Cómo exportar modelos YOLO26 al formato PaddlePaddle#

Conectar el desarrollo y la implementación de modelos de visión artificial en situaciones reales con condiciones variables puede ser difícil. PaddlePaddle facilita este proceso gracias a su flexibilidad, rendimiento y capacidad para el procesamiento en paralelo en entornos distribuidos. Esto te permite usar tus modelos de visión artificial YOLO26 en una amplia variedad de dispositivos y plataformas, desde teléfonos inteligentes hasta servidores en la nube.

La posibilidad de exportar al formato de modelo PaddlePaddle te permite optimizar tus modelos Ultralytics YOLO26 para usarlos con el marco de trabajo PaddlePaddle. PaddlePaddle es conocido por facilitar las implementaciones industriales y es una buena opción para implementar aplicaciones de visión artificial en situaciones reales de distintos ámbitos.

¿Por qué deberías exportar a PaddlePaddle?#

Desarrollado por Baidu, PaddlePaddle (PAralelo Distribuido De LEprendizaje profundo) es la primera plataforma de aprendizaje profundo de código abierto de China. A diferencia de algunos marcos de trabajo diseñados principalmente para la investigación, PaddlePaddle da prioridad a la facilidad de uso y a la integración fluida en distintos sectores.

Ofrece herramientas y recursos similares a los de marcos de trabajo populares como TensorFlow y PyTorch, por lo que resulta accesible para desarrolladores de todos los niveles de experiencia. Desde la agricultura y las fábricas hasta las empresas de servicios, la amplia comunidad de más de 4,77 millones de desarrolladores de PaddlePaddle ayuda a crear e implementar aplicaciones de IA.

Al exportar tus modelos Ultralytics YOLO26 al formato PaddlePaddle, puedes aprovechar las ventajas de PaddlePaddle en la optimización del rendimiento. PaddlePaddle prioriza la ejecución eficiente de los modelos y la reducción del uso de memoria. Como resultado, tus modelos YOLO26 pueden alcanzar un rendimiento aún mejor y ofrecer resultados excelentes en situaciones prácticas.

Características principales de los modelos PaddlePaddle#

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

• Grafo dinámico a estático: PaddlePaddle admite la compilación de grafos dinámicos a estáticos, que permite convertir los modelos en un grafo computacional estático. Esto posibilita optimizaciones que reducen la sobrecarga en tiempo de ejecución y mejoran el rendimiento de la inferencia.

• Fusión de operadores: PaddlePaddle, al igual que TensorRT, usa la fusión de operadores para agilizar los cálculos y reducir la sobrecarga. El marco de trabajo minimiza las transferencias de memoria y los pasos de cálculo al combinar operaciones compatibles, lo que acelera la inferencia.

• Cuantización: PaddlePaddle admite técnicas de cuantización, incluida la cuantización posterior al entrenamiento y el entrenamiento con reconocimiento de cuantización. Estas técnicas permiten usar representaciones de datos de menor precisión, lo que mejora el rendimiento y reduce el tamaño del modelo.

Opciones de implementación en PaddlePaddle#

Antes de entrar en el código para exportar modelos YOLO26 a PaddlePaddle, veamos los distintos escenarios de implementación en los que destacan los modelos PaddlePaddle.

PaddlePaddle ofrece varias opciones, cada una con un equilibrio distinto entre facilidad de uso, flexibilidad y rendimiento:

• Paddle Serving: este marco de trabajo simplifica la implementación de modelos PaddlePaddle como API RESTful de alto rendimiento. Paddle Serving es ideal para entornos de producción y ofrece funciones como el control de versiones de modelos, las pruebas A/B en línea y la escalabilidad para gestionar grandes volúmenes de solicitudes.

• API de inferencia de Paddle: la API de inferencia de Paddle te ofrece control de bajo nivel sobre la ejecución del modelo. Esta opción es adecuada para situaciones en las que necesitas integrar estrechamente el modelo en una aplicación personalizada u optimizar el rendimiento para un hardware concreto.

• Paddle Lite: Paddle Lite está diseñado para implementarse en dispositivos móviles e integrados con recursos limitados. Optimiza los modelos para reducir su tamaño y acelerar la inferencia en CPU ARM, GPU y otros tipos de hardware especializado.

• Paddle.js: Paddle.js te 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 que ofrece Paddle.js. Puede ejecutarse en navegadores compatibles con WebGL/WebGPU/WebAssembly.

Tareas compatibles#

La exportación a PaddlePaddle admite 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: convertir tu modelo YOLO26#

Convertir modelos YOLO26 al formato PaddlePaddle puede mejorar la flexibilidad de ejecución y optimizar el rendimiento en distintos escenarios de implementación.

Instalación#

Para instalar el paquete necesario, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si tienes dificultades al instalar los paquetes necesarios para YOLO26, consulta nuestra guía sobre problemas habituales, donde encontrarás soluciones y consejos.

Uso#

Todos los modelos Ultralytics YOLO26 admiten la exportación, y puedes consultar la lista completa de formatos y opciones de exportación para encontrar la opción más adecuada para tus necesidades de implementación.

El formato PaddlePaddle admite los modos Exportar, Predecir y Validar. Exporta tu modelo y, después, carga el modelo exportado para ejecutar la inferencia o validar su precisión.

from ultralytics import YOLO

# Carga un modelo YOLO26
model = YOLO("yolo26n.pt")

# Exporta el modelo al formato PaddlePaddle
model.export(format="paddle")  # creates 'yolo26n_paddle_model'

from ultralytics import YOLO

# Carga el modelo PaddlePaddle exportado
model = YOLO("./yolo26n_paddle_model")

# Ejecutar inferencia
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Carga el modelo PaddlePaddle exportado
model = YOLO("./yolo26n_paddle_model")

# Valida la precisión con el conjunto de datos COCO8
metrics = model.val(data="coco8.yaml")

Argumentos de exportación#

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

Implementar modelos YOLO26 PaddlePaddle exportados#

Después de exportar correctamente tus modelos Ultralytics YOLO26 al formato PaddlePaddle, ya puedes implementarlos. El primer paso recomendado para ejecutar un modelo PaddlePaddle es usar el método YOLO("yolo26n_paddle_model/"), como se indica en el fragmento de código de uso anterior.

Sin embargo, si necesitas instrucciones detalladas para implementar tus modelos PaddlePaddle en otros entornos, consulta los siguientes recursos:

• Paddle Serving: aprende a implementar tus modelos PaddlePaddle como servicios de alto rendimiento con Paddle Serving.

• Paddle Lite: descubre cómo optimizar e implementar modelos en dispositivos móviles e integrados con Paddle Lite.

• Paddle.js: descubre cómo ejecutar modelos PaddlePaddle en navegadores web para ofrecer IA en el lado del cliente con Paddle.js.

Resumen#

En esta guía, hemos explicado el proceso para exportar modelos Ultralytics YOLO26 al formato PaddlePaddle. Si sigues estos pasos, podrás aprovechar las ventajas de PaddlePaddle en distintos escenarios de implementación y optimizar tus modelos para diversos entornos de hardware y software.

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

¿Quieres descubrir más formas de integrar tus modelos Ultralytics YOLO26? En nuestra página de guías de integración encontrarás distintas opciones y recursos e información útiles.

Preguntas frecuentes#