So exportierst du YOLO26-Modelle in das PaddlePaddle-Format#
Die Lücke zwischen der Entwicklung und der Bereitstellung von computer vision-Modellen in realen Szenarien mit unterschiedlichen Bedingungen zu schließen, kann schwierig sein. PaddlePaddle erleichtert diesen Prozess durch den Fokus auf Flexibilität, Leistung und seine Fähigkeit zur parallelen Verarbeitung in verteilten Umgebungen. Das bedeutet, dass du deine YOLO26-Computer-Vision-Modelle auf einer Vielzahl von Geräten und Plattformen einsetzen kannst, von Smartphones bis hin zu cloudbasierten Servern.
Watch: How to Export Ultralytics YOLO26 Models to PaddlePaddle Format | Key Features of PaddlePaddle Format
Die Möglichkeit, in das PaddlePaddle-Modellformat zu exportieren, erlaubt es dir, deine Ultralytics YOLO26-Modelle für die Verwendung innerhalb des PaddlePaddle-Frameworks zu optimieren. PaddlePaddle ist bekannt dafür, industrielle Bereitstellungen zu erleichtern, und ist eine gute Wahl für den Einsatz von Computer-Vision-Anwendungen in realen Umgebungen über verschiedene Bereiche hinweg.
Warum solltest du nach PaddlePaddle exportieren?#
Entwickelt von Baidu, ist PaddlePaddle (PArallel Distributed Deep LEarning) Chinas erste Open-Source-Plattform für deep learning. Im Gegensatz zu einigen Frameworks, die hauptsächlich für die Forschung entwickelt wurden, legt PaddlePaddle den Schwerpunkt auf Benutzerfreundlichkeit und eine reibungslose Integration über Branchen hinweg.
Es bietet Werkzeuge und Ressourcen, die beliebten Frameworks wie TensorFlow und PyTorch ähneln, wodurch es für Entwickler aller Erfahrungsstufen zugänglich ist. Von der Landwirtschaft über Fabriken bis hin zu Dienstleistungsunternehmen hilft die große Entwicklergemeinschaft von PaddlePaddle mit über 4,77 Millionen Mitgliedern dabei, KI-Anwendungen zu erstellen und bereitzustellen.
Indem du deine Ultralytics YOLO26-Modelle in das PaddlePaddle-Format exportierst, kannst du die Stärken von PaddlePaddle bei der Leistungsoptimierung nutzen. PaddlePaddle priorisiert eine effiziente Modellausführung und einen reduzierten Speicherverbrauch. Dadurch können deine YOLO26-Modelle potenziell eine noch bessere Leistung erzielen und erstklassige Ergebnisse in praktischen Szenarien liefern.
Hauptfunktionen von PaddlePaddle-Modellen#
PaddlePaddle-Modelle bieten eine Reihe von Hauptfunktionen, die zu ihrer Flexibilität, Leistung und Skalierbarkeit in verschiedenen Einsatzszenarien beitragen:
-
Dynamisch-zu-statischer Graph: PaddlePaddle unterstützt die dynamic-to-static compilation, bei der Modelle in einen statischen Berechnungsigraphen übersetzt werden können. Dies ermöglicht Optimierungen, die den Overhead zur Laufzeit reduzieren und die Inferenzleistung steigern.
-
Operator-Fusion: PaddlePaddle verwendet, genau wie TensorRT, die operator fusion, um Berechnungen zu optimieren und den Overhead zu reduzieren. Das Framework minimiert Speichertransfers und Rechenschritte durch die Zusammenführung kompatibler Operationen, was zu einer schnelleren Inferenz führt.
-
Quantisierung: PaddlePaddle unterstützt quantization techniques, einschließlich Post-Training-Quantisierung und quantisierungsbewusstem Training. Diese Techniken ermöglichen die Verwendung von Datenrepräsentationen mit geringerer Präzision, wodurch die Leistung effektiv gesteigert und die Modellgröße reduziert wird.
Bereitstellungsoptionen in PaddlePaddle#
Bevor wir in den Code zum Exportieren von YOLO26-Modellen nach PaddlePaddle eintauchen, werfen wir einen Blick auf die verschiedenen Bereitstellungsszenarien, in denen PaddlePaddle-Modelle glänzen.
PaddlePaddle bietet eine Reihe von Optionen, von denen jede ein eigenes Gleichgewicht zwischen Benutzerfreundlichkeit, Flexibilität und Leistung bietet:
-
Paddle Serving: Dieses Framework vereinfacht die Bereitstellung von PaddlePaddle-Modellen als leistungsstarke RESTful APIs. Paddle Serving ist ideal für Produktionsumgebungen und bietet Funktionen wie Modell-Versionierung, Online A/B-Tests und Skalierbarkeit zur Bewältigung großer Anfragevolumina.
-
Paddle Inference API: Die Paddle Inference API gibt dir Low-Level-Kontrolle über die Modellausführung. Diese Option eignet sich gut für Szenarien, in denen du das Modell eng in eine benutzerdefinierte Anwendung integrieren oder die Leistung für spezifische Hardware optimieren musst.
-
Paddle Lite: Paddle Lite wurde für die Bereitstellung auf mobilen und eingebetteten Geräten entwickelt, auf denen Ressourcen begrenzt sind. Es optimiert Modelle für kleinere Größen und schnellere Inferenz auf ARM CPUs, GPUs und anderer spezialisierter Hardware.
-
Paddle.js: Paddle.js ermöglicht es dir, PaddlePaddle-Modelle direkt in Webbrowsern einzusetzen. Paddle.js kann entweder ein vortrainiertes Modell laden oder ein Modell aus paddle-hub mit den von Paddle.js bereitgestellten Werkzeugen zur Modelltransformation umwandeln. Es kann in Browsern ausgeführt werden, die WebGL, WebGPU oder WebAssembly unterstützen.
Unterstützte Aufgaben#
Der PaddlePaddle-Export unterstützt alle sieben Ultralytics-Aufgaben. Semantische Segmentierung und Tiefenschätzung sind nur mit YOLO26 verfügbar, der einzigen Familie, die diese Köpfe bereitstellt.
Export nach PaddlePaddle: Konvertierung deines YOLO26-Modells#
Das Konvertieren von YOLO26-Modellen in das PaddlePaddle-Format kann die Ausführungsflexibilität verbessern und die Leistung für verschiedene Bereitstellungsszenarien optimieren.
Installation#
Um das erforderliche Paket zu installieren, führe Folgendes aus:
# Install the required package for YOLO26
pip install ultralyticsDetaillierte Anweisungen und bewährte Methoden zum Installationsprozess findest du in unserer Ultralytics-Installationsanleitung. Wenn während der Installation der erforderlichen Pakete für YOLO26 Schwierigkeiten auftreten, findest du in unserem Leitfaden zu häufigen Problemen Lösungen und Tipps.
Verwendung#
Alle Ultralytics YOLO26 models unterstützen den Export, und du kannst browse the full list of export formats and options durchstöbern, um die beste Option für deine Anforderungen bei der Bereitstellung zu finden.
Das PaddlePaddle-Format unterstützt die Modi Export, Predict und Validate. Exportiere dein Modell und lade es anschließend, um Inferenz auszuführen oder seine Genauigkeit zu validieren.
from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo26n_paddle_model'from ultralytics import YOLO
# Load the exported PaddlePaddle model
model = YOLO("./yolo26n_paddle_model")
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# Load the exported PaddlePaddle model
model = YOLO("./yolo26n_paddle_model")
# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")Export-Argumente#
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
format | str | 'paddle' | Zielformat für das exportierte Modell, das die Kompatibilität mit verschiedenen Bereitstellungsumgebungen definiert. |
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 | FP32-Export korrigiert. Der PaddlePaddle-Export unterstützt keine FP16-, INT8- oder W8A16-Präzisionskonvertierung während des Exports. |
batch | int | 1 | Legt die Batch-Inferenzgröße des exportierten Modells fest oder die maximale Anzahl an Bildern, die das exportierte Modell im Modus predict gleichzeitig verarbeitet. |
device | str | None | Gibt das Gerät für den Export an: CPU (device=cpu), MPS für Apple Silicon (device=mps). |
Weitere Details zum Exportprozess findest du auf der Ultralytics-Dokumentationsseite zum Exportieren.
Bereitstellung exportierter YOLO26 PaddlePaddle-Modelle#
Nachdem du deine Ultralytics YOLO26-Modelle erfolgreich in das PaddlePaddle-Format exportiert hast, kannst du sie nun bereitstellen. Der primäre und empfohlene erste Schritt zum Ausführen eines PaddlePaddle-Modells besteht in der Verwendung der YOLO("yolo26n_paddle_model/")-Methode, wie im vorherigen Code-Snippet skizziert.
Für detaillierte Anweisungen zur Bereitstellung deiner PaddlePaddle-Modelle in verschiedenen anderen Umgebungen wirf jedoch einen Blick auf die folgenden Ressourcen:
-
Paddle Serving: Erfahre, wie du deine PaddlePaddle-Modelle mit Paddle Serving als leistungsstarke Dienste bereitstellst.
-
Paddle Lite: Entdecke, wie du Modelle mit Paddle Lite auf Mobil- und eingebetteten Geräten optimierst und bereitstellst.
-
Paddle.js: Erfahre, wie du PaddlePaddle-Modelle für clientseitige KI in Webbrowsern mit Paddle.js ausführen kannst.
Zusammenfassung#
In diesem Leitfaden haben wir den Prozess des Exports von Ultralytics YOLO26-Modellen in das PaddlePaddle-Format untersucht. Indem du diese Schritte befolgst, kannst du die Stärken von PaddlePaddle in verschiedenen Bereitstellungsszenarien nutzen und deine Modelle für unterschiedliche Hardware- und Softwareumgebungen optimieren.
Weitere Details zur Nutzung findest du in der PaddlePaddle official documentation.
Möchtest du weitere Wege zur Integration deiner Ultralytics YOLO26-Modelle erkunden? Unsere integration guide page zeigt verschiedene Optionen auf und versorgt dich mit wertvollen Ressourcen und Erkenntnissen.
FAQ#
Das Exportieren von Ultralytics YOLO26-Modellen in das PaddlePaddle-Format ist unkompliziert. Du kannst die Methode
exportder YOLO-Klasse verwenden, um die Konvertierung durchzuführen. Hier ist ein Beispiel mit Python:Verwendungfrom ultralytics import YOLO # Load a YOLO26 model model = YOLO("yolo26n.pt") # Export the model to PaddlePaddle format model.export(format="paddle") # creates '/yolo26n_paddle_model' # Load the exported PaddlePaddle model paddle_model = YOLO("./yolo26n_paddle_model") # Run inference results = paddle_model("https://ultralytics.com/images/bus.jpg")Für eine detailliertere Einrichtung und Fehlerbehebung lies den Ultralytics Installation Guide und den Common Issues Guide.
PaddlePaddle bietet mehrere Hauptvorteile für die Modellbereitstellung:
- Leistungsoptimierung: PaddlePaddle zeichnet sich durch eine effiziente Modellausführung und reduzierten Speicherverbrauch aus.
- Dynamic-to-Static Graph-Kompilierung: Es unterstützt die Dynamic-to-Static-Kompilierung, was Laufzeitoptimierungen ermöglicht.
- Operator Fusion: Durch das Zusammenführen kompatibler Operationen wird der Rechenaufwand reduziert.
- Quantisierungstechniken: Unterstützt sowohl das Training nach dem Training als auch das quantisierungsbewusste Training, was Datenrepräsentationen mit geringerer precision für eine verbesserte Leistung ermöglicht.
Du kannst verbesserte Ergebnisse erzielen, indem du deine Ultralytics YOLO26-Modelle nach PaddlePaddle exportierst. Dies gewährleistet Flexibilität und hohe Leistung über verschiedene Anwendungen und Hardwareplattformen hinweg. Entdecke die wichtigsten Funktionen und Fähigkeiten von PaddlePaddle in der official PaddlePaddle documentation.
PaddlePaddle, entwickelt von Baidu, ist für industrielle und kommerzielle KI-Bereitstellungen optimiert. Seine große Entwickler-Community und das robuste Framework bieten umfangreiche Tools ähnlich wie TensorFlow und PyTorch. Durch den Export deiner YOLO26-Modelle nach PaddlePaddle profitierst du von:
- Verbesserte Leistung: Optimale Ausführungsgeschwindigkeit und reduzierter Speicherbedarf.
- Flexibilität: Breite Kompatibilität mit verschiedenen Geräten, von Smartphones bis zu Cloud-Servern.
- Skalierbarkeit: Effiziente parallele Verarbeitungsfähigkeiten für verteilte Umgebungen.
Diese Funktionen machen PaddlePaddle zu einer überzeugenden Wahl für die Bereitstellung von YOLO26-Modellen in Produktionsumgebungen.
PaddlePaddle verwendet mehrere fortschrittliche Techniken, um die Modellleistung zu optimieren:
- Dynamic-to-Static Graph: Konvertiert Modelle in einen statischen Berechnungsgraphen für Laufzeitoptimierungen.
- Operator Fusion: Kombiniert kompatible Operationen, um Speichertransfers zu minimieren und die Inferenzgeschwindigkeit zu erhöhen.
- Quantisierung: Reduziert die Modellgröße und erhöht die Effizienz durch die Verwendung von Daten mit geringerer Präzision, während die accuracy erhalten bleibt.
Diese Techniken priorisieren eine effiziente Modellausführung, was PaddlePaddle zu einer ausgezeichneten Option für die Bereitstellung von leistungsstarken YOLO26-Modellen macht. Weitere Informationen zur Optimierung findest du in der PaddlePaddle official documentation.
PaddlePaddle bietet flexible Bereitstellungsoptionen:
- Paddle Serving: Stellt Modelle als RESTful APIs bereit, ideal für die Produktion mit Funktionen wie Modell-Versionierung und Online A/B-Tests.
- Paddle Inference API: Bietet Low-Level-Kontrolle über die Modellausführung für benutzerdefinierte Anwendungen.
- Paddle Lite: Optimiert Modelle für die begrenzten Ressourcen von mobilen und eingebetteten Geräten.
- Paddle.js: Ermöglicht das Bereitstellen von Modellen direkt in Webbrowsern.
Diese Optionen decken ein breites Spektrum an Bereitstellungsszenarien ab, von der Inferenz auf dem Gerät bis hin zu skalierbaren Clouddiensten. Entdecke weitere Bereitstellungsstrategien auf der Ultralytics Model Deployment Options page.