Export in das PaddlePaddle-Format von YOLO26-Modellen

Die Lücke zwischen Entwicklung und Bereitstellung von Computer Vision-Modellen in realen Szenarien mit unterschiedlichen 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 Bereitstellungen zu erleichtern, und ist eine gute Wahl für die Bereitstellung von Computer Vision-Anwendungen in realen Umgebungen in verschiedenen Bereichen.

Warum solltest du in PaddlePaddle exportieren?

Das von Baidu entwickelte PaddlePaddle (PArallel Distributed Deep LEarning) ist Chinas erste Open-Source-Deep Learning-Plattform. Im Gegensatz zu einigen Frameworks, die hauptsächlich für die Forschung entwickelt wurden, priorisiert PaddlePaddle Benutzerfreundlichkeit und eine reibungslose Integration über Industrien hinweg.

Es bietet Tools und Ressourcen, die ähnlichen populären Frameworks wie TensorFlow und PyTorch ähneln, was es für Entwickler aller Erfahrungsstufen zugänglich macht. 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.

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 reduzierten Speicherverbrauch. Als Ergebnis können deine YOLO26-Modelle potenziell eine noch bessere Leistung erzielen und erstklassige Ergebnisse in praktischen Szenarien liefern.

Hauptmerkmale von PaddlePaddle-Modellen

PaddlePaddle-Modelle bieten eine Reihe von Hauptmerkmalen, die zu ihrer Flexibilität, Leistung und Skalierbarkeit in diversen Bereitstellungsszenarien 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 straffen und 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 Datendarstellungen mit geringerer Präzision, wodurch die Leistung effektiv gesteigert und die Modellgröße reduziert wird.

Bereitstellungsoptionen in PaddlePaddle

Bevor wir uns in den Code zum Exportieren von YOLO26-Modellen nach PaddlePaddle stürzen, werfen wir einen Blick auf die verschiedenen Bereitstellungsszenarien, in denen sich PaddlePaddle-Modelle auszeichnen.

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 hochperformante RESTful APIs. Paddle Serving ist ideal für Produktionsumgebungen und bietet Funktionen wie Modell-Versionierung, Online A/B-Testing und Skalierbarkeit für große Anfragemengen.

• Paddle Inference API: Die Paddle Inference API bietet dir eine 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, wo 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 den von Paddle.js bereitgestellten Modelltransformations-Tools transformieren. Es kann in Browsern ausgeführt werden, die WebGL/WebGPU/WebAssembly unterstützen.

Export nach 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.

Installation

Um das erforderliche Paket zu installieren, führe Folgendes aus:

# Install the required package for YOLO26
pip install ultralytics

Für detaillierte Anleitungen und Best Practices zur Installation, schau in unserem Ultralytics-Installationsleitfaden nach. Wenn du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, konsultiere unseren Leitfaden für allgemeine Probleme für Lösungen und Tipps.

Verwendung

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.

from ultralytics import YOLO

# Load the 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")

Export-Argumente

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

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 zur Ausführung eines PaddlePaddle-Modells besteht darin, die Methode YOLO("yolo26n_paddle_model/") zu verwenden, wie im vorherigen Code-Beispiel zur Verwendung skizziert.

Für detaillierte Anleitungen 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 leistungsstarke Dienste mit Paddle Serving bereitstellst.

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

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

Zusammenfassung

In dieser Anleitung 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 verschiedene Hardware- und Softwareumgebungen optimieren.

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

Möchtest du weitere Möglichkeiten erkunden, um deine Ultralytics YOLO26-Modelle zu integrieren? Unsere Integrationsanleitungsseite untersucht verschiedene Optionen und stattet dich mit wertvollen Ressourcen und Einblicken aus.

FAQ

Wie 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 the 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 detailliertere Einrichtung und Fehlerbehebung prüfe die Ultralytics Installationsanleitung und die Anleitung zu häufigen Problemen.

Was sind die Vorteile der Verwendung von PaddlePaddle für die Modellbereitstellung?

PaddlePaddle bietet mehrere wichtige Vorteile für die Modellbereitstellung:

• Leistungsoptimierung: PaddlePaddle zeichnet sich durch eine effiziente Modellausführung und reduzierten Speicherverbrauch aus.
• Dynamic-to-Static Graph Compilation: Es unterstützt die dynamisch-zu-statisch Kompilierung, was Laufzeitoptimierungen ermöglicht.
• Operator Fusion: Durch das Zusammenführen kompatibler Operationen reduziert es den Berechnungs-Overhead.
• Quantisierungstechniken: Unterstützt sowohl Post-Training- als auch Quantization-Aware Training, was Datendarstellungen mit geringerer 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 Fähigkeiten von PaddlePaddle in der offiziellen PaddlePaddle-Dokumentation.

Warum 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, die TensorFlow und PyTorch ähneln. 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 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.

Wie verbessert PaddlePaddle die Modellleistung gegenüber anderen Frameworks?

PaddlePaddle setzt verschiedene fortgeschrittene Techniken ein, 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 Genauigkeit erhalten bleibt.

Diese Techniken priorisieren eine effiziente Modellausführung, was PaddlePaddle zu einer exzellenten Option für die Bereitstellung von hochperformanten YOLO26-Modellen macht. Für mehr Informationen zur Optimierung siehe die offizielle PaddlePaddle-Dokumentation.

Welche 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-Testing.
• Paddle Inference API: Bietet Low-Level-Kontrolle über die Modellausführung für benutzerdefinierte Anwendungen.
• Paddle Lite: Optimiert Modelle für die begrenzten Ressourcen mobiler und eingebetteter Geräte.
• Paddle.js: Ermöglicht die Bereitstellung von Modellen direkt in Webbrowsern.

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