Cómo exportar al formato PaddlePaddle desde modelos YOLO11

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 gracias a su enfoque 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 YOLO11 en una amplia variedad de dispositivos y plataformas, desde teléfonos inteligentes hasta servidores basados en la nube.

Ver: Cómo exportar modelos Ultralytics YOLO11 al formato PaddlePaddle | Características clave del formato PaddlePaddle

La capacidad de exportar al formato de modelo PaddlePaddle le permite optimizar sus modelos Ultralytics YOLO11 para su uso dentro del framework PaddlePaddle. PaddlePaddle es conocido por facilitar las implementaciones industriales y es una buena opción para implementar aplicaciones de visión artificial en entornos del mundo real en varios 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 tus modelos Ultralytics YOLO11 al formato PaddlePaddle, puedes aprovechar las ventajas de PaddlePaddle en la optimización del rendimiento. PaddlePaddle prioriza la ejecución eficiente del modelo y la reducción del uso de memoria. Como resultado, tus modelos YOLO11 pueden potencialmente lograr un rendimiento aún mejor, ofreciendo resultados de primera clase 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 sumergirnos en el código para exportar modelos YOLO11 a PaddlePaddle, echemos un vistazo a los diferentes escenarios de implementación 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.

• API de inferencia de Paddle: La API de inferencia de Paddle 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 le permite implementar modelos PaddlePaddle directamente en navegadores web. Paddle.js puede cargar un modelo pre-entrenado o transformar un modelo desde paddle-hub con herramientas de transformación de modelos proporcionadas por Paddle.js. Puede ejecutarse en navegadores que admitan WebGL/WebGPU/WebAssembly.

Exportar a PaddlePaddle: Convirtiendo su modelo YOLO11

La conversión de modelos YOLO11 al formato PaddlePaddle puede mejorar la flexibilidad de ejecución y optimizar el rendimiento para diversos escenarios de implementación.

Instalación

Para instalar el paquete requerido, ejecute:

# Install the required package for YOLO11
pip install ultralytics

Para obtener instrucciones detalladas y las mejores prácticas relacionadas con el proceso de instalación, consulte nuestra Guía de instalación de Ultralytics. Mientras instala los paquetes necesarios para YOLO11, si encuentra alguna dificultad, consulte nuestra Guía de problemas comunes para obtener soluciones y consejos.

Uso

Todos los modelos Ultralytics YOLO11 admiten la exportación, y puedes consultar la lista completa de formatos y opciones de exportación para encontrar la mejor opción para tus necesidades de implementación.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_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.

Implementación de modelos PaddlePaddle YOLO11 exportados

Después de exportar con éxito tus modelos Ultralytics YOLO11 al formato PaddlePaddle, ahora puedes implementarlos. El primer paso principal y recomendado para ejecutar un modelo PaddlePaddle es utilizar el método YOLO("yolo11n_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 YOLO11 al formato PaddlePaddle. Siguiendo estos pasos, puede aprovechar las fortalezas de PaddlePaddle en diversos escenarios de implementación, optimizando sus modelos para diferentes entornos de hardware y software.

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

¿Quieres explorar más formas de integrar tus modelos Ultralytics YOLO11? Nuestra página de guía de integración explora varias opciones, proporcionándote recursos e información valiosos.

Preguntas frecuentes

¿Cómo exporto modelos Ultralytics YOLO11 al formato PaddlePaddle?

Exportar modelos Ultralytics YOLO11 al formato PaddlePaddle es sencillo. Puede utilizar el export método de la clase YOLO para realizar esta exportación. Aquí tienes un ejemplo usando python:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_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 YOLO11 a PaddlePaddle, lo que garantiza flexibilidad y un 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 implementar mis modelos YOLO11?

PaddlePaddle, desarrollado por Baidu, está optimizado para implementaciones de IA industriales y comerciales. Su gran comunidad de desarrolladores y su robusto framework proporcionan amplias herramientas similares a TensorFlow y PyTorch. Al exportar sus modelos YOLO11 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 implementar modelos YOLO11 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 implementar modelos YOLO11 de alto rendimiento. Para obtener más información sobre la optimización, consulte la documentación oficial de PaddlePaddle.

¿Qué opciones de implementación ofrece PaddlePaddle para los modelos YOLO11?

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.
• API de inferencia de Paddle: 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 meses

Comentarios