Link to this sectionYOLO26モデルからPaddlePaddle形式へエクスポートする方法#

さまざまな状況下におけるコンピュータビジョンモデルの開発と実運用環境へのデプロイ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、そして分散環境における並列処理能力に重点を置くことで、このプロセスを容易にします。つまり、スマートフォンからクラウドベースのサーバーまで、多種多様な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るということです。

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するために最適化できます。PaddlePaddleは産業用デプロイを促進することで知られており、さまざまな分野の実環境において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。

Link to this sectionなぜPaddlePaddleへエクスポートする必要があるのでしょうか？#

Baiduによって開発されたPaddlePaddle（PArallel Distributed Deep LEarning）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。主に研究用に構築された一部のフレームワークとは異なり、PaddlePaddleは使いやすさと産業界全体での円滑な統合を優先しています。

PaddlePaddleは、TensorFlowやPyTorchのような人気フレームワークと同様のツールやリソースを提供しており、あらゆる経験レベルの開発者が利用可能です。農業や工場からサービス業に至るまで、477万人を超えるPaddlePaddleの巨大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ことで、PaddlePaddleのパフォーマンス最適化における強みを活かすことができます。PaddlePaddleは効率的なモデル実行とメモリ使用量の削減を優先しています。その結果、YOLO26モデルはさらに優れたパフォーマンスを達成し、実用的なシナリオで最高品質の結果を提供できる可能性があります。

Link to this sectionPaddlePaddleモデルの主な機能#

PaddlePaddleモデルは、多様なデプロイシナリオ全体における柔軟性、パフォーマンス、およびスケーラビリティに貢献するさまざまな主要機能を提供します。

• ダイナミック-スタティックグラフ: PaddlePaddleはダイナミック-スタティックコンパイルをサポートしており、モデルを静的な計算グラフに変換できます。これにより、ランタイムの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。

• オペレータ融合: PaddlePaddleは、TensorRTと同様に、オペレータ融合を使用して計算を効率化し、オーバーヘッドを削減します。フレームワークは互換性のある操作をマージすることでメモリ転送と計算ステップを最小限に抑え、その結果、推論が高速化されます。

• 量子化: PaddlePaddleは、学習後の量子化や量子化を考慮した学習など、量子化技術をサポートしています。これらの手法により、低精度のデータ表現を使用できるため、パフォーマンスが効果的に向上し、モデルサイズが削減されます。

Link to this sectionPaddlePaddleにおけるデプロイオプション#

YOLO26モデルをPaddlePaddleへエクスポートするためのコードに入る前に、PaddlePaddleモデルが優れているさまざまなデプロイシナリオを見てみましょう。

PaddlePaddleは幅広い選択肢を提供しており、それぞれが使いやすさ、柔軟性、パフォーマンスの明確なバランスを提供しています。

• Paddle Serving: このフレームワークは、PaddlePaddleモデルを高性能なRESTful APIとしてデプロイすることを簡素化します。Paddle Servingは本番環境に最適であり、モデルのバージョン管理、オンラインA/Bテスト、大量のリクエストを処理するための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、モデル実行に対する低レベルの制御を提供します。このオプションは、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に合わせて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、リソースが限られているモバイルデバイスや組み込みデバイスへのデプロイ用に設計されています。モデルを小型化し、ARM CPU、GPU、およびその他の専用ハードウェア上での推論を高速化するために最適化します。

• Paddle.js: Paddle.jsを使用すると、Webブラウザ内で直接PaddlePaddleモデルをデプロイできます。Paddle.jsは、学習済みモデルを読み込むか、Paddle.jsが提供するモデル変換ツールを使用してpaddle-hubからモデルを変換できます。WebGL/WebGPU/WebAssemblyをサポートするブラウザで実行可能です。

Link to this sectionPaddlePaddleへのエクスポート：YOLO26モデルの変換#

YOLO26モデルをPaddlePaddle形式に変換することで、実行の柔軟性が向上し、さまざまなデプロイシナリオに向けてパフォーマンスを最適化できます。

Link to this section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、以下を実行してください。

# Install the required package for YOLO26
pip install ultralytics

インストールプロセスに関する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をインストールする際に問題が発生した場合は、一般的な問題ガイドで解決策やヒントを参照してください。

Link to this section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おり、エクスポート形式とオプションの全リストを参照して、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、および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、エクスポートされたモデルをロードして推論を実行するか、その精度を検証します。

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 section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。

Link to this sectionエクスポートしたYOLO26 PaddlePaddleモデルのデプロイ#

Ultralytics YOLO26モデルを正常にPaddlePaddle形式へエクスポートしたら、デプロイできます。PaddlePaddleモデルを実行するための主要かつ推奨される最初の手順は、以前の使用方法のコードスニペットで説明したように、YOLO("yolo26n_paddle_model/")メソッドを使用することです。

ただし、その他のさまざまな設定でPaddlePaddleモデルをデプロイするための詳細な手順については、以下のリソースをご覧ください。

• Paddle Serving: Paddle Servingを使用して、PaddlePaddleモデルを高性能なサービスとしてデプロイする方法を学びます。

• Paddle Lite: Paddle Liteを使用して、モバイルおよび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探索します。

• Paddle.js: Paddle.jsを使用して、クライアントサイドAIのためにWebブラウザ内でPaddlePaddleモデルを実行する方法を発見します。

Link to this section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について説明しました。これらの手順に従うことで、多様なデプロイシナリオにおけるPaddlePaddleの強みを活かし、さまざまなハードウェアおよびソフトウェア環境に合わせて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を探していますか？当社の統合ガイドページでは、貴重なリソースと洞察を備えたさまざまなオプションを解説しています。

Link to this sectionFAQ#

Link to this sectionUltralytics YOLO26モデルをPaddlePaddle形式にエクスポートするにはどうすればよいですか？#

Ultralytics YOLO26モデルをPaddlePaddle形式にエクスポートするのは簡単です。YOLOクラスのexportメソッドを使用して変換を実行できます。以下はPythonを使用した例です：

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")

詳細なセットアップやトラブルシューティングについては、Ultralytics インストールガイドおよび一般的な問題ガイドをご確認ください。

Link to this sectionモデルデプロイにPaddlePaddleを使用する利点は何ですか？#

PaddlePaddleはモデルデプロイにおいていくつかの重要な利点を提供します：

• パフォーマンス最適化: PaddlePaddleは効率的なモデル実行とメモリ使用量の削減に優れています。
• ダイナミック-スタティックグラフコンパイル: ダイナミックからスタティックへのコンパイルをサポートしており、ランタイムの最適化が可能です。
• オペレータ融合: 互換性のある操作を結合することで、計算オーバーヘッドを削減します。
• 量子化技術: 学習後および学習時の量子化の両方をサポートしており、低精度のデータ表現を可能にしてパフォーマンスを向上させます。

Ultralytics YOLO26モデルをPaddlePaddleにエクスポートすることで結果を向上させ、さまざまなアプリケーションやハードウェアプラットフォームで柔軟性と高いパフォーマンスを確保できます。PaddlePaddleの主な機能と能力については、PaddlePaddle公式ドキュメントをご覧ください。

Link to this sectionYOLO26モデルのデプロイにPaddlePaddleを選択すべき理由は何ですか？#

Baiduが開発したPaddlePaddleは、産業および商業用AIのデプロイ向けに最適化されています。その大規模な開発者コミュニティと堅牢なフレームワークは、TensorFlowやPyTorchに似た広範なツールを提供します。YOLO26モデルをPaddlePaddleにエクスポートすることで、以下を活用できます：

• パフォーマンスの向上: 最適な実行速度とメモリ使用量の削減。
• 柔軟性: スマートフォンからクラウドサーバーまで、さまざまなデバイスとの幅広い互換性。
• スケーラビリティ: 分散環境向けの効率的な並列処理能力。

これらの機能により、PaddlePaddleは本番環境でYOLO26モデルをデプロイするための魅力的な選択肢となります。

Link to this sectionPaddlePaddleは他のフレームワークと比較してどのようにモデルパフォーマンスを向上させますか？#

PaddlePaddleは、モデルパフォーマンスを最適化するためにいくつかの高度な手法を採用しています：

• ダイナミック-スタティックグラフ: モデルをランタイム最適化のための静的な計算グラフに変換します。
• オペレータ融合: 互換性のある操作を組み合わせることで、メモリ転送を最小限に抑え、推論速度を向上させます。
• 量子化: 精度を維持しながら、低精度のデータを使用してモデルサイズを削減し、効率を高めます。

これらの技術は効率的なモデル実行を優先しており、PaddlePaddleは高性能なYOLO26モデルをデプロイするための優れた選択肢となっています。最適化の詳細については、PaddlePaddle公式ドキュメントをご覧ください。

Link to this sectionPaddlePaddleはYOLO26モデルに対してどのようなデプロイオプションを提供していますか？#

PaddlePaddleは柔軟なデプロイオプションを提供します：

• Paddle Serving: モデルのバージョン管理やオンラインA/Bテストなどの機能を備え、本番環境に理想的なRESTful APIとしてモデルをデプロイします。
• Paddle Inference API: カスタムアプリケーション向けにモデル実行の低レベル制御を提供します。
• Paddle Lite: モバイルおよび組み込みデバイスの制限されたリソースに合わせてモデルを最適化します。
• Paddle.js: Webブラウザ内で直接モデルをデプロイ可能にします。

これらのオプションは、デバイス上での推論からスケーラブルなクラウドサービスまで、幅広いデプロイシナリオをカバーします。その他のデプロイ戦略については、Ultralytics モデルデプロイオプションページをご覧ください。