Cómo exportar al formato PaddlePaddle desde modelos YOLO26

Salvar la brecha entre el desarrollo y el despliegue de modelos de visión artificial en escenarios del mundo real con condiciones variables puede ser difícil. PaddlePaddle facilita este proceso con su enfoque en la flexibilidad, el rendimiento y su capacidad de procesamiento paralelo en entornos distribuidos. Esto significa que puedes usar tus modelos de visión artificial YOLO26 en una amplia variedad de dispositivos y plataformas, desde smartphones hasta servidores en la nube.

La capacidad de exportar al formato de modelo PaddlePaddle te permite optimizar tus modelos Ultralytics YOLO26 para su uso dentro del framework PaddlePaddle. PaddlePaddle es conocido por facilitar los despliegues industriales y es una buena opción para desplegar aplicaciones de visión artificial en entornos reales en diversos dominios.

¿Por qué deberías exportar a PaddlePaddle?

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

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

Al exportar tus modelos Ultralytics YOLO26 al formato PaddlePaddle, puedes aprovechar las fortalezas de PaddlePaddle en la optimización del rendimiento. PaddlePaddle prioriza la ejecución eficiente del modelo y un menor uso de memoria. Como resultado, tus modelos YOLO26 pueden alcanzar potencialmente un rendimiento aún mejor, ofreciendo resultados de primer nivel en escenarios prácticos.

Características clave de los modelos PaddlePaddle

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

• Grafo de dinámico a estático: PaddlePaddle admite la compilación de dinámico a estático, donde los modelos pueden traducirse a un grafo 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 agilizar el cálculo y reducir la sobrecarga. El framework minimiza las transferencias de memoria y los pasos de cálculo fusionando 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, mejorando efectivamente el rendimiento y reduciendo el tamaño del modelo.

Opciones de despliegue en PaddlePaddle

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

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

• Paddle Serving: Este framework simplifica el despliegue de modelos PaddlePaddle como APIs RESTful de alto rendimiento. Paddle Serving es ideal para entornos de producción, ofreciendo características como versionado de modelos, pruebas A/B online y escalabilidad para manejar grandes volúmenes de solicitudes.

• API de inferencia de Paddle: La API de inferencia de Paddle te da un control de bajo nivel sobre la ejecución del modelo. Esta opción es muy adecuada para escenarios donde necesitas integrar el modelo estrechamente dentro de una aplicación personalizada u optimizar el rendimiento para hardware específico.

• Paddle Lite: Paddle Lite está diseñado para el despliegue en dispositivos móviles y embebidos 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 te permite desplegar modelos PaddlePaddle directamente dentro de navegadores web. Paddle.js puede cargar un modelo preentrenado 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: Conversión de tu modelo YOLO26

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

Instalación

Para instalar el paquete requerido, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para obtener instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Uso

Todos los modelos Ultralytics YOLO26 admiten la exportación, y puedes explorar la lista completa de formatos y opciones de exportación para encontrar la que mejor se adapte a tus 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")

Argumentos de exportación

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

Despliegue de modelos exportados YOLO26 PaddlePaddle

Después de exportar con éxito tus modelos Ultralytics YOLO26 al formato PaddlePaddle, ya puedes 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 desplegar tus modelos PaddlePaddle en otros entornos, echa un vistazo a los siguientes recursos:

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

• Paddle Lite: Explora cómo optimizar y desplegar modelos en dispositivos móviles y embebidos utilizando Paddle Lite.

• Paddle.js: Descubre cómo ejecutar modelos PaddlePaddle en navegadores web para 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, puedes aprovechar las fortalezas de PaddlePaddle en diversos escenarios de despliegue, optimizando tus modelos para diferentes entornos de hardware y software.

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

¿Quieres explorar más formas de integrar tus modelos Ultralytics YOLO26? Nuestra página de guía de integración explora varias opciones, equipándote con recursos e ideas valiosas.

Preguntas frecuentes

¿Cómo exporto modelos Ultralytics YOLO26 al formato PaddlePaddle?

Exportar modelos Ultralytics YOLO26 al formato PaddlePaddle es sencillo. Puedes usar el método export de la clase YOLO para realizar la conversión. Aquí tienes 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")

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

¿Cuáles son las ventajas de usar PaddlePaddle para el despliegue de modelos?

PaddlePaddle ofrece varias ventajas clave para el despliegue de modelos:

• Optimización del rendimiento: PaddlePaddle destaca en la ejecución eficiente de modelos y la reducción del uso de memoria.
• Compilación de grafo de 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, reduce la sobrecarga computacional.
• Técnicas de cuantización: Admite tanto el entrenamiento post-entrenamiento como el entrenamiento consciente de la cuantización, permitiendo representaciones de datos de menor precisión para un mejor rendimiento.

Puedes lograr mejores resultados exportando tus modelos Ultralytics YOLO26 a PaddlePaddle, asegurando flexibilidad y un alto rendimiento en diversas aplicaciones y plataformas de hardware. Explora 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 tus modelos YOLO26 a PaddlePaddle, aprovechas:

• Rendimiento mejorado: Velocidad de ejecución óptima y menor huella de memoria.
• Flexibilidad: Amplia compatibilidad con diversos dispositivos, desde smartphones hasta servidores en la nube.
• Escalabilidad: Capacidades de procesamiento paralelo eficientes 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 respecto a otros frameworks?

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

• Grafo de dinámico a estático: Convierte los modelos en un grafo 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 mientras se mantiene la precisión.

Estas técnicas priorizan la ejecución eficiente del modelo, haciendo de PaddlePaddle una excelente opción para desplegar modelos YOLO26 de alto rendimiento. Para más información sobre optimización, consulta la documentación oficial de PaddlePaddle.

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

PaddlePaddle ofrece opciones de despliegue flexibles:

• Paddle Serving: Despliega modelos como APIs RESTful, ideal para producción con características como versionado de modelos y pruebas A/B online.
• API de inferencia de Paddle: Ofrece control de bajo nivel sobre la ejecución del modelo para aplicaciones personalizadas.
• Paddle Lite: Optimiza los modelos para los recursos limitados de dispositivos móviles y embebidos.
• Paddle.js: Permite desplegar modelos directamente dentro de los navegadores web.

Estas opciones cubren una amplia gama de escenarios de despliegue, desde inferencia en dispositivo hasta servicios en la nube escalables. Explora más estrategias de despliegue en la página de Opciones de despliegue de modelos de Ultralytics.