Come esportare nel formato PaddlePaddle dai modelli YOLO26#

Colmare il divario tra lo sviluppo e il rilascio 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 capacità di elaborazione parallela in ambienti distribuiti. Ciò significa che puoi usare i tuoi modelli di computer vision YOLO26 su un'ampia varietà di dispositivi e piattaforme, dagli smartphone ai server basati su cloud.

La possibilità di esportare nel formato di 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 distribuzioni industriali ed è una buona scelta per rilasciare applicazioni di computer vision in contesti reali in vari ambiti.

Perché 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 una fluida integrazione tra le industrie.

Offre strumenti e risorse simili a framework popolari come TensorFlow e PyTorch, rendendolo accessibile a sviluppatori di qualsiasi livello di esperienza. Dall'agricoltura e le fabbriche alle aziende di servizi, la vasta community di sviluppatori di PaddlePaddle, che supera i 4,77 milioni, sta aiutando a creare e rilasciare applicazioni di intelligenza artificiale.

Esportando i tuoi modelli Ultralytics YOLO26 nel formato PaddlePaddle, puoi sfruttare i punti di forza di PaddlePaddle nell'ottimizzazione delle prestazioni. PaddlePaddle privilegia l'esecuzione efficiente del modello e un ridotto utilizzo della memoria. Di conseguenza, i tuoi modelli YOLO26 possono potenzialmente ottenere prestazioni ancora migliori, offrendo risultati di alto livello in scenari pratici.

Caratteristiche chiave dei modelli PaddlePaddle#

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

• Grafico da dinamico a statico: PaddlePaddle supporta la compilazione da dinamica a statica, in cui i modelli possono essere tradotti in un grafo computazionale statico. Ciò consente ottimizzazioni che riducono il sovraccarico di esecuzione e migliorano le prestazioni di inferenza.

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

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

Opzioni di deployment in PaddlePaddle#

Prima di immergerci nel codice per esportare i modelli YOLO26 in PaddlePaddle, diamo un'occhiata ai diversi scenari di deployment in cui i modelli PaddlePaddle eccellono.

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

• Paddle Serving: Questo framework semplifica il deployment dei modelli PaddlePaddle come API RESTful ad alte prestazioni. Paddle Serving è ideale per gli 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 particolarmente adatta agli 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 deployment su dispositivi mobili ed embedded dove le risorse sono limitate. Ottimizza i modelli per dimensioni ridotte e un'inferenza più rapida su CPU ARM, GPU e altro hardware specializzato.

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

Attività supportate#

L'esportazione in PaddlePaddle supporta tutti e sette i task di Ultralytics. La segmentazione semantica e la stima della profondit  sono disponibili solo con YOLO26, l'unica famiglia che include quei moduli.

Esportare in PaddlePaddle: convertire il tuo modello YOLO26#

Convertire i modelli YOLO26 nel formato PaddlePaddle può migliorare la flessibilità di esecuzione e ottimizzare le prestazioni per vari scenari di deployment.

Installazione#

Per installare il pacchetto richiesto, esegui:

# Install the required package for YOLO26
pip install ultralytics

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

Utilizzo#

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 più adatta alle tue esigenze di rilascio.

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

Argomenti di esportazione#

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

Distribuire i modelli YOLO26 PaddlePaddle esportati#

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

Tuttavia, per istruzioni approfondite sul deployment dei tuoi modelli PaddlePaddle in varie altre impostazioni, dai un'occhiata alle seguenti risorse:

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

• Paddle Lite: Esplora come ottimizzare e rilasciare i modelli su dispositivi mobili e integrati utilizzando Paddle Lite.

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

Riepilogo#

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 deployment, 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, fornendoti risorse preziose e spunti utili.

FAQ#