So exportierst du Modelle von YOLO26 in das PaddlePaddle-Format#
Die Lücke zwischen der Entwicklung und 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 die Möglichkeit zur parallelen Verarbeitung in verteilten Umgebungen. Dadurch kannst du deine YOLO26-Computer-Vision-Modelle auf einer Vielzahl von Geräten und Plattformen einsetzen – von Smartphones bis hin zu cloudbasierten Servern.
Watch: How to Export Ultralytics YOLO26 Models to PaddlePaddle Format | Key Features of PaddlePaddle Format
Durch den Export in das PaddlePaddle-Modellformat 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 die Bereitstellung von Computer-Vision-Anwendungen in realen Umgebungen und verschiedenen Einsatzbereichen.
Warum solltest du in das PaddlePaddle-Format exportieren?#
PaddlePaddle (PADDLE), entwickelt von Baidu, ist Chinas erste Open-Source-Plattform für Deep Learning. Im Gegensatz zu einigen Frameworks, die hauptsächlich für die Forschung entwickelt wurden, legt PaddlePaddle Wert auf Benutzerfreundlichkeit und eine reibungslose Integration in verschiedenen Branchen.
Es bietet ähnliche Tools und Ressourcen wie beliebte Frameworks, etwa TensorFlow und PyTorch, und ist dadurch für Entwickler aller Erfahrungsstufen zugänglich. Von der Landwirtschaft und Fabriken bis hin zu Dienstleistungsunternehmen unterstützt die große Entwicklergemeinschaft von PaddlePaddle mit über 4,77 Millionen Mitgliedern die Erstellung und Bereitstellung von KI-Anwendungen.
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. Dadurch können deine YOLO26-Modelle möglicherweise eine noch bessere Leistung erzielen und in praktischen Szenarien hervorragende Ergebnisse liefern.
Wichtige Funktionen von PaddlePaddle-Modellen#
PaddlePaddle-Modelle bieten eine Reihe wichtiger Funktionen, die zu ihrer Flexibilität, Leistung und Skalierbarkeit in unterschiedlichen Bereitstellungsszenarien beitragen:
-
Dynamische-zu-statische Graphkompilierung: PaddlePaddle unterstützt die Kompilierung von dynamischen zu statischen Graphen, bei der Modelle in einen statischen Berechnungsgraphen übersetzt werden können. Dies ermöglicht Optimierungen, die den Laufzeitaufwand verringern und die Inferenzleistung steigern.
-
Operatorfusion: PaddlePaddle verwendet wie TensorRT die Operatorfusion, um Berechnungen zu optimieren und den Aufwand zu verringern. Das Framework minimiert Speicherübertragungen und Berechnungsschritte, indem kompatible Operationen zusammengeführt werden, was zu einer schnelleren Inferenz führt.
-
Quantisierung: PaddlePaddle unterstützt Quantisierungstechniken, einschließlich der Quantisierung nach dem Training und des quantisierungsbewussten Trainings. Diese Techniken ermöglichen die Verwendung von Datendarstellungen mit geringerer Präzision und steigern dadurch effektiv die Leistung bei gleichzeitiger Verringerung der Modellgröße.
Bereitstellungsoptionen in PaddlePaddle#
Bevor wir uns dem Code für den Export von YOLO26-Modellen nach PaddlePaddle widmen, sehen wir uns zunächst die verschiedenen Bereitstellungsszenarien an, in denen PaddlePaddle-Modelle besonders leistungsfähig sind.
PaddlePaddle bietet eine Reihe von Optionen, die jeweils ein eigenes Gleichgewicht zwischen Benutzerfreundlichkeit, Flexibilität und Leistung bieten:
-
Paddle Serving: Dieses Framework vereinfacht die Bereitstellung von PaddlePaddle-Modellen als leistungsstarke RESTful APIs. Paddle Serving eignet sich ideal für Produktionsumgebungen und bietet Funktionen wie Modellversionierung, Online-A/B-Tests und Skalierbarkeit für die Verarbeitung großer Anfragevolumen.
-
Paddle Inference API: Die Paddle Inference API bietet dir eine Kontrolle auf niedriger Ebene über die Modellausführung. Diese Option eignet sich gut für Szenarien, in denen 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 mobilen 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: Paddle.js ermöglicht dir, PaddlePaddle-Modelle direkt in Webbrowsern bereitzustellen. Paddle.js kann entweder ein vortrainiertes Modell laden oder ein Modell mit den von Paddle.js bereitgestellten Tools zur Modellumwandlung aus paddle-hub umwandeln. 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 Familie, die diese Ausgabeköpfe enthält.
| Aufgabe | YOLOv8 | YOLO11 | YOLO26 |
|---|---|---|---|
| Erkennen | ✅ | ✅ | ✅ |
| Segmentieren | ✅ | ✅ | ✅ |
| Semantisch | ❌ | ❌ | ✅ |
| Tiefe | ❌ | ❌ | ✅ |
| Klassifizieren | ✅ | ✅ | ✅ |
| Pose | ✅ | ✅ | ✅ |
| OBB | ✅ | ✅ | ✅ |
Export nach PaddlePaddle: Dein YOLO26-Modell konvertieren#
Die Konvertierung von YOLO26-Modellen in das PaddlePaddle-Format kann die Flexibilität bei der Ausführung verbessern und die Leistung für verschiedene Bereitstellungsszenarien optimieren.
Installation#
Führe zur Installation des erforderlichen Pakets folgenden Befehl aus:
# Install the required package for YOLO26
pip install ultralyticsAusführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserem Installationsleitfaden von Ultralytics. Sollten bei der Installation der für YOLO26 erforderlichen Pakete Schwierigkeiten auftreten, findest du in unserem Leitfaden zu häufigen Problemen Lösungen und Tipps.
Verwendung#
Alle Ultralytics YOLO26-Modelle unterstützen den Export. 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 anschließend das exportierte Modell, 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")Exportargumente#
| Argument | Typ | Standardwert | Beschreibung |
|---|---|---|---|
format | str | 'paddle' | Zielformat für das exportierte Modell, das die Kompatibilität mit verschiedenen Bereitstellungsumgebungen festlegt. |
imgsz | int oder tuple | 640 | Gewünschte Bildgröße für die Modelleingabe. Kann für quadratische Bilder eine Ganzzahl oder für bestimmte Abmessungen ein Tupel (height, width) sein. |
quantize | int oder str | None | Festgelegter FP32-Export. Der PaddlePaddle-Export unterstützt keine Konvertierung der FP16-, INT8- oder W8A16-Präzision während des Exports. |
batch | int | 1 | Legt die Batchgröße für die Inferenz des exportierten Modells oder die maximale Anzahl der Bilder fest, 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-Chips (device=mps). |
Weitere Informationen zum Exportvorgang findest du auf der Ultralytics-Dokumentationsseite zum Export.
Bereitstellung exportierter YOLO26-PaddlePaddle-Modelle#
Nach dem erfolgreichen Export deiner Ultralytics YOLO26-Modelle in das PaddlePaddle-Format 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 leistungsfähige Dienste bereitstellst.
-
Paddle Lite: Erfahre, wie du Modelle für mobile und eingebettete Geräte optimierst und mit Paddle Lite bereitstellst.
-
Paddle.js: Erfahre, wie du PaddlePaddle-Modelle mit Paddle.js in Webbrowsern für clientseitige KI ausführst.
Zusammenfassung#
In diesem Leitfaden haben wir den Prozess zum Export von Ultralytics YOLO26-Modellen in das PaddlePaddle-Format untersucht. Mit diesen Schritten kannst du die Stärken von PaddlePaddle in vielfältigen Bereitstellungsszenarien nutzen und deine Modelle für unterschiedliche Hardware- und Softwareumgebungen optimieren.
Weitere Informationen zur Verwendung findest du in der offiziellen PaddlePaddle-Dokumentation.
Möchtest du weitere Möglichkeiten zur Integration deiner Ultralytics YOLO26-Modelle kennenlernen? Unsere Seite zum Integrationsleitfaden stellt verschiedene Optionen vor und bietet dir wertvolle Ressourcen und Einblicke.
FAQ#
Der Export 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")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 zeichnet sich durch eine effiziente Modellausführung und einen geringeren Speicherbedarf aus.
- Kompilierung von dynamischen zu statischen Graphen: Das Framework unterstützt die Kompilierung von dynamischen zu statischen Graphen und ermöglicht dadurch Optimierungen zur Laufzeit.
- Operatorfusion: Durch das Zusammenführen kompatibler Operationen wird der Berechnungsaufwand verringert.
- Quantisierungstechniken: Unterstützt sowohl die Quantisierung nach dem Training als auch das quantisierungsbewusste Training und ermöglicht Datendarstellungen mit geringerer Präzision für eine verbesserte Leistung.
Durch den Export deiner Ultralytics YOLO26-Modelle nach PaddlePaddle kannst du bessere Ergebnisse erzielen und Flexibilität sowie hohe Leistung in verschiedenen Anwendungen und auf unterschiedlichen Hardwareplattformen sicherstellen. Entdecke die wichtigsten Funktionen und Möglichkeiten von PaddlePaddle in der offiziellen PaddlePaddle-Dokumentation.
PaddlePaddle, entwickelt von Baidu, ist für industrielle und kommerzielle KI-Bereitstellungen optimiert. Die große Entwicklergemeinschaft und das robuste Framework bieten umfangreiche Tools ähnlich denen von TensorFlow und PyTorch. Durch den Export deiner YOLO26-Modelle nach PaddlePaddle nutzt du folgende Vorteile:
- Verbesserte Leistung: Optimale Ausführungsgeschwindigkeit und geringerer Speicherbedarf.
- Flexibilität: Breite Kompatibilität mit verschiedenen Geräten, von Smartphones bis zu Cloud-Servern.
- Skalierbarkeit: Leistungsfähige Möglichkeiten zur parallelen Verarbeitung in verteilten Umgebungen.
Diese Funktionen machen PaddlePaddle zu einer überzeugenden Wahl für die Bereitstellung von YOLO26-Modellen in Produktionsumgebungen.
PaddlePaddle verwendet mehrere fortschrittliche Techniken zur Optimierung der Modellleistung:
- Dynamische-zu-statische Graphkompilierung: Konvertiert Modelle für Optimierungen zur Laufzeit in einen statischen Berechnungsgraphen.
- Operatorfusion: Kombiniert kompatible Operationen, um Speicherübertragungen zu minimieren und die Inferenzgeschwindigkeit zu erhöhen.
- Quantisierung: Verringert die Modellgröße und steigert die Effizienz durch Daten mit geringerer Präzision bei gleichbleibender Genauigkeit.
Diese Techniken legen den Schwerpunkt auf eine effiziente Modellausführung und machen PaddlePaddle zu einer hervorragenden Option für die Bereitstellung leistungsstarker YOLO26-Modelle. Weitere Informationen zur Optimierung findest du in der offiziellen PaddlePaddle-Dokumentation.
PaddlePaddle bietet flexible Bereitstellungsoptionen:
- Paddle Serving: Stellt Modelle als RESTful APIs bereit und eignet sich mit Funktionen wie Modellversionierung und Online-A/B-Tests ideal für die Produktion.
- Paddle Inference API: Bietet eine Kontrolle auf niedriger Ebene über die Modellausführung für eigene Anwendungen.
- Paddle Lite: Optimiert Modelle für die begrenzten Ressourcen mobiler und eingebetteter Geräte.
- 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 Ultralytics-Seite zu Optionen für die Modellbereitstellung.