Comment exporter des modèles YOLO26 au format PaddlePaddle#

Faire le lien entre le développement et le déploiement de modèles de vision par ordinateur dans des conditions variables du monde réel peut être difficile. PaddlePaddle simplifie ce processus en mettant l'accent sur la flexibilité, les performances et le traitement parallèle dans des environnements distribués. Tu peux ainsi utiliser tes modèles de vision par ordinateur YOLO26 sur une grande variété d'appareils et de plateformes, des smartphones aux serveurs cloud.

La possibilité d'exporter au format de modèle PaddlePaddle te permet d'optimiser tes modèles Ultralytics YOLO26 pour les utiliser avec le framework PaddlePaddle. PaddlePaddle est reconnu pour faciliter les déploiements industriels et constitue un bon choix pour déployer des applications de vision par ordinateur dans des contextes réels et divers domaines.

Pourquoi exporter au format PaddlePaddle ?#

Développé par Baidu, PaddlePaddle (PArallèle Distribué 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 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 communauté de plus de 4,77 millions de développeurs contribue à créer et à 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 réduction de l'utilisation de la mémoire. Ainsi, tes modèles YOLO26 peuvent potentiellement offrir de meilleures performances et des résultats de premier ordre dans des situations concrètes.

Principales caractéristiques des modèles PaddlePaddle#

Les modèles PaddlePaddle offrent plusieurs caractéristiques essentielles qui contribuent à leur flexibilité, à leurs performances et à leur évolutivité dans divers scénarios de déploiement :

• Graphe dynamique vers statique : PaddlePaddle prend en charge la compilation de graphes dynamiques en graphes statiques, qui transforme les modèles en graphes de calcul statiques. 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 simplifier les calculs et réduire la surcharge. Le framework minimise les transferts 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 avec prise en compte de 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'examiner le code permettant d'exporter des modèles YOLO26 vers PaddlePaddle, découvrons 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 performantes. Paddle Serving convient parfaitement aux 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.

• API Paddle Inference : L'API Paddle Inference te donne un contrôle de bas niveau sur l'exécution des modèles. Cette option convient aux situations où tu dois intégrer étroitement le modèle à 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 aux ressources limitées. Il optimise les modèles pour réduire leur taille et accélérer l'inférence 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 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 compatibles avec WebGL/WebGPU/WebAssembly.

Tâches prises en charge#

L'exportation PaddlePaddle prend en charge les sept tâches Ultralytics. La segmentation sémantique et l'estimation de la profondeur sont disponibles uniquement avec YOLO26, la seule famille à intégrer ces têtes.

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 ultralytics

Pour obtenir des instructions détaillées et connaître les bonnes pratiques liées à l’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, qui propose des solutions et des conseils.

Utilisation#

Tous les modèles Ultralytics YOLO26 prennent en charge l'exportation, et tu peux parcourir la liste complète des formats et options d'exportation pour trouver la solution la mieux adaptée 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

# Charger un modèle YOLO26
model = YOLO("yolo26n.pt")

# Exporter le modèle au format PaddlePaddle
model.export(format="paddle")  # creates 'yolo26n_paddle_model'

from ultralytics import YOLO

# Charger le modèle PaddlePaddle exporté
model = YOLO("./yolo26n_paddle_model")

# Exécuter l’inférence
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Charger le modèle PaddlePaddle exporté
model = YOLO("./yolo26n_paddle_model")

# Valider la précision sur le jeu de données COCO8
metrics = model.val(data="coco8.yaml")

Arguments d’exportation#

Pour en savoir plus sur le processus d’export, consulte la page de la documentation Ultralytics consacrée à l’export.

Déployer les modèles YOLO26 exportés au format PaddlePaddle#

Après avoir exporté avec succès tes modèles Ultralytics YOLO26 au format PaddlePaddle, tu peux les déployer. Pour exécuter un modèle PaddlePaddle, la première étape principale recommandée consiste à utiliser la méthode YOLO("yolo26n_paddle_model/"), comme indiqué dans l'extrait de code d'utilisation précédent.

Pour obtenir des instructions détaillées sur le déploiement de tes modèles PaddlePaddle dans d'autres environnements, 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 les navigateurs web pour l'IA côté client avec Paddle.js.

Résumé#

Dans ce guide, nous avons vu comment exporter 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 d'intégration présente diverses options et te fournit des ressources et des informations utiles.

FAQ#