Comment exporter au format PaddlePaddle des modèles YOLO11
Il peut être difficile de combler le fossé entre le développement et le déploiement de modèles de vision par ordinateur dans des scénarios réels avec des conditions variables. PaddlePaddle facilite ce processus en mettant l'accent sur la flexibilité, la performance et sa capacité de traitement parallèle dans des environnements distribués. Cela signifie que vous pouvez utiliser vos modèles de vision par ordinateur YOLO11 sur une grande variété d'appareils et de plates-formes, des smartphones aux serveurs basés sur le cloud.
Regarder : Comment exporter les modèles Ultralytics YOLO11 vers le format PaddlePaddle | Principales caractéristiques du format PaddlePaddle
La possibilité d'exporter vers le format de modèle PaddlePaddle vous permet d'optimiser vos modèles pour une utilisation dans le cadre . Ultralytics YOLO11 pour une utilisation dans le cadre de PaddlePaddle . PaddlePaddle est connu pour faciliter les déploiements industriels et constitue un bon choix pour le déploiement d'applications de vision par ordinateur dans des environnements réels dans divers domaines.
Pourquoi exporter vers PaddlePaddle?
Développé par Baidu, PaddlePaddle(PArallel Distributed Deep LEarning) est la première plateforme d'apprentissage profond à code source ouvert en Chine. Contrairement à certains cadres conçus principalement pour la recherche, PaddlePaddle donne la priorité à la facilité d'utilisation et à l'intégration aisée dans tous les secteurs d'activité.
Il offre des outils et des ressources similaires à des cadres populaires tels que TensorFlow et PyTorchce qui le rend accessible aux développeurs de tous niveaux d'expérience. De l'agriculture aux usines en passant par les entreprises de services, l'importante communauté de développeurs de PaddlePaddle, qui compte plus de 4,77 millions de personnes, aide à créer et à déployer des applications d'IA.
En exportant vos modèles Ultralytics YOLO11 au format PaddlePaddle , vous pouvez exploiter les atouts de PaddlePaddle en matière d'optimisation des performances. PaddlePaddle donne la priorité à l'exécution efficace des modèles et à la réduction de l'utilisation de la mémoire. Par conséquent, vos modèles YOLO11 peuvent potentiellement atteindre des performances encore meilleures, fournissant des résultats de premier ordre dans des scénarios pratiques.
Principales caractéristiques des modèles PaddlePaddle
PaddlePaddle offrent une série de caractéristiques clés qui contribuent à leur flexibilité, à leurs performances et à leur évolutivité dans divers scénarios de déploiement :
-
Graphique dynamique à statique: PaddlePaddle prend en charge la compilation dynamique à statique, où les modèles peuvent être traduits en un graphique de calcul statique. Cela permet des optimisations qui réduisent la charge d'exécution et augmentent les performances d'inférence.
-
Fusion d'opérateurs: PaddlePaddle comme TensorRT, utilise la fusion d'opérateurs pour rationaliser le calcul et réduire les frais généraux. Le cadre 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, y compris la quantification post-entraînement et la formation tenant 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 du modèle.
Options de déploiement dans PaddlePaddle
Avant de plonger dans le code d'exportation des modèles YOLO11 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 en termes de facilité d'utilisation, de flexibilité et de performance :
-
Paddle Serving: Ce cadre simplifie le déploiement des modèles PaddlePaddle en tant qu'API RESTful très performantes. Paddle Serving est idéal pour les environnements de production, offrant des fonctionnalités telles que le versionnement des modèles, les tests A/B en ligne et l'évolutivité pour traiter de gros volumes de requêtes.
-
API d'inférence Paddle: L'API d'inférence Paddle vous donne un contrôle de bas niveau sur l'exécution du modèle. Cette option est bien adaptée aux scénarios dans lesquels vous devez intégrer étroitement le modèle dans une application personnalisée ou optimiser les performances pour un matériel spécifique.
-
Paddle Lite: Paddle Lite est conçu pour être déployé 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 vous permet de déployer des modèles PaddlePaddle directement dans les navigateurs web. Paddle.js peut charger un modèle pré-entraîné ou transformer un modèle à partir de paddle-hub avec des outils de transformation de modèles fournis par Paddle.js. Il peut fonctionner dans les navigateurs qui supportent WebGL/WebGPU/WebAssembly.
Exportation vers PaddlePaddle: Conversion de votre modèle YOLO11
La conversion des modèles YOLO11 au format PaddlePaddle peut améliorer la souplesse d'exécution et optimiser les performances pour divers scénarios de déploiement.
Installation
Pour installer le paquetage requis, exécutez :
Pour des instructions détaillées et les meilleures pratiques liées au processus d'installation, consultez notre guide d'installationUltralytics . Lors de l'installation des paquets requis pour YOLO11, si vous rencontrez des difficultés, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils.
Utilisation
Avant de plonger dans les instructions d'utilisation, il est important de noter que si tous les modèlesUltralytics YOLO11 sont disponibles pour l'exportation, vous pouvez vous assurer que le modèle que vous sélectionnez prend en charge la fonctionnalité d'exportation ici.
Utilisation
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo11n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
Pour plus de détails sur les options d'exportation prises en charge, consultez la page de documentationUltralytics sur les options de déploiement.
Déploiement des modèles exportés YOLO11 PaddlePaddle
Après avoir exporté avec succès vos modèles Ultralytics YOLO11 au format PaddlePaddle , vous pouvez maintenant les déployer. La première étape recommandée pour exécuter un modèle PaddlePaddle consiste à utiliser la méthode YOLO("./model_paddle_model"), comme indiqué dans l'extrait de code précédent.
Toutefois, pour obtenir des instructions détaillées sur le déploiement de vos modèles PaddlePaddle dans d'autres contextes, consultez les ressources suivantes :
-
Servir la pagaie: Apprenez à déployer vos modèles PaddlePaddle en tant que services performants à l'aide de Paddle Serving.
-
Pagaie Lite: Découvrez comment optimiser et déployer des modèles sur des appareils mobiles et embarqués à l'aide de Paddle Lite.
-
Pagaie.js: Découvrez comment exécuter les 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 YOLO11 vers le format PaddlePaddle . En suivant ces étapes, vous pouvez tirer parti des atouts de PaddlePaddle dans divers scénarios de déploiement, en optimisant vos modèles pour différents environnements matériels et logiciels.
Pour plus de détails sur l'utilisation, consultez la documentation officielle dePaddlePaddle .
Vous souhaitez explorer d'autres façons d'intégrer vos modèles Ultralytics YOLO11 ? Notre page de guide d'intégration explore différentes options et vous fournit des ressources et des informations précieuses.
FAQ
Comment exporter les modèles Ultralytics YOLO11 vers le format PaddlePaddle ?
L'exportation des modèles Ultralytics YOLO11 vers le format PaddlePaddle est simple. Vous pouvez utiliser l'outil export de la classe YOLO pour effectuer cette exportation. Voici un exemple utilisant Python:
Utilisation
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo11n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
Pour plus de détails sur l'installation et le dépannage, consultez le guide d'installation et le guide des problèmes communs sur le siteUltralytics .
Quels sont les avantages de l'utilisation de PaddlePaddle pour le déploiement des modèles?
PaddlePaddle offre plusieurs avantages clés pour le déploiement du modèle :
- Optimisation des performances: PaddlePaddle excelle dans l'exécution efficace des modèles et l'utilisation réduite de la mémoire.
- Compilation graphique dynamique à statique: Il prend en charge la compilation dynamique à statique, ce qui permet d'optimiser le temps d'exécution.
- Fusion d'opérateurs: La fusion d'opérations compatibles permet de réduire la charge de calcul.
- Techniques de quantification: La prise en charge de la formation post-entraînement et de la formation tenant compte de la quantification permet de représenter les données avec une précision moindre, ce qui améliore les performances.
Vous pouvez obtenir de meilleurs résultats en exportant vos modèles Ultralytics YOLO11 vers PaddlePaddle, ce qui garantit une flexibilité et des performances élevées pour diverses applications et plates-formes matérielles. Pour en savoir plus sur les fonctionnalités de PaddlePaddle, cliquez ici.
Pourquoi devrais-je choisir PaddlePaddle pour déployer mes modèles YOLO11 ?
PaddlePaddledéveloppé par Baidu, est optimisé pour les déploiements industriels et commerciaux de l'IA. Sa grande communauté de développeurs et son cadre robuste fournissent des outils complets similaires à TensorFlow et PyTorch. En exportant vos modèles YOLO11 vers PaddlePaddle, vous bénéficiez d'un effet de levier :
- Performances accrues: Vitesse d'exécution optimale et empreinte mémoire réduite.
- Flexibilité: Large compatibilité avec différents appareils, des smartphones aux serveurs en nuage.
- Évolutivité: Capacités de traitement parallèle efficaces pour les environnements distribués.
Ces caractéristiques font de PaddlePaddle un choix convaincant pour le déploiement des modèles YOLO11 dans des environnements de production.
Comment PaddlePaddle améliore-t-il la performance des modèles par rapport à d'autres cadres ?
PaddlePaddle utilise plusieurs techniques avancées pour optimiser les performances du modèle :
- Graphique dynamique-statique: Convertit les modèles en un graphe de calcul statique pour l'optimisation de 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 moindre précision tout en maintenant l'exactitude.
Ces techniques donnent la priorité à une exécution efficace du modèle, ce qui fait de PaddlePaddle une excellente option pour le déploiement de modèles YOLO11 très performants. Pour plus d'informations sur l'optimisation, voir la documentation officiellePaddlePaddle .
Quelles sont les options de déploiement offertes par PaddlePaddle pour les modèles YOLO11 ?
PaddlePaddle offre des options de déploiement flexibles :
- Paddle Serving: Déploie les modèles sous forme d'API RESTful, idéal pour la production avec des fonctionnalités telles que le versionnement des modèles et les tests A/B en ligne.
- API d'inférence de la pagaie: Permet 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 des modèles directement dans les navigateurs web.
Ces options couvrent un large éventail de scénarios de déploiement, de l'inférence sur l'appareil aux services en nuage évolutifs. Découvrez d'autres stratégies de déploiement sur la page Options de déploiement du modèleUltralytics .
