Cómo exportar modelos de YOLO11 al formato PaddlePaddle

Salvar la distancia entre el desarrollo y la implantación de modelos de visión por ordenador en escenarios reales con condiciones variables puede resultar difícil. PaddlePaddle facilita este proceso gracias a su enfoque en la flexibilidad, el rendimiento y su capacidad para el procesamiento paralelo en entornos distribuidos. Esto significa que puede utilizar sus modelos de visión por ordenador de YOLO11 en una amplia variedad de dispositivos y plataformas, desde teléfonos inteligentes hasta servidores basados en la nube.

Observa: Cómo exportar modelos de Ultralytics YOLO11 al formato PaddlePaddle | Características principales del formato PaddlePaddle

La posibilidad de exportar al formato de modelo PaddlePaddle permite optimizar los modelos para su uso en el marco . Ultralytics YOLO11 modelos para su uso en el marco PaddlePaddle . PaddlePaddle es conocido por facilitar los despliegues industriales y es una buena opción para desplegar aplicaciones de visión por ordenador en entornos del mundo real a través de diversos dominios.

¿Por qué exportar a PaddlePaddle?

Desarrollado por Baidu, PaddlePaddle(PArallel Distributed Deep LEarning) es la primera plataforma de aprendizaje profundo de código abierto de China. A diferencia de otros marcos construidos principalmente para la investigación, PaddlePaddle prioriza la facilidad de uso y la integración sin problemas en todos los sectores.

Ofrece herramientas y recursos similares a frameworks populares como TensorFlow y PyTorchpor lo que es accesible para desarrolladores de todos los niveles de experiencia. Desde granjas y fábricas hasta empresas de servicios, la gran comunidad de desarrolladores de PaddlePaddle, con más de 4,77 millones de usuarios, ayuda a crear y desplegar aplicaciones de IA.

Al exportar sus modelos Ultralytics YOLO11 al formato PaddlePaddle , puede aprovechar los puntos fuertes de PaddlePaddle en la optimización del rendimiento. PaddlePaddle da prioridad a la ejecución eficiente de los modelos y a la reducción del uso de memoria. Como resultado, sus modelos YOLO11 pueden alcanzar potencialmente un rendimiento aún mayor, ofreciendo resultados de primera clase en escenarios prácticos.

Características principales de los modelos PaddlePaddle

PaddlePaddle ofrecen una serie de características clave que contribuyen a su flexibilidad, rendimiento y escalabilidad en diversos escenarios de implantación:

• Gráfico dinámico a estático: PaddlePaddle admite la compilación dinámica a estática, en la que los modelos pueden traducirse a un gráfico computacional estático. De este modo, se consiguen optimizaciones que reducen la sobrecarga en tiempo de ejecución y mejoran el rendimiento de la inferencia.

• Fusión de operadores: PaddlePaddle, como TensorRTutiliza la fusión de operadores para agilizar el cálculo y reducir la sobrecarga. El marco minimiza las transferencias de memoria y los pasos computacionales mediante la fusión de operaciones compatibles, lo que resulta en una inferencia más rápida.

• Cuantificación: PaddlePaddle admite técnicas de cuantificación, como la cuantificación posterior al entrenamiento y el entrenamiento con cuantificación. Estas técnicas permiten utilizar representaciones de datos de menor precisión, lo que aumenta el rendimiento y reduce el tamaño del modelo.

Opciones de implantación en PaddlePaddle

Antes de sumergirnos en el código para exportar modelos de YOLO11 a PaddlePaddle, echemos un vistazo a los diferentes escenarios de despliegue en los que destacan los modelos de PaddlePaddle .

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

• Paddle Serving: Este marco 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 versionado de modelos, pruebas A/B en línea y escalabilidad para gestionar grandes volúmenes de solicitudes.

• API de Inferencia de Pádel: La API de Inferencia Paddle le proporciona un control de bajo nivel sobre la ejecución del modelo. Esta opción es idónea para situaciones en las que es necesario integrar el modelo en una aplicación personalizada u optimizar el rendimiento para un hardware específico.

• Pádel Lite: Paddle Lite está diseñado para su despliegue en dispositivos móviles e integrados en los que los recursos son limitados. Optimiza los modelos para reducir su tamaño y acelerar la inferencia en CPU ARM, GPU y otro hardware especializado.

• Paddle.js: Paddle.js permite desplegar modelos PaddlePaddle directamente en los navegadores web. Paddle.js puede cargar un modelo pre-entrenado o transformar un modelo desde paddle-hub con herramientas de transformación de modelos proporcionadas por Paddle.js. Puede ejecutarse en navegadores que soporten WebGL/WebGPU/WebAssembly.

Exportar a PaddlePaddle: Conversión de su modelo YOLO11

La conversión de los modelos YOLO11 al formato PaddlePaddle puede mejorar la flexibilidad de ejecución y optimizar el rendimiento en diversos escenarios de implantación.

Instalación

Para instalar el paquete necesario, ejecute

# Install the required package for YOLO11
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónUltralytics . Mientras instala los paquetes necesarios para YOLO11, si encuentra alguna dificultad, consulte nuestra guía de problemas comunes para obtener soluciones y consejos.

Utilización

Antes de entrar en las instrucciones de uso, es importante tener en cuenta que, aunque todos los modelos deUltralytics YOLO11 están disponibles para la exportación, aquí puede asegurarse de que el modelo que seleccione admite la función de exportación.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Argumentos de exportación

Para más detalles sobre el proceso de exportación, visite la página de documentaciónUltralytics sobre exportación.

Despliegue de modelos exportados de YOLO11 PaddlePaddle

Después de exportar con éxito sus modelos Ultralytics YOLO11 al formato PaddlePaddle , ya puede desplegarlos. El primer paso principal y recomendado para ejecutar un modelo PaddlePaddle es utilizar el método YOLO("yolo11n_paddle_model/"), como se indica en el fragmento de código de uso anterior.

No obstante, para obtener instrucciones detalladas sobre la implantación de los modelos PaddlePaddle en otros entornos, consulte los siguientes recursos:

• Paddle Serving: Aprenda a desplegar sus modelos PaddlePaddle como servicios performantes utilizando Paddle Serving.

• Pádel Lite: Descubra cómo optimizar y desplegar modelos en dispositivos móviles e integrados con Paddle Lite.

• Paddle.js: Descubra 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 YOLO11 al formato PaddlePaddle . Siguiendo estos pasos, puede aprovechar los puntos fuertes de PaddlePaddle en diversos escenarios de despliegue, optimizando sus modelos para diferentes entornos de hardware y software.

Para más detalles sobre su uso, visite la documentación oficialPaddlePaddle

¿Desea explorar más formas de integrar sus modelos Ultralytics YOLO11 ? Nuestra guía de integración explora varias opciones y le proporciona valiosos recursos y conocimientos.

PREGUNTAS FRECUENTES

¿Cómo se exportan los modelos Ultralytics YOLO11 al formato PaddlePaddle ?

Exportar los modelos Ultralytics YOLO11 al formato PaddlePaddle es muy sencillo. Puede utilizar la función export de la clase YOLO para realizar esta exportación. He aquí un ejemplo utilizando Python:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Para una configuración y resolución de problemas más detalladas, consulte la Guía de instalación y la Guía de problemas comunes de Ultralytics .

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

PaddlePaddle ofrece varias ventajas clave para la implantación de modelos:

• Optimización del rendimiento: PaddlePaddle destaca por la eficiencia en la ejecución de modelos y la reducción del uso de memoria.
• Compilación de gráficos dinámica a estática: Admite la compilación dinámica a estática, lo que permite optimizaciones en tiempo de ejecución.
• Fusión de operadores: Al fusionar operaciones compatibles, reduce la sobrecarga computacional.
• Técnicas de cuantificación: Admite tanto el postentrenamiento como el entrenamiento consciente de la cuantización, lo que permite representaciones de datos de menor precisión para mejorar el rendimiento.

Puede obtener mejores resultados exportando sus modelos Ultralytics YOLO11 a PaddlePaddle, lo que garantiza flexibilidad y alto rendimiento en diversas aplicaciones y plataformas de hardware. Obtenga más información sobre las funciones de PaddlePaddleaquí.

¿Por qué debería elegir PaddlePaddle para desplegar mis modelos YOLO11 ?

PaddlePaddledesarrollado por Baidu, está optimizado para implantaciones industriales y comerciales de IA. Su gran comunidad de desarrolladores y su sólido marco de trabajo proporcionan amplias herramientas similares a TensorFlow y PyTorch. Al exportar sus modelos YOLO11 a PaddlePaddle, usted aprovecha:

• Rendimiento mejorado: Velocidad de ejecución óptima y huella de memoria reducida.
• Flexibilidad: Amplia compatibilidad con diversos dispositivos, desde smartphones hasta servidores en la nube.
• Escalabilidad: Capacidades eficientes de procesamiento paralelo para entornos distribuidos.

Estas características hacen de PaddlePaddle una opción convincente para implantar modelos YOLO11 en entornos de producción.

¿Cómo mejora PaddlePaddle el rendimiento de los modelos con respecto a otros marcos?

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

• Gráfico 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, manteniendo la exactitud.

Estas técnicas dan prioridad a una ejecución eficiente del modelo, lo que convierte a PaddlePaddle en una excelente opción para desplegar modelos YOLO11 de alto rendimiento. Para más información sobre la optimización, consulte la documentación oficial dePaddlePaddle .

¿Qué opciones de despliegue ofrece PaddlePaddle para los modelos YOLO11 ?

PaddlePaddle ofrece opciones de implantación flexibles:

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

Estas opciones cubren una amplia gama de escenarios de implantación, desde la inferencia en el dispositivo hasta los servicios en la nube escalables. Explore más estrategias de despliegue en la página Opciones de despliegue del modeloUltralytics .

Creado hace 1 año ✏️ Actualizado hace 4 días

Comentarios