Link to this sectionCómo exportar al formato PaddlePaddle desde modelos YOLO26#

Salvar la brecha entre el desarrollo y la implementación de modelos de visión artificial en escenarios del mundo real con condiciones variables puede resultar 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 teléfonos inteligentes hasta servidores en la nube.

La capacidad de exportar al formato de modelo de PaddlePaddle te permite optimizar tus modelos Ultralytics YOLO26 para su uso dentro del framework PaddlePaddle. PaddlePaddle es conocido por facilitar las implementaciones industriales y es una buena elección para implementar aplicaciones de visión artificial en entornos reales a través de varios dominios.

Link to this section¿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 entre 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 negocios de servicios, la gran comunidad de desarrolladores de PaddlePaddle, que supera los 4,77 millones, ayuda a crear e implementar 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.

Link to this sectionCaracterísticas 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:

• Grafo de dinámico a estático: PaddlePaddle admite 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 mejoran 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 computacionales mediante la fusión de 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.

Link to this sectionOpciones 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 implementar 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.

Link to this sectionExportar 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.

Link to this sectionInstalación#

Para instalar el paquete necesario, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulta nuestra Guía de instalación de Ultralytics. Mientras instalas los paquetes requeridos para YOLO26, si encuentras alguna dificultad, consulta nuestra Guía de problemas comunes para obtener soluciones y consejos.

Link to this sectionUso#

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

El formato PaddlePaddle admite los modos Exportar, Predecir y Validar. Exporta tu modelo, luego 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")

Link to this sectionArgumentos de exportación#

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

Link to this sectionImplementación 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 cómo implementar tus modelos PaddlePaddle como servicios de alto rendimiento utilizando Paddle Serving.

• Paddle Lite: Explora cómo optimizar e implementar 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.

Link to this sectionResumen#

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 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 valiosos recursos e ideas.

Link to this sectionFAQ#

Link to this section¿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 a 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 solución de problemas, consulta la Guía de instalación de Ultralytics y la Guía de problemas comunes.

Link to this section¿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 en la ejecución eficiente de modelos y el uso reducido 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 consciente de la cuantización, permitiendo representaciones de datos de menor precisión para un rendimiento mejorado.

Puedes lograr resultados mejorados exportando tus modelos Ultralytics YOLO26 a PaddlePaddle, asegurando flexibilidad y alto rendimiento en diversas aplicaciones y plataformas de hardware. Explora las características y capacidades clave de PaddlePaddle en la documentación oficial de PaddlePaddle.

Link to this section¿Por qué debería elegir PaddlePaddle para implementar mis modelos YOLO26?#

PaddlePaddle, desarrollado por Baidu, está optimizado para implementaciones 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 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 YOLO26 en entornos de producción.

Link to this section¿Cómo mejora PaddlePaddle el rendimiento del modelo frente 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 usando datos de menor precisión mientras mantiene la precisión.

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

Link to this section¿Qué opciones de implementación ofrece PaddlePaddle para modelos YOLO26?#

PaddlePaddle ofrece opciones de implementación flexibles:

• Paddle Serving: Implementa modelos como APIs RESTful, ideal para producción con características como versionado de modelos y pruebas A/B en línea.
• Paddle Inference API: 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 implementar modelos directamente dentro de navegadores web.

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