Comment exporter des modèles YOLO26 au format PaddlePaddle#
Combler l'écart entre le développement et le déploiement de modèles de vision par ordinateur dans des scénarios réels soumis à des conditions variables peut être difficile. PaddlePaddle simplifie ce processus grâce à l'importance accordée à la flexibilité, aux performances et au traitement parallèle dans les environnements distribués. Tu peux ainsi utiliser tes modèles de vision par ordinateur YOLO26 sur un large éventail d'appareils et de plateformes, des smartphones aux serveurs cloud.
Watch: How to Export Ultralytics YOLO26 Models to PaddlePaddle Format | Key Features of PaddlePaddle Format
La possibilité d'exporter au format de modèle PaddlePaddle te permet d'optimiser tes modèles Ultralytics YOLO26 pour les utiliser dans le framework PaddlePaddle. PaddlePaddle est connu pour faciliter les déploiements industriels et constitue un bon choix pour déployer des applications de vision par ordinateur dans des contextes réels et dans divers domaines.
Pourquoi exporter vers PaddlePaddle ?#
Développé par Baidu, PaddlePaddle (PArallèle Distribué Deep LEarning) est la première plateforme open source de deep learning de Chine. Contrairement à certains frameworks conçus principalement pour la recherche, PaddlePaddle donne la priorité à la facilité d'utilisation et à une intégration fluide dans tous les secteurs.
Il propose des outils et des ressources similaires à ceux de frameworks populaires comme TensorFlow et PyTorch, ce qui le rend accessible aux développeurs de tous niveaux d'expérience. De l'agriculture aux usines, en passant par les entreprises de services, sa vaste communauté de plus de 4,77 millions de développeurs contribue à créer et déployer des applications d'IA.
En exportant tes modèles Ultralytics YOLO26 au format PaddlePaddle, tu peux tirer parti des atouts de PaddlePaddle en matière d'optimisation des performances. PaddlePaddle privilégie une exécution efficace des modèles et une utilisation réduite de la mémoire. Ainsi, tes modèles YOLO26 peuvent potentiellement offrir de meilleures performances encore et produire des résultats de premier ordre dans des scénarios pratiques.
Fonctionnalités clés des modèles PaddlePaddle#
Les modèles PaddlePaddle offrent plusieurs fonctionnalités clés qui contribuent à leur flexibilité, leurs performances et leur évolutivité dans divers scénarios de déploiement :
-
Graphe dynamique vers statique : PaddlePaddle prend en charge la compilation de graphes dynamiques en graphes statiques, grâce à laquelle les modèles peuvent être convertis en graphe de calcul statique. Cela permet des optimisations qui réduisent la surcharge à l'exécution et améliorent les performances d'inférence.
-
Fusion d'opérateurs : PaddlePaddle, comme TensorRT, utilise la fusion d'opérateurs pour rationaliser les calculs et réduire la surcharge. Le framework minimise les transferts de mémoire et les étapes de calcul en fusionnant les opérations compatibles, ce qui accélère l'inférence.
-
Quantification : PaddlePaddle prend en charge les techniques de quantification, notamment la quantification après entraînement et l'entraînement prenant en compte la quantification. Ces techniques permettent d'utiliser des représentations de données de moindre précision, ce qui améliore les performances et réduit la taille des modèles.
Options de déploiement dans PaddlePaddle#
Avant d'aborder le code d'exportation des modèles YOLO26 vers PaddlePaddle, examinons les différents scénarios de déploiement dans lesquels les modèles PaddlePaddle excellent.
PaddlePaddle propose plusieurs options, chacune offrant un équilibre différent entre facilité d'utilisation, flexibilité et performances :
-
Paddle Serving : ce framework simplifie le déploiement de modèles PaddlePaddle sous forme d'API RESTful hautes performances. Paddle Serving est idéal pour les environnements de production et propose notamment la gestion des versions de modèles, les tests A/B en ligne et l'évolutivité nécessaire pour traiter de grands volumes de requêtes.
-
Paddle Inference API : la Paddle Inference API te donne un contrôle de bas niveau sur l'exécution des modèles. Cette option convient particulièrement aux scénarios où tu dois intégrer étroitement le modèle à une application personnalisée ou optimiser les performances pour un matériel donné.
-
Paddle Lite : Paddle Lite est conçu pour le déploiement sur des appareils mobiles et embarqués aux ressources limitées. Il optimise les modèles afin de réduire leur taille et d'accélérer l'inférence sur les CPU ARM, les GPU et d'autres matériels spécialisés.
-
Paddle.js : Paddle.js te permet de déployer directement des modèles PaddlePaddle dans les navigateurs web. Paddle.js peut charger un modèle préentraîné ou transformer un modèle provenant de paddle-hub à l'aide des outils de transformation de modèles fournis par Paddle.js. Il peut s'exécuter dans les navigateurs prenant en charge WebGL/WebGPU/WebAssembly.
Tâches prises en charge#
L'exportation PaddlePaddle prend en charge les sept tâches Ultralytics. La segmentation sémantique et l'estimation de profondeur sont disponibles uniquement avec YOLO26, la seule famille à fournir ces têtes.
| Tâche | YOLOv8 | YOLO11 | YOLO26 |
|---|---|---|---|
| Détection | ✅ | ✅ | ✅ |
| Segmentation | ✅ | ✅ | ✅ |
| Sémantique | ❌ | ❌ | ✅ |
| Profondeur | ❌ | ❌ | ✅ |
| Classification | ✅ | ✅ | ✅ |
| Pose | ✅ | ✅ | ✅ |
| OBB | ✅ | ✅ | ✅ |
Exporter vers PaddlePaddle : convertir ton modèle YOLO26#
La conversion des modèles YOLO26 au format PaddlePaddle peut améliorer la flexibilité d'exécution et optimiser les performances pour divers scénarios de déploiement.
Installation#
Pour installer le package requis, exécute :
# Install the required package for YOLO26
pip install ultralyticsPour obtenir des instructions détaillées et les bonnes pratiques relatives au processus d'installation, consulte notre guide d'installation Ultralytics. Si tu rencontres des difficultés lors de l'installation des packages requis pour YOLO26, consulte notre guide des problèmes courants pour trouver des solutions et des conseils.
Utilisation#
Tous les modèles Ultralytics YOLO26 prennent en charge l'exportation. Tu peux consulter la liste complète des formats et options d'exportation pour trouver ceux qui correspondent le mieux à tes besoins de déploiement.
Le format PaddlePaddle prend en charge les modes Export, Predict et Validate. Exporte ton modèle, puis charge le modèle exporté pour exécuter l'inférence ou valider sa précision.
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")Arguments d'exportation#
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
format | str | 'paddle' | Format cible du modèle exporté, définissant sa compatibilité avec différents environnements de déploiement. |
imgsz | int ou tuple | 640 | Taille d’image souhaitée pour l’entrée du modèle. Peut être un entier pour les images carrées ou un tuple (height, width) pour des dimensions spécifiques. |
quantize | int ou str | None | Exportation FP32 fixe. L'exportation PaddlePaddle ne prend pas en charge la conversion de précision FP16, INT8 ou W8A16 au moment de l'exportation. |
batch | int | 1 | Indique la taille du lot d'inférence du modèle exporté ou le nombre maximal d'images que le modèle exporté traitera simultanément en mode predict. |
device | str | None | Indique l'appareil utilisé pour l'exportation : CPU (device=cpu), MPS pour le silicium Apple (device=mps). |
Pour plus de détails sur le processus d’exportation, consulte la page de la documentation Ultralytics consacrée à l’exportation.
Déployer les modèles YOLO26 PaddlePaddle exportés#
Après avoir exporté tes modèles Ultralytics YOLO26 au format PaddlePaddle, tu peux maintenant les déployer. La première étape principale et recommandée pour exécuter un modèle PaddlePaddle consiste à utiliser la méthode YOLO("yolo26n_paddle_model/") , comme indiqué dans l'extrait de code d'utilisation précédent.
Cependant, pour obtenir des instructions détaillées sur le déploiement de tes modèles PaddlePaddle dans divers autres contextes, consulte les ressources suivantes :
-
Paddle Serving : découvre comment déployer tes modèles PaddlePaddle sous forme de services performants avec Paddle Serving.
-
Paddle Lite : découvre comment optimiser et déployer des modèles sur des appareils mobiles et embarqués avec Paddle Lite.
-
Paddle.js : découvre comment exécuter des modèles PaddlePaddle dans des navigateurs web pour l'IA côté client avec Paddle.js.
Résumé#
Dans ce guide, nous avons étudié le processus d'exportation des modèles Ultralytics YOLO26 au format PaddlePaddle. En suivant ces étapes, tu peux tirer parti des atouts de PaddlePaddle dans divers scénarios de déploiement et optimiser tes modèles pour différents environnements matériels et logiciels.
Pour plus de détails sur l'utilisation, consulte la documentation officielle de PaddlePaddle.
Tu veux découvrir d'autres façons d'intégrer tes modèles Ultralytics YOLO26 ? Notre page du guide des intégrations présente différentes options et te fournit des ressources et des informations utiles.
FAQ#
PaddlePaddle offre plusieurs avantages clés pour le déploiement de modèles :
- Optimisation des performances : PaddlePaddle excelle par son exécution efficace des modèles et sa faible utilisation de la mémoire.
- Compilation de graphes dynamiques en graphes statiques : il prend en charge la compilation de graphes dynamiques en graphes statiques, ce qui permet des optimisations à l'exécution.
- Fusion d'opérateurs : en fusionnant les opérations compatibles, il réduit la surcharge de calcul.
- Techniques de quantification : prend en charge l'entraînement après quantification et l'entraînement prenant en compte la quantification, ce qui permet d'utiliser des représentations de données de moindre précision pour améliorer les performances.
Tu peux obtenir de meilleurs résultats en exportant tes modèles Ultralytics YOLO26 vers PaddlePaddle, tout en garantissant flexibilité et hautes performances dans diverses applications et sur différentes plateformes matérielles. Découvre les principales fonctionnalités et capacités de PaddlePaddle dans la documentation officielle de PaddlePaddle.
Développé par Baidu, PaddlePaddle est optimisé pour les déploiements d'IA industriels et commerciaux. Sa vaste communauté de développeurs et son framework robuste fournissent de nombreux outils similaires à ceux de TensorFlow et PyTorch. En exportant tes modèles YOLO26 vers PaddlePaddle, tu bénéficies de :
- Performances améliorées : vitesse d'exécution optimale et empreinte mémoire réduite.
- Flexibilité : large compatibilité avec divers appareils, des smartphones aux serveurs cloud.
- Évolutivité : capacités efficaces de traitement parallèle pour les environnements distribués.
Ces fonctionnalités font de PaddlePaddle un choix convaincant pour déployer des modèles YOLO26 dans des environnements de production.
PaddlePaddle utilise plusieurs techniques avancées pour optimiser les performances des modèles :
- Graphe dynamique vers statique : convertit les modèles en graphe de calcul statique pour permettre des optimisations à l'exécution.
- Fusion d'opérateurs : combine les opérations compatibles afin de minimiser les transferts de mémoire et d'accélérer l'inférence.
- Quantification : réduit la taille des modèles et améliore leur efficacité grâce à des données de moindre précision, tout en maintenant la précision.
Ces techniques privilégient une exécution efficace des modèles, ce qui fait de PaddlePaddle une excellente option pour déployer des modèles YOLO26 hautes performances. Pour en savoir plus sur l'optimisation, consulte la documentation officielle de PaddlePaddle.
PaddlePaddle propose des options de déploiement flexibles :
- Paddle Serving : déploie les modèles sous forme d'API RESTful, ce qui est idéal pour la production grâce à des fonctionnalités comme la gestion des versions de modèles et les tests A/B en ligne.
- Paddle Inference API : offre un contrôle de bas niveau sur l'exécution des modèles pour les applications personnalisées.
- Paddle Lite : optimise les modèles pour les ressources limitées des appareils mobiles et embarqués.
- Paddle.js : permet de déployer directement les modèles dans les navigateurs web.
Ces options couvrent un large éventail de scénarios de déploiement, de l'inférence sur l'appareil aux services cloud évolutifs. Découvre d'autres stratégies de déploiement sur la page des options de déploiement des modèles Ultralytics.
L'exportation des modèles Ultralytics YOLO26 au format PaddlePaddle est simple. Tu peux utiliser la méthode
exportde la classe YOLO pour effectuer la conversion. Voici un exemple avec Python :Pour obtenir des instructions plus détaillées sur la configuration et le dépannage, consulte le Guide d'installation Ultralytics et le Guide des problèmes courants.