YOLO26モデルをPaddlePaddle形式にエクスポートする方法#

さまざまな条件の現実世界のシナリオでコンピュータビジョンモデルを開発してデプロイする間のギャップを埋めることは困難な場合があります。PaddlePaddleは、柔軟性、パフォーマンス、分散環境での並列処理能力を重視しており、このプロセスを容易にします。これにより、スマートフォンからクラウドベースのサーバーまで、幅広いデバイスやプラットフォームでYOLO26コンピュータビジョンモデルを使用できます。

PaddlePaddleモデル形式へのエクスポート機能により、Ultralytics YOLO26モデルをPaddlePaddleフレームワーク内で使用できるよう最適化できます。PaddlePaddleは産業分野でのデプロイを容易にすることで知られており、さまざまな領域の現実世界の環境でコンピュータビジョンアプリケーションをデプロイするための優れた選択肢です。

PaddlePaddleにエクスポートする理由#

Baiduが開発したPaddlePaddle（PADD****LE）は、中国初のオープンソースディープラーニングプラットフォームです。主に研究向けに構築された一部のフレームワークとは異なり、PaddlePaddleは使いやすさと、業界全体でのスムーズな統合を重視しています。

TensorFlowやPyTorchなどの一般的なフレームワークと同様のツールやリソースを提供しているため、あらゆる経験レベルの開発者が利用できます。農業や工場からサービス業まで、477万人を超えるPaddlePaddleの大規模な開発者コミュニティがAIアプリケーションの作成とデプロイを支援しています。

Ultralytics YOLO26モデルをPaddlePaddle形式にエクスポートすると、PaddlePaddleのパフォーマンス最適化の強みを活用できます。PaddlePaddleは、効率的なモデル実行とメモリ使用量の削減を重視しています。その結果、YOLO26モデルはさらに高いパフォーマンスを実現し、実用的なシナリオで優れた結果を提供できる可能性があります。

PaddlePaddleモデルの主な機能#

PaddlePaddleモデルには、さまざまなデプロイシナリオにおける柔軟性、パフォーマンス、スケーラビリティに貢献する、次のような主要機能があります。

• 動的グラフから静的グラフへの変換: PaddlePaddleは、モデルを静的な計算グラフに変換できる動的グラフから静的グラフへのコンパイルをサポートしています。これにより、ランタイムオーバーヘッドを削減し、推論パフォーマンスを向上させる最適化が可能になります。

• オペレーター融合: TensorRTと同様に、PaddlePaddleは計算を効率化してオーバーヘッドを削減するためにオペレーター融合を使用します。互換性のある演算を統合することで、メモリ転送と計算ステップを最小限に抑え、推論を高速化します。

• 量子化: PaddlePaddleは、トレーニング後の量子化や量子化認識トレーニングなどの量子化技術をサポートしています。これらの技術により、低精度のデータ表現を使用でき、パフォーマンスを効果的に向上させながらモデルサイズを削減できます。

PaddlePaddleでのデプロイオプション#

YOLO26モデルをPaddlePaddleにエクスポートするコードを確認する前に、PaddlePaddleモデルが優れた性能を発揮するさまざまなデプロイシナリオを見てみましょう。

PaddlePaddleには、使いやすさ、柔軟性、パフォーマンスのバランスがそれぞれ異なる、次のようなさまざまなオプションがあります。

• Paddle Serving: PaddlePaddleモデルを高パフォーマンスのRESTful APIとしてデプロイするプロセスを簡素化するフレームワークです。Paddle Servingは本番環境に適しており、モデルのバージョン管理、オンラインA/Bテスト、大量のリクエストに対応するスケーラビリティなどの機能を提供します。

• Paddle Inference API: Paddle Inference APIは、モデル実行を低レベルで制御できます。モデルをカスタムアプリケーションに緊密に統合したり、特定のハードウェア向けにパフォーマンスを最適化したりする必要があるシナリオに適しています。

• Paddle Lite: Paddle Liteは、リソースが限られたモバイルデバイスや組み込みデバイスへのデプロイ向けに設計されています。モデルを小型化し、ARM CPU、GPU、その他の専用ハードウェア上での推論を高速化するよう最適化します。

• Paddle.js: Paddle.jsを使用すると、PaddlePaddleモデルをWebブラウザ内に直接デプロイできます。Paddle.jsは、事前学習済みモデルを読み込むことも、Paddle.jsが提供するモデル変換ツールを使用してpaddle-hubのモデルを変換することもできます。WebGL/WebGPU/WebAssemblyをサポートするブラウザで実行できます。

サポートされるタスク#

PaddlePaddleへのエクスポートは、Ultralyticsの7つすべてのタスクをサポートしています。セマンティックセグメンテーションと深度推定は、これらのヘッドを搭載する唯一のファミリーであるYOLO26でのみ利用できます。

PaddlePaddleへのエクスポート: YOLO26モデルの変換#

YOLO26モデルをPaddlePaddle形式に変換すると、実行時の柔軟性が向上し、さまざまなデプロイシナリオ向けにパフォーマンスを最適化できます。

インストール#

必要なパッケージをインストールするには、次を実行します。

# Install the required package for YOLO26
pip install ultralytics

インストールプロセスの詳細な手順とベストプラクティスについては、Ultralyticsインストールガイドをご確認ください。YOLO26に必要なパッケージのインストール中に問題が発生した場合は、解決策とヒントについて一般的な問題のガイドを参照してください。

使用方法#

すべてのUltralytics YOLO26モデルはエクスポートをサポートしています。エクスポート形式とオプションの完全な一覧を確認して、デプロイのニーズに最適なものを見つけることができます。

PaddlePaddle形式は、エクスポート、予測、検証モードをサポートしています。モデルをエクスポートし、エクスポートしたモデルを読み込んで推論を実行するか、精度を検証してください。

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")

エクスポート引数#

エクスポートプロセスの詳細については、エクスポートに関するUltralyticsドキュメントページをご覧ください。

エクスポートしたYOLO26 PaddlePaddleモデルのデプロイ#

Ultralytics YOLO26モデルをPaddlePaddle形式に正常にエクスポートしたら、デプロイできるようになります。PaddlePaddleモデルを実行する際の最初の主要かつ推奨される手順は、前述の使用例コードに示されているYOLO("yolo26n_paddle_model/")メソッドを使用することです。

ただし、さまざまな他の環境でPaddlePaddleモデルをデプロイする詳しい手順については、次のリソースを確認してください。

• Paddle Serving: Paddle Servingを使用して、PaddlePaddleモデルを高パフォーマンスのサービスとしてデプロイする方法を説明します。

• Paddle Lite: Paddle Liteを使用して、モバイルデバイスや組み込みデバイス上のモデルを最適化してデプロイする方法を確認できます。

• Paddle.js: Paddle.jsを使用して、クライアントサイドAI向けにWebブラウザでPaddlePaddleモデルを実行する方法を説明します。

まとめ#

このガイドでは、Ultralytics YOLO26モデルをPaddlePaddle形式にエクスポートするプロセスを説明しました。これらの手順に従うことで、さまざまなデプロイシナリオでPaddlePaddleの強みを活用し、異なるハードウェアおよびソフトウェア環境向けにモデルを最適化できます。

使用方法の詳細については、PaddlePaddle公式ドキュメントをご覧ください。

Ultralytics YOLO26モデルを統合する他の方法も確認してみませんか？統合ガイドページではさまざまなオプションを紹介し、役立つリソースと知見を提供しています。

FAQ#