Comment exporter vers le format PaddlePaddle depuis des modèles YOLO26

Combler le fossé entre le développement et le déploiement de modèles de computer vision dans des scénarios réels aux conditions variables peut être difficile. PaddlePaddle facilite ce processus grâce à l'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 les utiliser 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 contextes réels à travers divers domaines.

Pourquoi 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 privilégie la facilité d'utilisation et une intégration fluide à travers les industries.

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

En exportant tes modèles Ultralytics YOLO26 vers le format PaddlePaddle, tu peux exploiter les atouts de PaddlePaddle en matière d'optimisation des performances. PaddlePaddle privilégie une exécution efficace des modèles et une utilisation réduite de la mémoire. En conséquence, tes modèles YOLO26 peuvent potentiellement atteindre de meilleures performances, offrant des résultats de premier ordre dans des scénarios pratiques.

Fonctionnalités 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 computationnel statique. Cela permet des optimisations qui réduisent la surcharge d'exécution et augmentent 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 des opérations compatibles, ce qui se traduit par une inférence plus rapide.

• Quantification : PaddlePaddle prend en charge les techniques de quantification, y compris la quantification post-entraînement et l'entraînement conscient de la quantification. Ces techniques permettent l'utilisation de représentations de données de plus faible précision, augmentant efficacement les performances et réduisant la taille du modèle.

Options de déploiement dans PaddlePaddle

Avant de plonger dans le code pour exporter tes modèles YOLO26 vers PaddlePaddle, jetons un œil aux 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 performances :

• Paddle Serving : Ce framework simplifie le déploiement des modèles PaddlePaddle en tant qu'API RESTful haute performance. Paddle Serving est idéal pour les environnements de production, offrant des fonctionnalités telles que le versioning de modèles, les tests A/B en ligne et l'évolutivité pour gérer de grands volumes de requêtes.

• Paddle Inference API : 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 as besoin d'intégrer étroitement le modèle au sein d'une application personnalisée ou d'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 plus petites et une inférence plus rapide sur les CPU ARM, les GPU et d'autres matériels spécialisés.

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

Exporter vers PaddlePaddle : convertir ton modèle YOLO26

La conversion de modèles YOLO26 vers le 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 ultralytics

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

Utilisation

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.

from ultralytics import YOLO

# Load the 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")

Arguments d'exportation

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

Déployer des modèles YOLO26 PaddlePaddle exportés

Après avoir exporté avec succès 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 décrit dans l'extrait de code d'utilisation précédent.

Cependant, pour des instructions approfondies sur le déploiement de tes modèles PaddlePaddle dans divers autres paramètres, jette un œil aux 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.

Résumé

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 atouts 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 plus de moyens d'intégrer tes modèles Ultralytics YOLO26 ? Notre page de guide d'intégration explore diverses options, t'équipant de ressources et d'idées précieuses.

FAQ

Comment puis-je exporter des modèles Ultralytics YOLO26 vers le format PaddlePaddle ?

L'exportation de modèles Ultralytics YOLO26 vers le 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 the 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 plus détaillée et le dépannage, consulte le Guide d'installation d'Ultralytics et le Guide des problèmes courants.

Quels sont les avantages d'utiliser 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 des opérations compatibles, il réduit la surcharge de calcul.
• Techniques de quantification : Prend en charge à la fois l'entraînement conscient de la quantification et post-entraînement, permettant des représentations de données à plus faible precision pour des performances améliorées.

Tu peux obtenir de meilleurs résultats en exportant tes modèles Ultralytics YOLO26 vers PaddlePaddle, garantissant flexibilité et haute performance à travers diverses applications et plateformes matérielles. Explore les fonctionnalités et capacités clés de PaddlePaddle dans la documentation officielle de PaddlePaddle.

Pourquoi 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 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 de traitement parallèle efficaces pour les environnements distribués.

Ces fonctionnalités font de PaddlePaddle un choix convaincant pour déployer des modèles YOLO26 dans des environnements de production.

Comment PaddlePaddle améliore-t-il les performances des modèles par rapport à d'autres frameworks ?

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

• Graphe dynamique vers statique : Convertit les modèles en un graphe computationnel statique pour des optimisations à l'exécution.
• Fusion d'opérateurs : Combine des 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 plus faible précision tout en maintenant l'accuracy.

Ces techniques privilégient 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.

Quelles 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 versioning de modèles et les tests A/B en ligne.
• Paddle Inference API : Donne un contrôle de bas niveau sur l'exécution du modèle pour les applications personnalisées.
• Paddle Lite : Optimise les modèles pour les ressources limitées des appareils mobiles et embarqués.
• Paddle.js : Permet de déployer les 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 plus de stratégies de déploiement sur la page Options de déploiement de modèles Ultralytics.