YOLO26モデルからPaddlePaddleフォーマットへエクスポートする方法#

さまざまな条件が存在する現実世界のシナリオにおいて、computer visionモデルの開発とデプロイの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、および分散環境での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。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、さまざまなデバイスやプラットフォームでYOLO26computer visionモデルを使用できるようになります。

PaddlePaddleモデルフォーマット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に最適化できます。PaddlePaddleは産業用デプロイを容易にすることで知られており、さまざまなドメインの現実世界の設定においてcomputer vision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。

なぜPaddlePaddleに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のdeep learning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全体でのスムーズな統合を優先しています。

TensorFlowやPyTorchのような人気のあるフレームワークに似たツールと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アクセスできるようになっています。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フォーマットにエクスポートすることで、パフォーマンス最適化におけるPaddlePaddle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優先します。その結果、YOLO26モデルはさらなるパフォーマンスの向上が見込め、実用的なシナリオで最高の結果を提供します。

PaddlePaddleモデルの主な機能#

PaddlePaddleモデルは、多様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寄与するさまざまな主要機能を提供します。

• 動的から静的へのグラフ（Dynamic-to-Static Graph）: PaddlePaddleは動的から静的へのコンパイル（dynamic-to-static compilation）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、実行時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。

• オペレーター融合（Operator Fusion）: PaddlePaddleはTensorRTと同様に、オペレーター融合（operator fusion）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。このフレームワークは、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、より高速な推論を実現します。

• 量子化（Quantization）: PaddlePaddleは、トレーニング後量子化や量子化認識トレーニングなどの量子化技術（quantization techniques）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るようになり、パフォーマンスが効果的に向上し、モデルサイズが縮小されます。

PaddlePaddleにおけるデプロイオプション#

YOLO26モデルをPaddlePaddleにエクスポートするためのコードを確認する前に、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はさまざまなオプションを提供しており、それぞれが使いやすさ、柔軟性、パフォーマンスのバランスを独自に保っています。

• 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、モデルのバージョニング、オンラインA/Bテスト、大規模な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、本番環境に最適です。

• Paddle Inference API: Paddle Inference APIを使用すると、モデルの実行を低レベルで制御できます。このオプションは、モデルをカスタムアプリケーション内に密接に統合したり、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、リソースが制限さ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。モデルをより小さなサイズに最適化し、ARM CPU、GPU、およびその他の専用ハードウェア上で推論を高速化します。

• 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、事前トレーニング済みモデルをロードするか、Paddle.jsが提供するモデル変換ツールを使用してpaddle-hubからモデルを変換することができます。WebGL、WebGPU、WebAssemblyをサポートするブラウザで実行できます。

サポートされているタスク#

PaddlePaddleのエクスポートは、7つのUltralyticsタスクすべて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、それらのヘッドを搭載する唯一のファミリーであるYOLO26でのみ利用可能です。

PaddlePaddleへのエクスポート：YOLO26モデルの変換#

YOLO26モデルをPaddlePaddleフォーマットに変換することで、実行の柔軟性を高め、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。

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のインストール中に問題が発生した場合は、一般的な問題ガイドを参照して解決策とヒントを確認してください。

使用方法#

すべてのUltralytics YOLO26 modelsはエクスポートをサポートしており、エクスポートフォーマットとオプションの完全なリストを閲覧することで、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フォーマットは、Export、Predict、およびValidateモードをサポートしています。モデルをエクスポートしてから、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")

エクスポートの引数#

エクスポートプロセスの詳細については、Ultralytics documentation page on exporting をご覧ください。

エクスポートされたYOLO26 PaddlePaddleモデルのデプロイ#

Ultralytics YOLO26モデルをPaddlePaddleフォーマットに正常にエクスポートした後、それらをデプロイできるようになります。PaddlePaddleモデルを実行するための主要かつ推奨される最初のステップは、以前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、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でモデルを最適化および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用のWebブラウザでPaddlePaddleモデルを実行する方法を見つけます。

要約#

本ガイドでは、Ultralytics YOLO26モデルをPaddlePaddleフォーマットにエクスポートするプロセスを探りました。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、異なるハードウェアや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モデルを統合するその他の方法を探索したいですか？当社の統合ガイドページではさまざまなオプションを探索し、貴重なリソースと洞察を提供しています。

よくある質問 (FAQ)#