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

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

La possibilità di esportare nel formato modello PaddlePaddle ti consente di ottimizzare i tuoi modelli Ultralytics YOLO26 per l'utilizzo all'interno del framework PaddlePaddle. PaddlePaddle è noto per facilitare i deployment industriali ed è un'ottima scelta per implementare applicazioni di computer vision in contesti reali in diversi ambiti.

Link to this sectionPerché dovresti esportare in PaddlePaddle?#

Sviluppato da Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) è la prima piattaforma open-source di deep learning della Cina. 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 ogni livello di esperienza. Dall'agricoltura alle fabbriche, fino alle aziende di servizi, la vasta community di oltre 4,77 milioni di sviluppatori di PaddlePaddle sta aiutando a creare e implementare applicazioni di IA.

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.

Link to this sectionCaratteristiche 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:

• Grafo 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 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 minimizza i trasferimenti di memoria e i passaggi computazionali unendo operazioni compatibili, ottenendo un'inferenza più rapida.

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

Link to this sectionOpzioni 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 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 sectionEsportare 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.

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. Durante l'installazione dei pacchetti necessari per YOLO26, se 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 quello più adatto alle tue esigenze di deployment.

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 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 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'IA 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 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 e approfondimenti preziosi.

Link to this sectionFAQ#

Link to this sectionCome faccio a esportare i modelli Ultralytics YOLO26 nel formato PaddlePaddle?#

Esportare i modelli Ultralytics YOLO26 nel formato PaddlePaddle è semplice. Puoi utilizzare il metodo export della classe YOLO per eseguire la conversione. Ecco un esempio che utilizza 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 per 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 deployment del modello?#

PaddlePaddle offre diversi vantaggi chiave per il deployment del modello:

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

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 funzionalità 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 deployment di IA industriali e commerciali. La sua vasta community 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 impronta di memoria ridotta.
• 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 deployment 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:

• Grafo da dinamico a statico: Converte i modelli in un grafo 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 pur mantenendo l'accuratezza.

Queste tecniche privilegiano un'esecuzione efficiente del modello, rendendo PaddlePaddle un'ottima opzione per distribuire modelli YOLO26 ad alte prestazioni. Per saperne di più sull'ottimizzazione, consulta la documentazione ufficiale di PaddlePaddle.

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

PaddlePaddle offre opzioni di deployment 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: Offre 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 una vasta gamma di scenari di deployment, dall'inferenza su dispositivo ai servizi cloud scalabili. Esplora ulteriori strategie di deployment nella pagina delle opzioni di deployment dei modelli Ultralytics.