Link to this sectionComment 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 variées peut être difficile. PaddlePaddle facilite ce processus en se concentrant sur la flexibilité, la performance 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 capacité 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 connu pour faciliter les déploiements industriels et constitue un bon choix pour déployer des applications de computer vision dans des contextes 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 privilégie la facilité d'utilisation et une intégration fluide dans 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 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 forces de PaddlePaddle en matière d'optimisation des performances. PaddlePaddle privilégie une exécution efficace des modèles et une réduction de l'utilisation mémoire. En conséquence, 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, leur performance et leur scalabilité 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 à l'exécution et boostent 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 mémoire et les étapes de calcul en fusionnant les opérations compatibles, ce qui permet 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 d'utiliser des représentations de données en précision réduite, boostant efficacement les performances et réduisant la taille du modèle.

Link to this sectionOptions 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 fournit une gamme d'options, chacune offrant un équilibre distinct entre facilité d'utilisation, flexibilité et performance :

• Paddle Serving : Ce framework simplifie le déploiement de modèles PaddlePaddle en tant qu'API RESTful haute performance. Paddle Serving est idéal pour les environnements de production, fournissant des fonctionnalités comme le versionnage de modèles, les tests A/B en ligne et la scalabilité pour gérer de grands volumes de requêtes.

• Paddle Inference API : L'API Paddle Inference te donne un contrôle de bas niveau sur l'exécution du modèle. 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 plus petites et une inférence plus rapide sur les CPU ARM, 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 des outils de transformation de modèles fournis par Paddle.js. Il peut s'exécuter dans les navigateurs prenant en charge WebGL/WebGPU/WebAssembly.

Link to this sectionExporter vers PaddlePaddle : Convertir ton modèle YOLO26#

La conversion des modèles YOLO26 vers le 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 bonnes 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 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, consulte la page de documentation Ultralytics sur l'exportation.

Link to this sectionDéployer 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 contextes, 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 de 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 exploiter les forces 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 veux 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'aperçus précieux.

Link to this sectionFAQ#

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

Exporter des 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 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 Ultralytics et le Guide des problèmes courants.

Link to this sectionQuels 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 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 conscient de la quantification, permettant des représentations de données de precision réduite pour une performance améliorée.

Tu peux obtenir des résultats améliorés en exportant tes modèles Ultralytics YOLO26 vers PaddlePaddle, assurant 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.

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 complets 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.
• Scalabilité : Capacités de traitement parallèle efficaces pour les environnements distribués.

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

Link to this sectionComment 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 de calcul statique pour des optimisations à l'exécution.
• Fusion d'opérateurs : Combine les opérations compatibles pour minimiser le transfert mémoire et augmenter la vitesse d'inférence.
• Quantification : Réduit la taille du modèle et augmente l'efficacité en utilisant des données de précision réduite tout en maintenant la accuracy.

Ces techniques privilégient une exécution efficace des modèles, 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 offre-t-il pour les modèles YOLO26 ?#

PaddlePaddle fournit des options de déploiement flexibles :

• Paddle Serving : Déploie des modèles en tant qu'API RESTful, idéal pour la production avec des fonctionnalités comme le versionnage de modèles et les tests A/B en ligne.
• Paddle Inference API : Donne un contrôle de bas niveau sur l'exécution du modèle 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 scalables. Explore d'autres stratégies de déploiement sur la page Options de déploiement de modèles Ultralytics.