Cómo exportar al formato PaddlePaddle desde modelos YOLO26#

Acortar la distancia entre el desarrollo y el despliegue de modelos de computer vision 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 de procesamiento en paralelo en entornos distribuidos. Esto significa que puedes usar tus modelos de computer vision YOLO26 en una amplia variedad de dispositivos y plataformas, desde teléfonos inteligentes hasta servidores basados en la nube.

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

¿Por qué deberías exportar a PaddlePaddle?#

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

Ofrece herramientas y recursos similares a frameworks populares como TensorFlow y PyTorch, lo que lo hace accesible para desarrolladores de todos los niveles de experiencia. Desde la agricultura y las fábricas hasta los negocios de servicios, la gran comunidad de desarrolladores de PaddlePaddle, que supera los 4,77 millones, ayuda 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 de modelos y el uso reducido de memoria. Como resultado, tus modelos YOLO26 pueden lograr potencialmente un rendimiento aún mejor, ofreciendo resultados de primera categoría 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 implementación:

• Dynamic-to-Static Graph: PaddlePaddle admite la compilación dinámica a estática, donde los modelos se pueden traducir a un grafo computacional estático. Esto permite optimizaciones que reducen la sobrecarga en tiempo de ejecución y potencian el rendimiento de inferencia.

• Operator Fusion: 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 mediante la fusión de operaciones compatibles, lo que da como resultado una inferencia más rápida.

• Quantization: PaddlePaddle admite técnicas de cuantización, incluidas la cuantización posterior al entrenamiento y el entrenamiento consciente de la cuantización. Estas técnicas permiten el uso de representaciones de datos de menor precisión, lo que potencia eficazmente el rendimiento y reduce 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 implementación en los que sobresalen 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 la implementación de modelos PaddlePaddle como APIs RESTful de alto rendimiento. Paddle Serving es ideal para entornos de producción, proporcionando características como versionado de modelos, pruebas A/B en línea y escalabilidad para manejar grandes volúmenes de solicitudes.

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

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

• Paddle.js: Paddle.js te permite desplegar 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 compatibles con WebGL/WebGPU/WebAssembly.

Tareas compatibles#

La exportación a PaddlePaddle es compatible con las siete tareas de Ultralytics. La segmentación semántica y la estimación de profundidad solo están disponibles con YOLO26, la única familia que incluye esas cabezas.

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 diversos escenarios de implementación.

Instalación#

Para instalar el paquete necesario, 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 ver soluciones y consejos.

Uso#

Todos los Ultralytics YOLO26 models admiten la exportación, y puedes consultar la lista completa de formatos y opciones de exportación para encontrar la opción que mejor se adapte a tus necesidades de despliegue.

El formato PaddlePaddle es compatible con los modos Export, Predict y Validate. Exporta tu modelo y luego cárgalo para ejecutar la inferencia o validar su precisión.

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")

Argumentos de exportación#

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

Implementación de modelos YOLO26 exportados a PaddlePaddle#

Después de exportar exitosamente tus modelos Ultralytics YOLO26 al formato PaddlePaddle, ahora puedes implementarlos. El primer paso recomendado para ejecutar un modelo PaddlePaddle es usar 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 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 implementación, optimizando tus modelos para diferentes entornos de hardware y software.

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

¿Quieres explorar más formas de integrar tus modelos Ultralytics YOLO26? Nuestra página de la guía de integración explora varias opciones, equipándote con valiosos recursos y perspectivas.

FAQ#