Come esportare modelli YOLO26 nel formato PaddlePaddle
Colmare il divario tra lo sviluppo e la distribuzione di modelli di visione artificiale in scenari reali caratterizzati da condizioni variabili può essere difficile. PaddlePaddle semplifica questo processo grazie all'attenzione per la flessibilità, le prestazioni e l'elaborazione parallela in ambienti distribuiti. Ciò significa che puoi usare i tuoi modelli di visione artificiale YOLO26 su un'ampia varietà di dispositivi e piattaforme, dagli smartphone ai server basati su cloud.
Guarda: Come esportare i modelli Ultralytics YOLO nel formato PaddlePaddle | Funzionalità principali del formato PaddlePaddle
La possibilità di esportare nel formato di modello PaddlePaddle ti consente di ottimizzare i tuoi modelli Ultralytics YOLO26 per usarli con il framework PaddlePaddle. PaddlePaddle è noto per facilitare le distribuzioni industriali ed è una valida scelta per distribuire applicazioni di computer vision in contesti reali e in diversi settori.
Perché esportare in PaddlePaddle?#
Sviluppato da Baidu, PaddlePaddle (PA) è la prima piattaforma open source cinese per il deep learning. A differenza di alcuni framework sviluppati principalmente per la ricerca, PaddlePaddle dà priorità alla facilità d'uso e alla perfetta integrazione nei diversi settori.
Offre strumenti e risorse simili a quelli di framework diffusi come TensorFlow e PyTorch, risultando accessibile agli sviluppatori di ogni livello di esperienza. Dall'agricoltura alle fabbriche, fino alle aziende di servizi, l'ampia comunità di oltre 4,77 milioni di sviluppatori di PaddlePaddle contribuisce alla creazione e alla distribuzione di applicazioni AI.
Esportando i tuoi modelli Ultralytics YOLO26 nel formato PaddlePaddle, puoi sfruttare i punti di forza di PaddlePaddle nell'ottimizzazione delle prestazioni. PaddlePaddle dà la priorità all'esecuzione efficiente dei modelli e alla riduzione dell'uso della memoria, così i tuoi modelli YOLO26 possono funzionare in modo efficiente in scenari pratici.
Caratteristiche principali dei modelli PaddlePaddle#
I modelli PaddlePaddle offrono diverse caratteristiche chiave che ne favoriscono la flessibilità, le prestazioni e la scalabilità in vari scenari di distribuzione:
-
Grafi dinamici convertiti in grafi statici: PaddlePaddle supporta la compilazione da grafi dinamici a grafi statici, che consente di convertire i modelli in grafi computazionali statici. In questo modo è possibile applicare ottimizzazioni che riducono il sovraccarico in fase di esecuzione e aumentano le prestazioni di inferenza.
-
Fusione degli operatori: PaddlePaddle, come TensorRT, usa la fusione degli operatori per semplificare i calcoli e ridurre il sovraccarico. Il framework riduce al minimo i trasferimenti di memoria e le operazioni computazionali unendo le operazioni compatibili, ottenendo così un'inferenza più rapida.
-
Quantizzazione: PaddlePaddle supporta tecniche di quantizzazione, inclusa la quantizzazione post-training e l'addestramento consapevole della quantizzazione. Queste tecniche usano rappresentazioni dei dati a precisione inferiore per migliorare le prestazioni e ridurre le dimensioni del modello.
Opzioni di distribuzione in PaddlePaddle#
I modelli PaddlePaddle possono essere distribuiti in diversi modi.
PaddlePaddle offre diverse opzioni, ognuna con un equilibrio specifico tra facilità d'uso, flessibilità e prestazioni:
-
Paddle Serving: questo framework semplifica la distribuzione dei modelli PaddlePaddle sotto forma di API RESTful ad alte prestazioni. Paddle Serving è adatto agli ambienti di produzione e offre funzionalità come il versionamento dei modelli, i test A/B online e la scalabilità per gestire grandi volumi di richieste.
-
Paddle Inference API: la Paddle Inference API offre un controllo di basso livello sull'esecuzione dei modelli. Questa opzione è particolarmente adatta quando devi integrare strettamente il modello in un'applicazione personalizzata o ottimizzare le prestazioni per hardware specifico.
-
Paddle Lite: Paddle Lite è progettato per la distribuzione su dispositivi mobili e integrati con risorse limitate. Ottimizza i modelli per ridurne le dimensioni e velocizzare l'inferenza su CPU ARM, GPU e altro hardware specializzato.
-
Paddle.js: Paddle.js ti consente di distribuire i modelli PaddlePaddle direttamente nei browser web. Paddle.js può caricare un modello preaddestrato oppure trasformare un modello da paddle-hub con gli strumenti di trasformazione dei modelli forniti da Paddle.js. Può essere eseguito nei browser che supportano WebGL/WebGPU/WebAssembly.
Attività supportate#
L'esportazione PaddlePaddle supporta tutti e sette i task Ultralytics. La segmentazione semantica e la stima della profondità sono disponibili solo con YOLO26, l'unica famiglia che include queste teste.
| Attività | YOLOv8 | YOLO11 | YOLO26 |
|---|---|---|---|
| Rilevamento | ✅ | ✅ | ✅ |
| Segmentazione | ✅ | ✅ | ✅ |
| Semantica | ❌ | ❌ | ✅ |
| Profondità | ❌ | ❌ | ✅ |
| Classificazione | ✅ | ✅ | ✅ |
| Stima della posa | ✅ | ✅ | ✅ |
| OBB | ✅ | ✅ | ✅ |
Esportazione in PaddlePaddle: conversione del modello YOLO26#
La conversione dei modelli YOLO26 nel formato PaddlePaddle può offrire maggiore flessibilità di esecuzione e ottimizzare le prestazioni per diversi scenari di distribuzione.
Installazione#
Per installare il pacchetto richiesto, esegui:
# Install the required package for YOLO26
pip install ultralyticsPer istruzioni dettagliate e best practice sulla procedura di installazione, consulta la nostra guida all'installazione di Ultralytics. Se durante l'installazione dei pacchetti necessari per YOLO26 riscontri difficoltà, consulta la nostra guida ai problemi comuni per trovare 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 distribuzione.
Il formato PaddlePaddle supporta le modalità Export, Predict e Validate. Esporta il modello, poi caricalo per eseguire l'inferenza o convalidarne l'accuratezza.
from ultralytics import YOLO
# Carica un modello YOLO26
model = YOLO("yolo26n.pt")
# Esporta il modello nel formato PaddlePaddle
model.export(format="paddle") # creates 'yolo26n_paddle_model'from ultralytics import YOLO
# Carica il modello PaddlePaddle esportato
model = YOLO("./yolo26n_paddle_model")
# Esegui l'inferenza
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# Carica il modello PaddlePaddle esportato
model = YOLO("./yolo26n_paddle_model")
# # Convalida l'accuratezza sul dataset COCO8
metrics = model.val(data="coco8.yaml")Argomenti di esportazione#
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
format | str | 'paddle' | Formato di destinazione del modello esportato, che definisce la compatibilità con i vari ambienti di distribuzione. |
imgsz | int o tuple | 640 | Dimensione dell'immagine desiderata per l'input del modello. Può essere un intero per immagini quadrate o una tupla (height, width) per dimensioni specifiche. |
quantize | int o str | None | Esportazione FP32 fissa. L'esportazione PaddlePaddle non supporta la conversione della precisione in FP16, INT8 o W8A16 durante l'esportazione. |
batch | int | 1 | Specifica la dimensione batch per l'inferenza del modello esportato o il numero massimo di immagini che il modello esportato elaborerà contemporaneamente in modalità predict. |
device | str | None | Specifica il dispositivo per l'esportazione: CPU (device=cpu), MPS per Apple silicon (device=mps). |
Per ulteriori dettagli sul processo di esportazione, visita la pagina della documentazione Ultralytics dedicata all'esportazione.
Distribuzione dei modelli YOLO26 PaddlePaddle esportati#
Dopo aver esportato correttamente i tuoi modelli Ultralytics YOLO26 nel formato PaddlePaddle, puoi procedere alla distribuzione. Il primo passo principale e consigliato per eseguire un modello PaddlePaddle è usare il metodo YOLO("yolo26n_paddle_model/"), come illustrato nel precedente frammento di codice d'esempio.
Per istruzioni dettagliate sulla distribuzione dei modelli PaddlePaddle in altri contesti, consulta le seguenti risorse:
-
Paddle Serving: scopri come distribuire i tuoi modelli PaddlePaddle come servizi efficienti con Paddle Serving.
-
Paddle Lite: scopri come ottimizzare e distribuire modelli su dispositivi mobili e integrati con Paddle Lite.
-
Paddle.js: scopri come eseguire modelli PaddlePaddle nei browser web per offrire funzionalità AI sul client con Paddle.js.
Riepilogo#
In questa guida abbiamo illustrato 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 distribuzione e ottimizzare i tuoi modelli per vari ambienti hardware e software.
Per ulteriori dettagli sull'uso, visita la documentazione ufficiale di PaddlePaddle.
Domande frequenti#
Esportare i modelli Ultralytics YOLO26 nel formato PaddlePaddle è semplice. Puoi usare il metodo
exportdella classe YOLO per eseguire la conversione. Ecco un esempio con Python:Utilizzofrom ultralytics import YOLO # Carica un modello YOLO26 model = YOLO("yolo26n.pt") # Esporta il modello nel formato PaddlePaddle model.export(format="paddle") # creates 'yolo26n_paddle_model' # Carica il modello PaddlePaddle esportato paddle_model = YOLO("./yolo26n_paddle_model") # Esegui l'inferenza results = paddle_model("https://ultralytics.com/images/bus.jpg")Per informazioni più dettagliate sulla configurazione e sulla risoluzione dei problemi, consulta la Guida all'installazione di Ultralytics e la Guida ai problemi comuni.
PaddlePaddle offre diversi vantaggi chiave per la distribuzione dei modelli:
- Ottimizzazione delle prestazioni: PaddlePaddle si concentra sull'esecuzione efficiente dei modelli e sulla riduzione dell'uso della memoria.
- Compilazione da grafi dinamici a grafi statici: supporta la compilazione da grafi dinamici a grafi statici, consentendo ottimizzazioni in fase di esecuzione.
- Fusione degli operatori: unendo le operazioni compatibili, riduce il sovraccarico computazionale.
- Tecniche di quantizzazione: supporta sia la quantizzazione post-training sia l'addestramento consapevole della quantizzazione, consentendo rappresentazioni dei dati a precisione inferiore per migliorare le prestazioni.
Esportare i tuoi modelli Ultralytics YOLO26 in PaddlePaddle ti offre flessibilità e prestazioni in diverse applicazioni e piattaforme hardware.
PaddlePaddle, sviluppato da Baidu, è ottimizzato per le distribuzioni di AI industriali e commerciali. La sua ampia community di sviluppatori e il framework maturo offrono strumenti simili a TensorFlow e PyTorch. Esportando i tuoi modelli YOLO26 in PaddlePaddle, ottieni:
- Prestazioni migliorate: esecuzione rapida e ingombro di memoria ridotto.
- Flessibilità: ampia compatibilità con diversi dispositivi, dagli smartphone ai server cloud.
- Scalabilità: capacità di elaborazione parallela efficiente per gli ambienti distribuiti.
Queste funzionalità rendono PaddlePaddle un'ottima opzione per distribuire i modelli YOLO26 in ambienti di produzione.
PaddlePaddle usa diverse tecniche per ottimizzare le prestazioni dei modelli:
- Grafi dinamici convertiti in grafi statici: converte i modelli in grafi computazionali statici per ottimizzarli in fase di esecuzione.
- Fusione degli operatori: combina le operazioni compatibili per ridurre al minimo i trasferimenti di memoria e aumentare la velocità di inferenza.
- Quantizzazione: riduce le dimensioni dei modelli e aumenta l'efficienza usando dati a precisione inferiore, mantenendo l'accuratezza.
Queste tecniche danno la priorità all'esecuzione efficiente dei modelli, rendendo PaddlePaddle una valida opzione per distribuire modelli YOLO26 ad alte prestazioni.
PaddlePaddle offre opzioni di distribuzione flessibili:
- Paddle Serving: distribuisce i modelli come API RESTful, ideali per la produzione grazie a funzionalità come il versionamento dei modelli e i test A/B online.
- Paddle Inference API: offre un controllo di basso livello sull'esecuzione dei modelli per applicazioni personalizzate.
- Paddle Lite: ottimizza i modelli per i dispositivi mobili e integrati con risorse limitate.
- Paddle.js: consente di distribuire i modelli direttamente nei browser web.
Queste opzioni coprono un'ampia gamma di scenari di distribuzione, dall'inferenza direttamente sul dispositivo ai servizi cloud scalabili. Scopri altre strategie di distribuzione nella pagina delle opzioni di distribuzione dei modelli Ultralytics.
Commenti4
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
cadpm
Dear team, your converter does not work with PaddleX as it does not generate the YAML file in the inference folder, making it impossible to deploy the converted model. PaddlePaddle cannot teach how to work with this file due to licensing conflicts.
n fact, nowhere in the PaddlePaddle or PaddleX repositories do they teach how to work with external or converted models.
Glenn JocherUltralytics@cadpm thank you for bringing this to our attention. While the Ultralytics export tool facilitates converting YOLO11 models to PaddlePaddle format, it currently doesn't generate a YAML file for PaddleX inference. For specific guidance on handling PaddlePaddle models in PaddleX, consulting their official documentation or community forums might provide additional insights. If you encounter issues with the export process itself, please refer to our Ultralytics documentation for troubleshooting tips.
cadpm
Unfortunately, I haven't been able to find a solution on either side. For this reason, I have written to you to report this issue. If I ask in the Paddle forum, no one has worked on this issue, and the same happens on the YOLOv11 side—they don't work with Paddle.
Glenn JocherUltralytics@cadpm thank you for reporting this issue. While our export tool supports conversion to PaddlePaddle, integration with PaddleX requires additional steps beyond our current documentation. I recommend reaching out to the PaddlePaddle community for specific guidance on importing and using converted models with PaddleX, as they might have insights on handling this integration. If you need further assistance with the export process itself, feel free to check our PaddlePaddle export guide.