Link to this sectionComment exporter vers le format PaddlePaddle depuis des modèles YOLO26#

Il peut être difficile de combler le fossé entre le développement et le déploiement de modèles de computer vision dans des scénarios réels aux conditions variées. PaddlePaddle facilite ce processus grâce à son accent mis sur la flexibilité, les performances et sa capacité de traitement parallèle dans des environnements distribués. Cela signifie que tu peux utiliser tes modèles de computer vision YOLO26 sur une grande variété d'appareils et de plateformes, des smartphones aux serveurs cloud.

La possibilité d'exporter vers le format de modèle PaddlePaddle te permet d'optimiser tes modèles Ultralytics YOLO26 pour une utilisation au sein du framework PaddlePaddle. PaddlePaddle est reconnu pour faciliter les déploiements industriels et constitue un excellent choix pour déployer des applications de computer vision dans des environnements réels à travers divers domaines.

Link to this sectionPourquoi devrais-tu exporter vers PaddlePaddle ?#

Développé par Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) est la première plateforme open-source de deep learning en Chine. Contrairement à certains frameworks conçus principalement pour la recherche, PaddlePaddle donne la priorité à la facilité d'utilisation et à une intégration fluide entre les secteurs.

Elle propose des outils et des ressources similaires à des frameworks populaires comme TensorFlow et PyTorch, ce qui la rend accessible aux développeurs de tous niveaux. De l'agriculture aux usines, en passant par les entreprises de services, l'importante communauté de plus de 4,77 millions de développeurs PaddlePaddle aide à créer et à déployer des applications d'IA.

En exportant tes modèles Ultralytics YOLO26 vers le format PaddlePaddle, tu peux tirer parti des points forts de PaddlePaddle en matière d'optimisation des performances. PaddlePaddle privilégie une exécution efficace des modèles et une réduction de l'utilisation de la mémoire. Par conséquent, tes modèles YOLO26 peuvent potentiellement atteindre de meilleures performances, offrant des résultats de premier ordre dans des scénarios pratiques.

Link to this sectionFonctionnalités clés des modèles PaddlePaddle#

Les modèles PaddlePaddle offrent une gamme de 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 dynamique-vers-statique, où les modèles peuvent être traduits en un graphe de calcul statique. Cela permet des optimisations qui réduisent la surcharge d'exécution et augmentent les performances d'inférence.

• Fusion d'opérateurs : PaddlePaddle, tout comme TensorRT, utilise la fusion d'opérateurs pour rationaliser le calcul et réduire la surcharge. Le framework minimise les transferts de mémoire et les étapes de calcul en fusionnant les opérations compatibles, ce qui se traduit par une inférence plus rapide.

• Quantification : PaddlePaddle prend en charge les techniques de quantification, notamment la quantification post-entraînement et l'entraînement conscient de la quantification. Ces techniques permettent d'utiliser des représentations de données de moindre précision, augmentant ainsi efficacement les performances et réduisant la taille du modèle.

Link to this sectionOptions de déploiement dans PaddlePaddle#

Avant de te plonger dans le code pour exporter des modèles YOLO26 vers PaddlePaddle, examinons les différents scénarios de déploiement dans lesquels les modèles PaddlePaddle excellent.

PaddlePaddle propose une gamme d'options, chacune offrant un équilibre distinct entre facilité d'utilisation, flexibilité et performance :

• Paddle Serving : Ce framework simplifie le déploiement des modèles PaddlePaddle sous forme d'API RESTful hautes performances. Paddle Serving est idéal pour les environnements de production, offrant des fonctionnalités telles que le versionnage des modèles, les tests A/B en ligne et l'évolutivité pour gérer de grands volumes de requêtes.

• API Paddle Inference : L'API Paddle Inference te donne un contrôle de bas niveau sur l'exécution des modèles. Cette option est bien adaptée aux scénarios où tu dois intégrer étroitement le modèle dans une application personnalisée ou optimiser les performances pour un matériel spécifique.

• Paddle Lite : Paddle Lite est conçu pour le déploiement sur des appareils mobiles et embarqués où les ressources sont limitées. Il optimise les modèles pour des tailles réduites et une inférence plus rapide sur les CPU ARM, les GPU et autres matériels spécialisés.

• Paddle.js : Paddle.js te permet de déployer des modèles PaddlePaddle directement dans les navigateurs web. Paddle.js peut soit charger un modèle pré-entraîné, soit transformer un modèle depuis paddle-hub avec les outils de transformation fournis par Paddle.js. Il peut fonctionner dans les navigateurs prenant en charge WebGL/WebGPU/WebAssembly.

Link to this sectionExporter vers PaddlePaddle : Conversion de 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.

Link to this sectionInstallation#

Pour installer le package requis, exécute :

# Install the required package for YOLO26
pip install ultralytics

Pour des instructions détaillées et les meilleures pratiques liées au processus d'installation, consulte notre guide d'installation Ultralytics. Lors de l'installation des packages requis pour YOLO26, si tu rencontres des difficultés, consulte notre guide des problèmes courants pour des solutions et des conseils.

Link to this sectionUtilisation#

Tous les modèles Ultralytics YOLO26 prennent en charge l'exportation, et tu peux parcourir la liste complète des formats d'exportation et des options pour trouver ce qui correspond 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")

Link to this sectionArguments d'exportation#

Pour plus de détails sur le processus d'exportation, visite la page de documentation Ultralytics sur l'exportation.

Link to this sectionDéploiement des modèles YOLO26 PaddlePaddle exportés#

Après avoir réussi à exporter tes modèles Ultralytics YOLO26 vers le format PaddlePaddle, tu peux maintenant les déployer. La première étape principale et recommandée pour exécuter un modèle PaddlePaddle est d'utiliser la méthode YOLO("yolo26n_paddle_model/"), comme indiqué dans l'extrait de code d'utilisation précédent.

Cependant, pour des instructions détaillées sur le déploiement de tes modèles PaddlePaddle dans divers autres environnements, consulte les ressources suivantes :

• Paddle Serving : Apprends à déployer tes modèles PaddlePaddle en tant que services performants en utilisant Paddle Serving.

• Paddle Lite : Explore comment optimiser et déployer des modèles sur des appareils mobiles et embarqués en utilisant Paddle Lite.

• Paddle.js : Découvre comment exécuter des modèles PaddlePaddle dans les navigateurs web pour l'IA côté client en utilisant Paddle.js.

Link to this sectionRésumé#

Dans ce guide, nous avons exploré le processus d'exportation des modèles Ultralytics YOLO26 vers le format PaddlePaddle. En suivant ces étapes, tu peux tirer parti des points forts de PaddlePaddle dans divers scénarios de déploiement, en optimisant tes modèles pour différents environnements matériels et logiciels.

Pour plus de détails sur l'utilisation, visite la documentation officielle de PaddlePaddle.

Tu souhaites explorer d'autres façons d'intégrer tes modèles Ultralytics YOLO26 ? Notre page de guide d'intégration explore diverses options, t'équipant de ressources et d'informations précieuses.

Link to this sectionFAQ#

Link to this sectionComment exporter des modèles Ultralytics YOLO26 au format PaddlePaddle ?#

L'exportation de modèles Ultralytics YOLO26 au format PaddlePaddle est simple. Tu peux utiliser la méthode export de la classe YOLO pour effectuer la conversion. Voici un exemple en 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")

Pour une configuration et un dépannage plus détaillés, consulte le Guide d'installation d'Ultralytics et le Guide des problèmes courants.

Link to this sectionQuels sont les avantages de l'utilisation de PaddlePaddle pour le model deployment ?#

PaddlePaddle offre plusieurs avantages clés pour le déploiement de modèles :

• Optimisation des performances : PaddlePaddle excelle dans l'exécution efficace des modèles et la réduction de l'utilisation de la mémoire.
• Compilation de graphe dynamique-vers-statique : Il prend en charge la compilation dynamique-vers-statique, permettant 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 à la fois l'entraînement post-entraînement et l'entraînement conscient de la quantification, permettant des représentations de données de moindre précision pour des performances améliorées.

Tu peux obtenir des résultats améliorés en exportant tes modèles Ultralytics YOLO26 vers PaddlePaddle, assurant flexibilité et hautes performances dans diverses applications et plateformes matérielles. Explore les fonctionnalités et capacités clés de PaddlePaddle dans la documentation officielle de PaddlePaddle.

Link to this sectionPourquoi devrais-je choisir PaddlePaddle pour déployer mes modèles YOLO26 ?#

PaddlePaddle, développé par Baidu, est optimisé pour les déploiements d'IA industriels et commerciaux. Sa grande communauté de développeurs et son framework robuste fournissent des outils étendus similaires à TensorFlow et PyTorch. En exportant tes modèles YOLO26 vers PaddlePaddle, tu profites de :

• Performances améliorées : Vitesse d'exécution optimale et empreinte mémoire réduite.
• Flexibilité : Large compatibilité avec divers appareils, des smartphones aux serveurs cloud.
• Évolutivité : Capacités de traitement parallèle efficaces pour les environnements distribués.

Ces fonctionnalités font de PaddlePaddle un choix convaincant pour déployer des modèles YOLO26 en environnement de production.

Link to this sectionComment PaddlePaddle améliore-t-il les performances des modèles par rapport aux autres frameworks ?#

PaddlePaddle utilise plusieurs techniques avancées pour optimiser les performances des modèles :

• Graphe dynamique-vers-statique : Convertit les modèles en un graphe de calcul statique pour des optimisations à l'exécution.
• Fusion d'opérateurs : Combine les opérations compatibles pour minimiser le transfert de mémoire et augmenter la vitesse d'inférence.
• Quantification : Réduit la taille du modèle et augmente l'efficacité en utilisant des données de moindre précision tout en maintenant la précision.

Ces techniques donnent la priorité à une exécution efficace du modèle, faisant de PaddlePaddle une excellente option pour déployer des modèles YOLO26 haute performance. Pour en savoir plus sur l'optimisation, consulte la documentation officielle de PaddlePaddle.

Link to this sectionQuelles options de déploiement PaddlePaddle propose-t-il pour les modèles YOLO26 ?#

PaddlePaddle propose des options de déploiement flexibles :

• Paddle Serving : Déploie les modèles en tant qu'API RESTful, idéal pour la production avec des fonctionnalités comme le versionnage des modèles et les tests A/B en ligne.
• API Paddle Inference : Donne un contrôle de bas niveau sur l'exécution des modèles pour des applications personnalisées.
• Paddle Lite : Optimise les modèles pour les ressources limitées des appareils mobiles et embarqués.
• Paddle.js : Permet de déployer des modèles directement dans les navigateurs web.

Ces options couvrent un large éventail de scénarios de déploiement, de l'inférence sur appareil aux services cloud évolutifs. Explore d'autres stratégies de déploiement sur la page Options de déploiement de modèles Ultralytics.