YOLO26モデルからPaddlePaddle形式へエクスポートする方法

さまざまな条件下での現実世界のシナリオにおいて、コンピュータービジョン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、そして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。これは、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コンピュータービジョンモデルを使用できることを意味します。

PaddlePaddleモデル形式へのエクスポート機能を使用すると、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、さまざまなドメインの現実世界の環境でコンピューター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。

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の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いくつかのフレームワークとは異なり、PaddlePaddleは業界全体での使いやすさとスムーズな統合を優先しています。

TensorFlowやPyTorchのような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、パフォーマンス最適化におけるPaddlePaddleの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期待でき、実用的なシナリオで最高の結果をもたらします。

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全体で柔軟性、パフォーマンス、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。

• 動的から静的へのグラフ変換: PaddlePaddleは動的から静的への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、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: PaddlePaddleはTensorRTと同様に、オペレーター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、学習後の量子化や量子化を考慮した学習を含む量子化技術をサポートしています。これらの手法により、より低い精度のデータ表現を使用でき、効果的にパフォーマンスを向上させ、モデルサイズを削減できます。

PaddlePaddle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を掘り下げる前に、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はプロダクション環境に最適であり、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ます。

• 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、カスタムアプリケーション内にモデルを緊密に統合したり、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。ARM CPU、GPU、およびその他の専用ハードウェア上で、より小さいモデルサイズとより高速な推論のためにモデルを最適化します。

• 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、事前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。

PaddlePaddleへエクスポート：YOLO26モデルの変換

YOLO26モデルをPaddlePaddle形式に変換すると、実行の柔軟性が向上し、さまざまなデプロイシナリオに合わせ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、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確認してください。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、共通の問題ガイドで解決策とヒント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。

from ultralytics import YOLO

# Load the 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")

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。

エクスポートされたYOLO26 PaddlePaddleモデルのデプロイ

Ultralytics YOLO26モデルをPaddlePaddle形式へ正常にエクスポートした後、それらをデプロイできます。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、次のリソースを参照してください。

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

• Paddle Lite: Paddle Liteを使用して、モバイルデバイスや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ります。

• Paddle.js: クライアント側の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。

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調査しました。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お探しですか？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。

FAQ

Ultralytics 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 the 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")

より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確認してください。

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対し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。
• 動的から静的へのグラフコンパイル: 動的から静的へのコンパイルをサポートしており、実行時の最適化を可能にします。
• オペレーター融合: 互換性のある演算を統合することで、計算オーバーヘッドを削減します。
• 量子化技術: 学習後の量子化と量子化を考慮した学習の両方をサポートしており、より低い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へ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全体で柔軟性と高性能を確保できます。PaddlePaddleの主要な機能と能力については、公式PaddlePaddleドキュメントをご覧ください。

YOLO26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、産業用および商用のAI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と同様の広範なツールを提供します。YOLO26モデルをPaddlePaddleへ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フットプリントの削減。
• 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: 分散環境のための効率的な並列処理能力。

これらの機能により、PaddlePaddleはプロダクション環境でYOLO26モデルをデプロイするための魅力的な選択肢となっています。

PaddlePaddle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：

• 動的から静的へのグラフ: モデルを実行時の最適化のために静的な計算グラフに変換します。
• オペレーター融合: 互換性のある演算を組み合わせて、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、より低い精度のデータを使用してモデルサイズを削減し、効率を向上させます。

これらの手法は効率的なモデル実行を優先しており、PaddlePaddleを高性能なYOLO26モデルをデプロイするための優れたオプションにしています。最適化の詳細については、PaddlePaddle公式ドキュメントを参照してください。

PaddlePaddle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: モデルをRESTful APIとしてデプロイします。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たプロダクション環境に最適です。
• Paddle Inference API: カスタムアプリケーションのためにモデルの実行を低レベルで制御できます。
• Paddle Lite: モバイルデバイスや組み込みデバイスの限られたリソースに合わせてモデルを最適化します。
• Paddle.js: Webブラウザ内でモデルを直接デプロイできるようにします。

これらのオプションは、オンデバイス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ています。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。