installationsleitfaden und im Leitfaden zu häufigen Problemen.
PaddlePaddle bietet mehrere wichtige Vorteile für die Modellbereitstellung:
- Leistungsoptimierung: PaddlePaddle konzentriert sich auf eine effiziente Modellausführung und einen geringeren Speicherbedarf.
- Kompilierung dynamischer zu statischen Graphen: Das Framework unterstützt die Kompilierung dynamischer zu statischen Graphen und ermöglicht dadurch Optimierungen zur Laufzeit.
- Operatorfusion: Durch das Zusammenführen kompatibler Operationen wird der Rechenaufwand verringert.
- Quantisierungstechniken: Unterstützt sowohl die Quantisierung nach dem Training als auch quantisierungsbewusstes Training und ermöglicht Datendarstellungen mit geringerer Genauigkeit für eine verbesserte Leistung.
Der Export deiner Ultralytics YOLO26-Modelle nach PaddlePaddle bietet dir Flexibilität und Leistung für verschiedenste Anwendungen und Hardwareplattformen.
PaddlePaddle wurde von Baidu entwickelt und ist für industrielle und kommerzielle KI-Bereitstellungen optimiert. Die große Entwickler-Community und das ausgereifte Framework bieten ähnliche Werkzeuge wie TensorFlow und PyTorch. Wenn du deine YOLO26-Modelle nach PaddlePaddle exportierst, erhältst du:
- Verbesserte Leistung: Schnelle Ausführung und geringerer Speicherbedarf.
- Flexibilität: Breite Kompatibilität mit verschiedenen Geräten, von Smartphones bis hin zu Cloud-Servern.
- Skalierbarkeit: Effiziente parallele Verarbeitung in verteilten Umgebungen.
Diese Eigenschaften machen PaddlePaddle zu einer geeigneten Lösung für die Bereitstellung von YOLO26-Modellen in Produktionsumgebungen.
PaddlePaddle verwendet verschiedene Techniken zur Optimierung der Modellleistung:
- Dynamischer zu statischem Graphen: Wandelt Modelle für Optimierungen zur Laufzeit in einen statischen Berechnungsgraphen um.
- Operatorfusion: Führt kompatible Operationen zusammen, um Speicherübertragungen zu minimieren und die Inferenz zu beschleunigen.
- Quantisierung: Verringert die Modellgröße und steigert die Effizienz durch Daten mit geringerer Genauigkeit, ohne die Genauigkeit zu beeinträchtigen.
Diese Techniken legen Wert auf eine effiziente Modellausführung und machen PaddlePaddle zu einer guten Wahl für die Bereitstellung leistungsstarker YOLO26-Modelle.
PaddlePaddle bietet flexible Bereitstellungsoptionen:
- Paddle Serving: Stellt Modelle als RESTful APIs bereit und eignet sich mit Funktionen wie Modellversionierung und Online-A/B-Tests für den Produktionseinsatz.
- Paddle Inference API: Ermöglicht eine tiefgreifende Kontrolle über die Modellausführung in eigenen Anwendungen.
- Paddle Lite: Optimiert Modelle für die begrenzten Ressourcen von Mobilgeräten und eingebetteten Geräten.
- Paddle.js: Ermöglicht die direkte Bereitstellung von Modellen in Webbrowsern.
Diese Optionen decken ein breites Spektrum an Bereitstellungsszenarien ab – von der Inferenz auf dem Gerät bis hin zu skalierbaren Cloud-Diensten. Weitere Bereitstellungsstrategien findest du auf der Seite zu Ultralytics-Bereitstellungsoptionen für Modelle.
Kommentare4
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
cadpm
Dear team, your converter does not work with PaddleX as it does not generate the YAML file in the inference folder, making it impossible to deploy the converted model. PaddlePaddle cannot teach how to work with this file due to licensing conflicts.
n fact, nowhere in the PaddlePaddle or PaddleX repositories do they teach how to work with external or converted models.
Glenn JocherUltralytics@cadpm thank you for bringing this to our attention. While the Ultralytics export tool facilitates converting YOLO11 models to PaddlePaddle format, it currently doesn't generate a YAML file for PaddleX inference. For specific guidance on handling PaddlePaddle models in PaddleX, consulting their official documentation or community forums might provide additional insights. If you encounter issues with the export process itself, please refer to our Ultralytics documentation for troubleshooting tips.
cadpm
Unfortunately, I haven't been able to find a solution on either side. For this reason, I have written to you to report this issue. If I ask in the Paddle forum, no one has worked on this issue, and the same happens on the YOLOv11 side—they don't work with Paddle.
Glenn JocherUltralytics@cadpm thank you for reporting this issue. While our export tool supports conversion to PaddlePaddle, integration with PaddleX requires additional steps beyond our current documentation. I recommend reaching out to the PaddlePaddle community for specific guidance on importing and using converted models with PaddleX, as they might have insights on handling this integration. If you need further assistance with the export process itself, feel free to check our PaddlePaddle export guide.