Link to this sectionCome esportare nel formato PaddlePaddle dai modelli YOLO26#

Colmare il divario tra lo sviluppo e il dispiegamento di modelli di computer vision in scenari reali con condizioni variabili può essere difficile. PaddlePaddle semplifica questo processo grazie alla sua attenzione alla flessibilità, alle prestazioni e alla sua capacità di elaborazione parallela in ambienti distribuiti. Ciò significa che puoi utilizzare i tuoi modelli di computer vision YOLO26 su un'ampia varietà di dispositivi e piattaforme, dagli smartphone ai server basati su cloud.

La capacità di esportare nel formato modello PaddlePaddle ti consente di ottimizzare i tuoi modelli Ultralytics YOLO26 per l'uso all'interno del framework PaddlePaddle. PaddlePaddle è noto per facilitare le implementazioni industriali ed è un'ottima scelta per il dispiegamento di applicazioni di computer vision in contesti reali in diversi domini.

Link to this sectionPerché dovresti esportare in PaddlePaddle?#

Sviluppato da Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) è la prima piattaforma open-source cinese di deep learning. A differenza di alcuni framework creati principalmente per la ricerca, PaddlePaddle dà priorità alla facilità d'uso e a un'integrazione fluida tra i settori.

Offre strumenti e risorse simili a framework popolari come TensorFlow e PyTorch, rendendolo accessibile a sviluppatori di tutti i livelli di esperienza. Dall'agricoltura alle fabbriche fino ai servizi alle imprese, la vasta comunità di oltre 4,77 milioni di sviluppatori di PaddlePaddle sta aiutando a creare e implementare applicazioni di AI.

Esportando i tuoi modelli Ultralytics YOLO26 nel formato PaddlePaddle, puoi sfruttare i punti di forza di PaddlePaddle nell'ottimizzazione delle prestazioni. PaddlePaddle dà priorità all'esecuzione efficiente del modello e alla riduzione dell'utilizzo della memoria. Di conseguenza, i tuoi modelli YOLO26 possono potenzialmente ottenere prestazioni ancora migliori, offrendo risultati di prim'ordine in scenari pratici.

Link to this sectionCaratteristiche principali dei modelli PaddlePaddle#

I modelli PaddlePaddle offrono una gamma di caratteristiche chiave che contribuiscono alla loro flessibilità, prestazioni e scalabilità in diversi scenari di dispiegamento:

• Grafico da dinamico a statico: PaddlePaddle supporta la compilazione da dinamico a statico, dove i modelli possono essere tradotti in un grafico computazionale statico. Ciò abilita ottimizzazioni che riducono l'overhead in fase di esecuzione e aumentano le prestazioni di inferenza.

• Fusione degli operatori: PaddlePaddle, come TensorRT, utilizza la fusione degli operatori per semplificare il calcolo e ridurre l'overhead. Il framework riduce al minimo i trasferimenti di memoria e i passaggi computazionali unendo operazioni compatibili, risultando in un'inferenza più rapida.

• Quantizzazione: PaddlePaddle supporta tecniche di quantizzazione, inclusa la quantizzazione post-addestramento e l'addestramento consapevole della quantizzazione. Queste tecniche consentono l'uso di rappresentazioni di dati a precisione inferiore, aumentando efficacemente le prestazioni e riducendo le dimensioni del modello.

Link to this sectionOpzioni di dispiegamento in PaddlePaddle#

Prima di immergerti nel codice per l'esportazione dei modelli YOLO26 in PaddlePaddle, diamo un'occhiata ai diversi scenari di dispiegamento in cui eccellono i modelli PaddlePaddle.

PaddlePaddle fornisce una gamma di opzioni, ciascuna delle quali offre un distinto equilibrio tra facilità d'uso, flessibilità e prestazioni:

• Paddle Serving: Questo framework semplifica il dispiegamento di modelli PaddlePaddle come API RESTful ad alte prestazioni. Paddle Serving è ideale per ambienti di produzione, fornendo funzionalità come il versionamento del modello, A/B testing online e scalabilità per gestire grandi volumi di richieste.

• Paddle Inference API: La Paddle Inference API ti offre un controllo di basso livello sull'esecuzione del modello. Questa opzione è adatta per scenari in cui è necessario integrare strettamente il modello all'interno di un'applicazione personalizzata o ottimizzare le prestazioni per hardware specifici.

• Paddle Lite: Paddle Lite è progettato per il dispiegamento su dispositivi mobili ed embedded dove le risorse sono limitate. Ottimizza i modelli per dimensioni ridotte e inferenza più rapida su CPU ARM, GPU e altri hardware specializzati.

• Paddle.js: Paddle.js ti consente di distribuire modelli PaddlePaddle direttamente all'interno dei browser web. Paddle.js può caricare un modello pre-addestrato o trasformare un modello da paddle-hub con strumenti di trasformazione del modello forniti da Paddle.js. Può essere eseguito in browser che supportano WebGL/WebGPU/WebAssembly.

Link to this sectionEsporta in PaddlePaddle: Convertire il tuo modello YOLO26#

La conversione dei modelli YOLO26 nel formato PaddlePaddle può migliorare la flessibilità di esecuzione e ottimizzare le prestazioni per vari scenari di dispiegamento.

Link to this sectionInstallazione#

Per installare il pacchetto richiesto, esegui:

# Install the required package for YOLO26
pip install ultralytics

Per istruzioni dettagliate e best practice relative al processo di installazione, consulta la nostra guida all'installazione di Ultralytics. Se durante l'installazione dei pacchetti richiesti per YOLO26 riscontri difficoltà, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Link to this sectionUtilizzo#

Tutti i modelli Ultralytics YOLO26 supportano l'esportazione e puoi consultare l'elenco completo dei formati e delle opzioni di esportazione per trovare la soluzione migliore per le tue esigenze di dispiegamento.

Il formato PaddlePaddle supporta le modalità Export, Predict e Validate. Esporta il tuo modello, quindi carica il modello esportato per eseguire l'inferenza o convalidarne l'accuratezza.

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 sectionArgomenti di esportazione#

Per ulteriori dettagli sul processo di esportazione, visita la pagina della documentazione di Ultralytics sull'esportazione.

Link to this sectionDistribuire i modelli PaddlePaddle YOLO26 esportati#

Dopo aver esportato con successo i tuoi modelli Ultralytics YOLO26 nel formato PaddlePaddle, ora puoi distribuirli. Il primo passo primario e consigliato per eseguire un modello PaddlePaddle è utilizzare il metodo YOLO("yolo26n_paddle_model/"), come delineato nel frammento di codice di utilizzo precedente.

Tuttavia, per istruzioni approfondite sul dispiegamento dei tuoi modelli PaddlePaddle in vari altri contesti, dai un'occhiata alle seguenti risorse:

• Paddle Serving: Scopri come distribuire i tuoi modelli PaddlePaddle come servizi performanti utilizzando Paddle Serving.

• Paddle Lite: Esplora come ottimizzare e distribuire modelli su dispositivi mobili ed embedded utilizzando Paddle Lite.

• Paddle.js: Scopri come eseguire modelli PaddlePaddle nei browser web per l'AI lato client utilizzando Paddle.js.

Link to this sectionRiepilogo#

In questa guida abbiamo esplorato il processo di esportazione dei modelli Ultralytics YOLO26 nel formato PaddlePaddle. Seguendo questi passaggi, puoi sfruttare i punti di forza di PaddlePaddle in diversi scenari di dispiegamento, ottimizzando i tuoi modelli per diversi ambienti hardware e software.

Per ulteriori dettagli sull'utilizzo, visita la documentazione ufficiale di PaddlePaddle.

Vuoi esplorare altri modi per integrare i tuoi modelli Ultralytics YOLO26? La nostra pagina della guida all'integrazione esplora varie opzioni, dotandoti di risorse e approfondimenti preziosi.

Link to this sectionFAQ#

Link to this sectionCome esporto i modelli Ultralytics YOLO26 nel formato PaddlePaddle?#

L'esportazione dei modelli Ultralytics YOLO26 nel formato PaddlePaddle è semplice. Puoi utilizzare il metodo export della classe YOLO per eseguire la conversione. Ecco un esempio utilizzando 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")

Per una configurazione più dettagliata e la risoluzione dei problemi, consulta la Guida all'installazione di Ultralytics e la Guida ai problemi comuni.

Link to this sectionQuali sono i vantaggi dell'utilizzo di PaddlePaddle per il dispiegamento di modelli?#

PaddlePaddle offre diversi vantaggi chiave per il dispiegamento dei modelli:

• Ottimizzazione delle prestazioni: PaddlePaddle eccelle nell'esecuzione efficiente del modello e nella riduzione dell'utilizzo della memoria.
• Compilazione del grafico da dinamico a statico: Supporta la compilazione da dinamico a statico, consentendo ottimizzazioni in fase di esecuzione.
• Fusione degli operatori: Unendo operazioni compatibili, riduce l'overhead computazionale.
• Tecniche di quantizzazione: Supporta sia l'addestramento post-addestramento che quello consapevole della quantizzazione, consentendo rappresentazioni dei dati a precisione inferiore per prestazioni migliorate.

Puoi ottenere risultati migliori esportando i tuoi modelli Ultralytics YOLO26 in PaddlePaddle, garantendo flessibilità e prestazioni elevate in varie applicazioni e piattaforme hardware. Esplora le caratteristiche e le capacità chiave di PaddlePaddle nella documentazione ufficiale di PaddlePaddle.

Link to this sectionPerché dovrei scegliere PaddlePaddle per distribuire i miei modelli YOLO26?#

PaddlePaddle, sviluppato da Baidu, è ottimizzato per implementazioni AI industriali e commerciali. La sua ampia comunità di sviluppatori e il robusto framework forniscono strumenti estesi simili a TensorFlow e PyTorch. Esportando i tuoi modelli YOLO26 in PaddlePaddle, sfrutti:

• Prestazioni migliorate: Velocità di esecuzione ottimale e ingombro di memoria ridotto.
• Flessibilità: Ampia compatibilità con vari dispositivi, dagli smartphone ai server cloud.
• Scalabilità: Capacità di elaborazione parallela efficiente per ambienti distribuiti.

Queste caratteristiche rendono PaddlePaddle una scelta convincente per il dispiegamento di modelli YOLO26 in contesti di produzione.

Link to this sectionIn che modo PaddlePaddle migliora le prestazioni del modello rispetto ad altri framework?#

PaddlePaddle impiega diverse tecniche avanzate per ottimizzare le prestazioni del modello:

• Grafico da dinamico a statico: Converte i modelli in un grafico computazionale statico per ottimizzazioni in fase di esecuzione.
• Fusione degli operatori: Combina operazioni compatibili per ridurre al minimo il trasferimento di memoria e aumentare la velocità di inferenza.
• Quantizzazione: Riduce le dimensioni del modello e aumenta l'efficienza utilizzando dati a precisione inferiore mantenendo l'accuratezza.

Queste tecniche danno priorità all'esecuzione efficiente del modello, rendendo PaddlePaddle un'opzione eccellente per il dispiegamento di modelli YOLO26 ad alte prestazioni. Per ulteriori informazioni sull'ottimizzazione, consulta la documentazione ufficiale di PaddlePaddle.

Link to this sectionQuali opzioni di dispiegamento offre PaddlePaddle per i modelli YOLO26?#

PaddlePaddle offre opzioni di dispiegamento flessibili:

• Paddle Serving: Distribuisce i modelli come API RESTful, ideali per la produzione con funzionalità come il versionamento del modello e A/B testing online.
• Paddle Inference API: Fornisce un controllo di basso livello sull'esecuzione del modello per applicazioni personalizzate.
• Paddle Lite: Ottimizza i modelli per le risorse limitate di dispositivi mobili ed embedded.
• Paddle.js: Consente di distribuire i modelli direttamente all'interno dei browser web.

Queste opzioni coprono un'ampia gamma di scenari di dispiegamento, dall'inferenza su dispositivo ai servizi cloud scalabili. Esplora altre strategie di dispiegamento sulla pagina delle opzioni di dispiegamento dei modelli Ultralytics.