Link to this sectionExport von YOLO26-Modellen in das PaddlePaddle-Format#

Es kann schwierig sein, die Lücke zwischen der Entwicklung und dem Einsatz von Computer-Vision-Modellen in realen Szenarien mit unterschiedlichen Bedingungen zu schließen. PaddlePaddle erleichtert diesen Prozess durch seinen 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 verwenden kannst, von Smartphones bis hin zu Cloud-basierten Servern.

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 dafür bekannt, industrielle Implementierungen zu erleichtern, und ist eine gute Wahl für den Einsatz von Computer-Vision-Anwendungen in realen Umgebungen über verschiedene Bereiche hinweg.

Link to this sectionWarum solltest du nach PaddlePaddle exportieren?#

Entwickelt von Baidu, ist PaddlePaddle (PArallel Distributed Deep LEarning) Chinas erste Open-Source-Deep-Learning-Plattform. Im Gegensatz zu einigen Frameworks, die hauptsächlich für die Forschung gebaut wurden, priorisiert PaddlePaddle Benutzerfreundlichkeit und eine reibungslose Integration in verschiedenen Branchen.

Es bietet Werkzeuge und Ressourcen, die ähnlichen populären Frameworks wie TensorFlow und PyTorch ähneln, was es für Entwickler aller Erfahrungsstufen zugänglich macht. Von der Landwirtschaft über Fabriken bis hin zu Dienstleistungsunternehmen hilft die große Entwickler-Community von PaddlePaddle mit über 4,77 Millionen Mitgliedern dabei, KI-Anwendungen zu erstellen und bereitzustellen.

Durch den Export deiner Ultralytics YOLO26-Modelle in das PaddlePaddle-Format 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.

Link to this sectionHauptmerkmale von PaddlePaddle-Modellen#

PaddlePaddle-Modelle bieten eine Reihe von Hauptmerkmalen, die zu ihrer Flexibilität, Leistung und Skalierbarkeit in diversen Einsatzszenarien beitragen:

• Dynamic-to-Static Graph: PaddlePaddle unterstützt dynamic-to-static compilation, bei der Modelle in einen statischen Rechengraphen übersetzt werden können. Dies ermöglicht Optimierungen, die den Laufzeit-Overhead reduzieren und die Inferenzleistung steigern.

• Operator Fusion: PaddlePaddle nutzt, wie auch TensorRT, Operator Fusion, um Berechnungen zu optimieren und den Overhead zu reduzieren. Das Framework minimiert Speichertransfers und Rechenschritte durch das Zusammenführen kompatibler Operationen, was zu einer schnelleren Inferenz führt.

• Quantisierung: PaddlePaddle unterstützt Quantisierungstechniken, einschließlich Post-Training-Quantisierung und Quantization-Aware Training. Diese Techniken ermöglichen die Verwendung von Datenrepräsentationen mit geringerer Präzision, wodurch die Leistung effektiv gesteigert und die Modellgröße reduziert wird.

Link to this sectionBereitstellungsoptionen in PaddlePaddle#

Bevor wir in den Code für den Export 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 für die Verarbeitung großer Anfragemengen.

• 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 den Einsatz auf Mobilgeräten und eingebetteten Systemen mit begrenzten Ressourcen entwickelt. Es optimiert Modelle auf 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 bereitzustellen. Paddle.js kann entweder ein vortrainiertes Modell laden oder ein Modell aus paddle-hub mit den von Paddle.js bereitgestellten Modelltransformationswerkzeugen umwandeln. Es kann in Browsern ausgeführt werden, die WebGL/WebGPU/WebAssembly unterstützen.

Link to this sectionExport zu PaddlePaddle: Konvertierung deines YOLO26-Modells#

Die Konvertierung von YOLO26-Modellen in das PaddlePaddle-Format kann die Ausführungsflexibilität verbessern und die Leistung für verschiedene Bereitstellungsszenarien optimieren.

Link to this sectionInstallation#

Um das erforderliche Paket zu installieren, führe Folgendes aus:

# Install the required package for YOLO26
pip install ultralytics

Detaillierte Anweisungen und bewährte Verfahren bezüglich des Installationsprozesses findest du in unserem Ultralytics-Installationsleitfaden. Falls du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, konsultiere unseren Leitfaden für allgemeine Probleme für Lösungen und Tipps.

Link to this sectionNutzung#

Alle Ultralytics YOLO26-Modelle unterstützen den Export, und du kannst die vollständige Liste der Exportformate und Optionen durchsuchen, um die beste Lösung für deine Bereitstellungsanforderungen zu finden.

Das PaddlePaddle-Format unterstützt die Modi Export, Predict und Validate. Exportiere dein Modell und lade dann das exportierte Modell, um eine Inferenz durchzuführen oder dessen 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")

Link to this sectionExport-Argumente#

Weitere Details zum Exportprozess findest du auf der Dokumentationsseite von Ultralytics zum Export.

Link to this sectionBereitstellung 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 zur Ausführung eines PaddlePaddle-Modells ist die Verwendung der Methode YOLO("yolo26n_paddle_model/"), wie im vorherigen Code-Snippet zur Verwendung skizziert.

Für detaillierte Anleitungen zur Bereitstellung deiner PaddlePaddle-Modelle in verschiedenen anderen Umgebungen werfe jedoch einen Blick auf die folgenden Ressourcen:

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

• Paddle Lite: Entdecke, wie du Modelle mit Paddle Lite auf Mobilgeräten und eingebetteten Systemen optimierst und bereitstellst.

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

Link to this sectionZusammenfassung#

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 diversen Bereitstellungsszenarien nutzen und deine Modelle für verschiedene Hardware- und Softwareumgebungen optimieren.

Für weitere Details zur Nutzung besuche die offizielle PaddlePaddle-Dokumentation.

Möchtest du weitere Möglichkeiten zur Integration deiner Ultralytics YOLO26-Modelle erkunden? Unsere Seite mit Integrationsleitfäden untersucht verschiedene Optionen und stattet dich mit wertvollen Ressourcen und Erkenntnissen aus.

Link to this sectionFAQ#

Link to this sectionWie exportiere ich Ultralytics YOLO26-Modelle in das PaddlePaddle-Format?#

Das Exportieren von Ultralytics YOLO26-Modellen in das PaddlePaddle-Format ist unkompliziert. Du kannst die export-Methode der YOLO-Klasse verwenden, um die Konvertierung durchzuführen. Hier ist ein Beispiel unter Verwendung von Python:

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'

# 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 überprüfe den Ultralytics-Installationsleitfaden und den Leitfaden für allgemeine Probleme.

Link to this sectionWas sind die Vorteile der Verwendung von PaddlePaddle für die Modellbereitstellung?#

PaddlePaddle bietet mehrere entscheidende Vorteile für die Modellbereitstellung:

• Leistungsoptimierung: PaddlePaddle zeichnet sich durch eine effiziente Modellausführung und einen reduzierten Speicherverbrauch aus.
• Dynamic-to-Static Graph Compilation: Es unterstützt die dynamische-zu-statische Kompilierung, was Laufzeitoptimierungen ermöglicht.
• Operator Fusion: Durch das Zusammenführen kompatibler Operationen reduziert es den Rechen-Overhead.
• Quantisierungstechniken: Unterstützt sowohl Post-Training- als auch Quantization-Aware Training, was Datenrepräsentationen mit geringerer Präzision für eine verbesserte Leistung ermöglicht.

Du kannst verbesserte Ergebnisse erzielen, indem du deine Ultralytics YOLO26-Modelle nach PaddlePaddle exportierst, was Flexibilität und hohe Leistung über verschiedene Anwendungen und Hardwareplattformen hinweg sicherstellt. Entdecke die wichtigsten Funktionen und Fähigkeiten von PaddlePaddle in der offiziellen PaddlePaddle-Dokumentation.

Link to this sectionWarum sollte ich PaddlePaddle für die Bereitstellung meiner YOLO26-Modelle wählen?#

PaddlePaddle, entwickelt von Baidu, ist für industrielle und kommerzielle KI-Bereitstellungen optimiert. Seine große Entwickler-Community und das robuste Framework bieten umfangreiche Werkzeuge, die TensorFlow und PyTorch ähneln. Durch den Export deiner YOLO26-Modelle nach PaddlePaddle nutzt du:

• Verbesserte Leistung: Optimale Ausführungsgeschwindigkeit und reduzierter Speicherbedarf.
• Flexibilität: Breite Kompatibilität mit verschiedenen Geräten, von Smartphones bis hin 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.

Link to this sectionWie verbessert PaddlePaddle die Modellleistung gegenüber anderen Frameworks?#

PaddlePaddle setzt verschiedene fortschrittliche Techniken ein, um die Modellleistung zu optimieren:

• Dynamic-to-Static Graph: Konvertiert Modelle in einen statischen Rechengraphen für Laufzeitoptimierungen.
• Operator Fusion: Kombiniert kompatible Operationen, um den Speichertransfer 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 Genauigkeit erhalten bleibt.

Diese Techniken priorisieren eine effiziente Modellausführung und machen PaddlePaddle zu einer exzellenten Option für die Bereitstellung von leistungsstarken YOLO26-Modellen. Für mehr Informationen zur Optimierung siehe die offizielle PaddlePaddle-Dokumentation.

Link to this sectionWelche Bereitstellungsoptionen bietet PaddlePaddle für YOLO26-Modelle?#

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 Mobilgeräten und eingebetteten Systemen.
• Paddle.js: Ermöglicht das Bereitstellen von Modellen direkt in Webbrowsern.

Diese Optionen decken eine breite Palette von Bereitstellungsszenarien ab, von der On-Device-Inferenz bis hin zu skalierbaren Cloud-Diensten. Erforsche weitere Bereitstellungsstrategien auf der Seite zu Ultralytics-Modellbereitstellungsoptionen.