Link to this sectionSo exportierst du YOLO26-Modelle in das PaddlePaddle-Format#

Die Lücke zwischen der Entwicklung und dem Einsatz von Computer Vision-Modellen in realen Szenarien mit variierenden Bedingungen zu schließen, kann schwierig sein. 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 cloudbasierten 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-Plattform für Deep Learning. Im Gegensatz zu einigen Frameworks, die hauptsächlich für die Forschung entwickelt wurden, priorisiert PaddlePaddle Benutzerfreundlichkeit und eine nahtlose Integration über verschiedene Branchen hinweg.

Es bietet Tools und Ressourcen ähnlich wie bekannte Frameworks wie TensorFlow und PyTorch, wodurch es für Entwickler aller Erfahrungsstufen zugänglich ist. 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 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.

Link to this sectionHauptfunktionen von PaddlePaddle-Modellen#

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

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

• Operator Fusion: PaddlePaddle verwendet, wie TensorRT, Operator Fusion, um Berechnungen zu rationalisieren und den Overhead zu reduzieren. Das Framework minimiert Speichertransfers und Berechnungsschritte 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, was effektiv die Leistung steigert und die Modellgröße reduziert.

Link to this sectionBereitstellungsoptionen 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 bereitzustellen. Paddle.js kann entweder ein vortrainiertes Modell laden oder ein Modell von paddle-hub mit Modelltransformations-Tools transformieren, die von Paddle.js bereitgestellt werden. Es kann in Browsern ausgeführt werden, die WebGL/WebGPU/WebAssembly unterstützen.

Link to this sectionExport 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.

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 Best Practices für den Installationsprozess findest du in unserem Ultralytics-Installationsleitfaden. Wenn du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, schau in unserem Leitfaden zu häufigen Problemen nach Lösungen und Tipps.

Link to this sectionVerwendung#

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 auszuführen 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 Ultralytics-Dokumentationsseite zum Exportieren.

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 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 als performante Dienste mit Paddle Serving bereitstellst.

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

• Paddle.js: Entdecke, wie du PaddlePaddle-Modelle in Webbrowsern für clientseitige KI mit Paddle.js 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 verschiedenen Bereitstellungsszenarien nutzen und deine Modelle für unterschiedliche Hardware- und Softwareumgebungen optimieren.

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

Möchtest du weitere Möglichkeiten zur Integration deiner Ultralytics YOLO26-Modelle erkunden? Unsere Integrationsleitfaden-Seite 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?#

Der Export 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 mit 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 siehe das Ultralytics Installationshandbuch und den Leitfaden zu häufigen Problemen.

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

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 Post-Training- als auch Quantization-Aware Training, was Datenrepräsentationen mit niedrigerer Präzision für 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 Hauptfunktionen und Möglichkeiten 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 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.

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

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 unter Verwendung von Daten mit geringerer Präzision, während die Genauigkeit erhalten bleibt.

Diese Techniken priorisieren eine effiziente Modellausführung, was PaddlePaddle zu einer hervorragenden Option für die Bereitstellung leistungsstarker YOLO26-Modelle macht. Für mehr 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 mobilen und eingebetteten Geräten.
• 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 zu skalierbaren Cloud-Diensten. Entdecke weitere Bereitstellungsstrategien auf der Ultralytics Modell-Bereitstellungsoptions-Seite.