Cómo exportar a formato PaddlePaddle desde modelos YOLOv8

Salvar la distancia entre el desarrollo y el despliegue de modelos de visión por ordenador en escenarios del mundo real con condiciones variables puede ser difícil. PaddlePaddle facilita este proceso con su enfoque en la flexibilidad, el rendimiento y su capacidad para el procesamiento paralelo en entornos distribuidos. Esto significa que puedes utilizar tus modelos de visión por ordenador YOLOv8 en una amplia variedad de dispositivos y plataformas, desde teléfonos inteligentes a servidores basados en la nube.

La posibilidad de exportar al formato de modelo PaddlePaddle te permite optimizar tus modelos para utilizarlos en el marco . Ultralytics YOLOv8 modelos para su uso en el marco PaddlePaddle . PaddlePaddle es conocido por facilitar las implantaciones industriales y es una buena opción para implantar aplicaciones de visión por ordenador en entornos del mundo real en diversos dominios.

¿Por qué debes 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 algunos 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 marcos populares como TensorFlow y PyTorch, haciéndolo 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, está ayudando a crear y desplegar aplicaciones de IA.

Al exportar su archivo Ultralytics YOLOv8 modelos para PaddlePaddle formato, puedes acceder a PaddlePaddleen la optimización del rendimiento. PaddlePaddle Prioriza la ejecución eficiente del modelo y reduce el uso de memoria. Como resultado, su YOLOv8 Los modelos pueden alcanzar un rendimiento aún mejor, ofreciendo resultados de primer nivel 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. Esto permite optimizaciones que reducen la sobrecarga en tiempo de ejecución y aumentan 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 marco minimiza las transferencias de memoria y los pasos computacionales fusionando 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 aumenta eficazmente el rendimiento y reduce el tamaño del modelo.

Opciones de despliegue en PaddlePaddle

Antes de sumergirnos en el código para exportar modelos de YOLOv8 a PaddlePaddle, echemos un vistazo a los distintos escenarios de despliegue en los que destacan los modelos de PaddlePaddle .

PaddlePaddle proporciona una gama de opciones, cada una de las cuales ofrece un equilibrio distinto entre facilidad de uso, flexibilidad y rendimiento:

• Paddle Serving: Este marco simplifica el despliegue de los 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 te proporciona un control de bajo nivel sobre la ejecución del modelo. Esta opción es adecuada para situaciones en las que necesitas integrar el modelo estrechamente 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 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 los 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.

Exportar a PaddlePaddle: Convertir tu modelo YOLOv8

Convertir los modelos de YOLOv8 al formato PaddlePaddle puede mejorar la flexibilidad de ejecución y optimizar el rendimiento para diversos escenarios de implantación.

Instalación

Para instalar el paquete necesario, ejecuta

# Install the required package for YOLOv8
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónUltralytics . Mientras instalas los paquetes necesarios para YOLOv8, si encuentras alguna dificultad, consulta nuestra guía de Problemas comunes para encontrar soluciones y consejos.

Utilización

Antes de sumergirte en las instrucciones de uso, es importante tener en cuenta que, aunque todos los modelos deUltralytics YOLOv8 están disponibles para exportar, aquí puedes asegurarte de que el modelo que seleccionas admite la función de exportación.

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolov8n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolov8n_paddle_model")

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

# Export a YOLOv8n PyTorch model to PaddlePaddle format
yolo export model=yolov8n.pt format=paddle  # creates '/yolov8n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolov8n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Para más detalles sobre las opciones de exportación admitidas, visita la página de documentaciónUltralytics sobre opciones de despliegue.

Despliegue de modelos exportados de YOLOv8 PaddlePaddle

Después de exportar con éxito tus modelos Ultralytics YOLOv8 al formato PaddlePaddle , ya puedes desplegarlos. El primer paso principal y recomendado para ejecutar un modelo PaddlePaddle es utilizar el método YOLO("./model_paddle_model"), como se indica en el fragmento de código de uso anterior.

Sin embargo, para obtener instrucciones detalladas sobre la implantación de tus modelos PaddlePaddle en otros entornos, consulta los siguientes recursos:

• Pádel Serving: Aprende a desplegar tus modelos PaddlePaddle como servicios performantes utilizando Paddle Serving.

• Pádel Lite: Explora cómo optimizar y desplegar modelos en dispositivos móviles e integrados 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 YOLOv8 al formato PaddlePaddle . Siguiendo estos pasos, puedes aprovechar los puntos fuertes de PaddlePaddle en diversos escenarios de despliegue, optimizando tus modelos para diferentes entornos de hardware y software.

Para más detalles sobre su uso, visita la documentación oficialPaddlePaddle

¿Quieres explorar más formas de integrar tus modelos Ultralytics YOLOv8 ? Nuestra página de la guía de integración explora varias opciones, proporcionándote valiosos recursos y conocimientos.

PREGUNTAS FRECUENTES

¿Cómo puedo exportar modelos de Ultralytics YOLOv8 al formato PaddlePaddle ?

Exportar los modelos Ultralytics YOLOv8 al formato PaddlePaddle es muy sencillo. Puedes utilizar la función export de la clase YOLO para realizar esta exportación. Aquí tienes un ejemplo utilizando Python:

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolov8n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolov8n_paddle_model")

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

# Export a YOLOv8n PyTorch model to PaddlePaddle format
yolo export model=yolov8n.pt format=paddle  # creates '/yolov8n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolov8n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Para una configuración y resolución de problemas más detalladas, consulta 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 el despliegue de modelos:

• Optimización del rendimiento: PaddlePaddle destaca por la eficacia en la ejecución del modelo 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 carga computacional.
• Técnicas de Cuantización: Admite tanto el post-entrenamiento como el entrenamiento consciente de la cuantización, permitiendo representaciones de datos de menor precisión para mejorar el rendimiento.

Puedes conseguir mejores resultados exportando tus modelos Ultralytics YOLOv8 a PaddlePaddle, lo que garantiza flexibilidad y alto rendimiento en diversas aplicaciones y plataformas de hardware. Obtén más información sobre las funciones de PaddlePaddleaquí.

¿Por qué debería elegir PaddlePaddle para desplegar mis modelos YOLOv8 ?

PaddlePaddledesarrollado por Baidu, está optimizado para implantaciones industriales y comerciales de IA. Su gran comunidad de desarrolladores y su robusto marco proporcionan amplias herramientas similares a TensorFlow y PyTorch. Al exportar tus modelos de YOLOv8 a PaddlePaddle, aprovechas:

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

Estas características hacen de PaddlePaddle una opción convincente para desplegar modelos YOLOv8 en entornos de producción.

¿Cómo mejora PaddlePaddle el rendimiento del modelo 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 las 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 eficacia utilizando datos de menor precisión, manteniendo la exactitud.

Estas técnicas dan prioridad a la ejecución eficiente del modelo, lo que convierte a PaddlePaddle en una opción excelente para desplegar modelos YOLOv8 de alto rendimiento. Para más información sobre la optimización, consulta la documentación oficial de PaddlePaddle .

¿Qué opciones de despliegue ofrece PaddlePaddle para los modelos YOLOv8 ?

PaddlePaddle ofrece opciones de despliegue flexibles:

• Paddle Serving: Despliega modelos como API RESTful, ideal para producción con funciones como versionado de modelos y pruebas A/B en línea.
• API de Inferencia de Paleta: Proporciona 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 despliegue, desde la inferencia en el dispositivo hasta los servicios escalables en la nube. Explora más estrategias de despliegue en la página Opciones de despliegue del modeloUltralytics .

Comentarios