Cómo exportar modelos YOLO26 al formato PaddlePaddle#

Cerrar la brecha entre desarrollar y desplegar modelos de visión por ordenador en situaciones reales con condiciones variables puede resultar difícil. PaddlePaddle facilita este proceso gracias a su enfoque en la flexibilidad, el rendimiento y su capacidad de procesamiento paralelo en entornos distribuidos. Esto significa que puedes utilizar tus modelos de visión por ordenador YOLO26 en una amplia variedad de dispositivos y plataformas, desde smartphones hasta servidores basados en la nube.

La posibilidad de exportar al formato de modelo PaddlePaddle te permite optimizar tus modelos Ultralytics YOLO26 para utilizarlos en el entorno de PaddlePaddle. PaddlePaddle es conocido por facilitar los despliegues industriales y es una buena opción para desplegar aplicaciones de visión por ordenador en situaciones reales y en diversos ámbitos.

¿Por qué deberías exportar a PaddlePaddle?#

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

Ofrece herramientas y recursos similares a los de entornos 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, su amplia comunidad de desarrolladores, formada por más de 4,77 millones de personas, está ayudando a crear y desplegar 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 modelos y un menor 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 una serie de características clave que contribuyen a su flexibilidad, rendimiento y escalabilidad en diversos escenarios de despliegue:

• Grafo dinámico a estático: PaddlePaddle admite la compilación de dinámico a estático, mediante la cual los modelos se pueden convertir en un grafo computacional estático. Esto permite aplicar optimizaciones que reducen la sobrecarga en tiempo de ejecución y mejoran el rendimiento de la inferencia.

• Fusión de operadores: PaddlePaddle, al igual que TensorRT, utiliza la fusión de operadores para agilizar los cálculos y reducir la sobrecarga. El entorno minimiza las transferencias de memoria y los pasos computacionales al combinar operaciones compatibles, lo que da lugar a una inferencia más rápida.

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

Opciones de despliegue en PaddlePaddle#

Antes de entrar en el código para exportar modelos YOLO26 a PaddlePaddle, echemos un vistazo a los distintos escenarios de despliegue 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 entorno simplifica el despliegue de modelos PaddlePaddle como API RESTful de alto rendimiento. Paddle Serving es ideal para entornos de producción, ya que ofrece funciones como el control de versiones de modelos, las pruebas A/B en línea y la escalabilidad para gestionar grandes volúmenes de solicitudes.

• Paddle Inference API: La API Paddle Inference te proporciona un 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 específico.

• Paddle Lite: Paddle Lite está diseñado para el despliegue en dispositivos móviles e integrados con recursos limitados. Optimiza los modelos para obtener tamaños más pequeños y una inferencia más rápida en CPU ARM, GPU 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 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.

Exportación 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 despliegue.

Instalación#

Para instalar el paquete necesario, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para consultar instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, revisa nuestra guía de instalación de Ultralytics. Si encuentras dificultades 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 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 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

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

Despliegue de modelos YOLO26 de PaddlePaddle exportados#

Después de exportar correctamente 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 indica en el fragmento de código de uso anterior.

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

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

• Paddle Lite: Descubre cómo optimizar y desplegar modelos en dispositivos móviles e integrados mediante Paddle Lite.

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

Resumen#

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

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

¿Quieres explorar más formas de integrar tus modelos Ultralytics YOLO26? Nuestra página de la guía de integraciones presenta diversas opciones y te proporciona recursos e información útiles.

Preguntas frecuentes#