Cómo exportar a formato PaddlePaddle desde modelos YOLO26

Cerrar la brecha entre el desarrollo y la implementación de modelos de visión artificial en escenarios del mundo real con condiciones variables puede ser difícil. PaddlePaddle facilita este proceso al centrarse en la flexibilidad, el rendimiento y su capacidad para el procesamiento paralelo en entornos distribuidos. Esto significa que puede utilizar sus modelos de visión artificial YOLO26 en una amplia variedad de dispositivos y plataformas, desde teléfonos inteligentes hasta servidores basados en la nube.

Ver: Cómo exportar modelos Ultralytics YOLO26 al formato PaddlePaddle | Características clave del formato PaddlePaddle

La capacidad de exportar al formato de modelo PaddlePaddle le permite optimizar sus modelos Ultralytics YOLO26 para su uso dentro del framework PaddlePaddle. PaddlePaddle es conocido por facilitar las implementaciones industriales y es una buena opción para desplegar aplicaciones de visión artificial en entornos del mundo real en diversos dominios.

¿Por qué debería exportar a PaddlePaddle?

Desarrollado por Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) es la primera plataforma de aprendizaje profundo de código abierto de China. A diferencia de algunos frameworks construidos principalmente para la investigación, PaddlePaddle prioriza la facilidad de uso y la integración fluida en todas las industrias.

Ofrece herramientas y recursos similares a marcos de trabajo populares como TensorFlow y PyTorch, haciéndolo accesible para desarrolladores de todos los niveles de experiencia. Desde la agricultura y las fábricas hasta las empresas de servicios, la gran comunidad de desarrolladores de PaddlePaddle, con más de 4,77 millones de miembros, está ayudando a crear e implementar aplicaciones de IA.

Al exportar sus modelos Ultralytics YOLO26 al formato PaddlePaddle, puede aprovechar las fortalezas de PaddlePaddle en la optimización del rendimiento. PaddlePaddle prioriza la ejecución eficiente del modelo y la reducción del uso de memoria. Como resultado, sus modelos YOLO26 pueden lograr un rendimiento aún mejor, ofreciendo resultados de primera categoría en escenarios prácticos.

Características principales de los modelos PaddlePaddle

Los modelos de PaddlePaddle ofrecen una gama de características clave que contribuyen a su flexibilidad, rendimiento y escalabilidad en diversos escenarios de implementación:

• Gráfico dinámico a estático: PaddlePaddle admite la compilación de dinámico a estático, donde los modelos se pueden traducir en un gráfico computacional estático. Esto permite optimizaciones que reducen la sobrecarga en tiempo de ejecución y aumentan el rendimiento de la inferencia.

• Fusión de Operadores: PaddlePaddle, al igual que TensorRT, utiliza la fusión de operadores para optimizar la computación y reducir la sobrecarga. El framework minimiza las transferencias de memoria y los pasos computacionales al fusionar operaciones compatibles, lo que resulta en una inferencia más rápida.

• Cuantización: PaddlePaddle admite técnicas de cuantización, incluyendo la cuantización post-entrenamiento y el entrenamiento consciente de la cuantización. Estas técnicas permiten el uso de representaciones de datos de menor precisión, impulsando eficazmente el rendimiento y reduciendo el tamaño del modelo.

Opciones de implementación en PaddlePaddle

Antes de profundizar en el código para exportar modelos YOLO26 a PaddlePaddle, echemos un vistazo a los diferentes escenarios de despliegue en los que los modelos PaddlePaddle sobresalen.

PaddlePaddle ofrece una gama de opciones, cada una de las cuales ofrece un equilibrio distinto entre facilidad de uso, flexibilidad y rendimiento:

• Paddle Serving: Este framework simplifica la implementación de modelos PaddlePaddle como APIs RESTful de alto rendimiento. Paddle Serving es ideal para entornos de producción, proporcionando características como el versionado de modelos, las pruebas A/B en línea y la escalabilidad para manejar grandes volúmenes de solicitudes.

• Paddle Inference API: La Paddle Inference API le brinda control de bajo nivel sobre la ejecución del modelo. Esta opción es adecuada para escenarios en los que necesita integrar el modelo estrechamente dentro de una aplicación personalizada u optimizar el rendimiento para hardware específico.

• Paddle Lite: Paddle Lite está diseñado para su implementación en dispositivos móviles e integrados donde los recursos son limitados. Optimiza los modelos para tamaños más pequeños y una inferencia más rápida en CPUs ARM, GPUs y otro hardware especializado.

• Paddle.js: Paddle.js permite implementar modelos PaddlePaddle directamente en navegadores web. Paddle.js puede cargar un modelo preentrenado o transformar un modelo de paddle-hub con las herramientas de transformación de modelos proporcionadas por Paddle.js. Puede ejecutarse en navegadores que soportan WebGL/WebGPU/WebAssembly.

Exportar a PaddlePaddle: Conversión de su modelo YOLO26

Convertir modelos YOLO26 al formato PaddlePaddle puede mejorar la flexibilidad de ejecución y optimizar el rendimiento para diversos escenarios de despliegue.

Instalación

Para instalar el paquete requerido, ejecute:

# Install the required package for YOLO26
pip install ultralytics

Para obtener instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulte nuestra guía de instalación de Ultralytics. Mientras instala los paquetes requeridos para YOLO26, si encuentra alguna dificultad, consulte nuestra guía de problemas comunes para obtener soluciones y consejos.

Uso

Todos los modelos Ultralytics YOLO26 admiten la exportación, y puede explorar la lista completa de formatos y opciones de exportación para encontrar la que mejor se adapte a sus necesidades de despliegue.

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 a YOLO26n PyTorch model to PaddlePaddle format
yolo export model=yolo26n.pt format=paddle # creates '/yolo26n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo26n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Argumentos de exportación

Para obtener más detalles sobre el proceso de exportación, visita la página de documentación de Ultralytics sobre la exportación.

Despliegue de modelos YOLO26 de PaddlePaddle exportados

Después de exportar con éxito sus modelos Ultralytics YOLO26 al formato PaddlePaddle, ahora puede desplegarlos. El primer paso principal y recomendado para ejecutar un modelo PaddlePaddle es utilizar el método YOLO("yolo26n_paddle_model/"), como se describe en el fragmento de código de uso anterior.

Sin embargo, para obtener instrucciones detalladas sobre cómo implementar sus modelos de PaddlePaddle en otras configuraciones, consulte los siguientes recursos:

• Paddle Serving: Aprende a implementar tus modelos de PaddlePaddle como servicios de alto rendimiento utilizando Paddle Serving.

• Paddle Lite: Explora cómo optimizar e implementar modelos en dispositivos móviles e integrados utilizando Paddle Lite.

• Paddle.js: Descubre cómo ejecutar modelos de PaddlePaddle en navegadores web para la IA del lado del cliente utilizando Paddle.js.

Resumen

En esta guía, exploramos el proceso de exportación de modelos Ultralytics YOLO26 al formato PaddlePaddle. Siguiendo estos pasos, puede aprovechar las fortalezas de PaddlePaddle en diversos escenarios de despliegue, optimizando sus modelos para diferentes entornos de hardware y software.

Para obtener más detalles sobre el uso, visite la documentación oficial de PaddlePaddle.

¿Desea explorar más formas de integrar sus modelos Ultralytics YOLO26? Nuestra página de guía de integración explora varias opciones, proporcionándole recursos e información valiosos.

Preguntas frecuentes

¿Cómo exporto modelos Ultralytics YOLO26 a formato PaddlePaddle?

Exportar modelos Ultralytics YOLO26 al formato PaddlePaddle es sencillo. Puede utilizar el export método de la clase YOLO para realizar la conversión. Aquí hay un ejemplo usando 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")

# Export a YOLO26n PyTorch model to PaddlePaddle format
yolo export model=yolo26n.pt format=paddle # creates '/yolo26n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo26n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Para una configuración y resolución de problemas más detalladas, consulta la Guía de instalación de Ultralytics y la Guía de problemas comunes.

¿Cuáles son las ventajas de usar PaddlePaddle para la implementación de modelos?

PaddlePaddle ofrece varias ventajas clave para la implementación de modelos:

• Optimización del rendimiento: PaddlePaddle destaca por la ejecución eficiente de modelos y la reducción del uso de memoria.
• Compilación de gráfico dinámico a estático: Admite la compilación de dinámico a estático, lo que permite optimizaciones en tiempo de ejecución.
• Fusión de operadores: Al fusionar operaciones compatibles, se reduce la sobrecarga computacional.
• Técnicas de cuantización: Admite tanto el entrenamiento posterior a la cuantización como el entrenamiento consciente de la cuantización, lo que permite representaciones de datos de menor precisión para mejorar el rendimiento.

Puede lograr resultados mejorados exportando sus modelos Ultralytics YOLO26 a PaddlePaddle, asegurando flexibilidad y alto rendimiento en diversas aplicaciones y plataformas de hardware. Explore las características y capacidades clave de PaddlePaddle en la documentación oficial de PaddlePaddle.

¿Por qué debería elegir PaddlePaddle para desplegar mis modelos YOLO26?

PaddlePaddle, desarrollado por Baidu, está optimizado para despliegues de IA industriales y comerciales. Su gran comunidad de desarrolladores y su robusto framework proporcionan herramientas extensas similares a TensorFlow y PyTorch. Al exportar sus modelos YOLO26 a PaddlePaddle, usted aprovecha:

• Rendimiento mejorado: Velocidad de ejecución óptima y reducción del espacio de memoria.
• Flexibilidad: Amplia compatibilidad con varios dispositivos, desde teléfonos inteligentes hasta servidores en la nube.
• Escalabilidad: Capacidades eficientes de procesamiento paralelo para entornos distribuidos.

Estas características hacen de PaddlePaddle una opción atractiva para desplegar modelos YOLO26 en entornos de producción.

¿Cómo mejora PaddlePaddle el rendimiento del modelo en comparación con otros frameworks?

PaddlePaddle emplea varias técnicas avanzadas para optimizar el rendimiento del modelo:

• Gráfico dinámico a estático: Convierte modelos en un gráfico computacional estático para optimizaciones en tiempo de ejecución.
• Fusión de operadores: Combina operaciones compatibles para minimizar la transferencia de memoria y aumentar la velocidad de inferencia.
• Cuantización: Reduce el tamaño del modelo y aumenta la eficiencia utilizando datos de menor precisión, manteniendo la exactitud.

Estas técnicas priorizan la ejecución eficiente del modelo, lo que convierte a PaddlePaddle en una excelente opción para desplegar modelos YOLO26 de alto rendimiento. Para más información sobre la optimización, consulte la documentación oficial de PaddlePaddle.

¿Qué opciones de despliegue ofrece PaddlePaddle para los modelos YOLO26?

PaddlePaddle ofrece opciones de implementación flexibles:

• Paddle Serving: Implementa modelos como APIs RESTful, ideal para producción con características como el versionado de modelos y las pruebas A/B en línea.
• Paddle Inference API: Proporciona control de bajo nivel sobre la ejecución del modelo para aplicaciones personalizadas.
• Paddle Lite: Optimiza modelos para los recursos limitados de dispositivos móviles e integrados.
• Paddle.js: Permite implementar modelos directamente en navegadores web.

Estas opciones cubren una amplia gama de escenarios de implementación, desde la inferencia en el dispositivo hasta los servicios escalables en la nube. Explore más estrategias de implementación en la página de Opciones de Implementación de Modelos de Ultralytics.

📅 Creado hace 1 año ✏️ Actualizado hace 4 días

Comentarios