Link to this sectionYOLO26モデルからPaddlePaddleフォーマットへエクスポートする方法#

さまざまな条件下で稼働する実環境において、コンピュータビジョンモデルを開発し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、柔軟性とパフォーマンス、そして分散環境における並列処理機能に焦点を当てることで、このプロセスを簡素化します。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容易にすることで知られており、さまざまなドメインの実環境に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のに適した選択肢です。

Link to this section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。

本フレームワークはTensorFlowやPyTorchのような人気のある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。

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。

• ダイナミック・ツー・スタティック・グラフ: PaddlePaddleはダイナミック・ツー・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、推論を高速化します。

• 量子化: PaddlePaddleは、学習後量子化や量子化を考慮したトレーニング（Quantization-aware training）を含む量子化技術をサポートしています。これらの技術により、より精度の低いデータ表現を使用することが可能になり、パフォーマンスを効果的に高め、モデルサイズを縮小できます。

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、PaddlePaddleモデルをWebブラウザ内で直接デプロイできます。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。

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の詳細および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、解決策とヒントについて共通の問題ガイド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、エクスポート可能な全フォーマットおよびオプションの一覧を参照して、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、エクスポートされたモデルを読み込んで推論を実行するか、その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")

Link to this section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のエクスポートに関するドキュメントページを参照してください。

Link to this section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、モバイルデバイスや組み込みデバイスでモデルを最適化しデプロイする方法を探ります。

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

Link to this section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モデルを統合する他の方法を探りたいですか？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っており、貴重なリソースと洞察を提供しています。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLO26モデルをPaddlePaddleフォーマットにエクスポートするにはどうすればよいですか？#

Ultralytics YOLO26モデルのPaddlePaddleフォーマットへのエクスポートは簡単です。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")

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共通の問題に関するガイドを確認してください。

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主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・ツー・スタティック・グラフコンパイル: ダイナミック・ツー・スタティック・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。
• オペレーター融合: 互換性のある操作をマージすることで、計算のオーバーヘッドを削減します。
• 量子化技術: 学習後量子化と量子化を考慮したトレーニングの両方をサポートしており、パフォーマンス向上のために低精度のデータ表現を可能にします。

Ultralytics YOLO26モデルをPaddlePaddleにエクスポートすることで、より優れた結果を達成し、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いパフォーマンスを確保できます。PaddlePaddleの主要な機能と能力については、PaddlePaddle公式ドキュメントを参照してください。

Link to this sectionYOLO26モデルのデプロイにPaddlePaddleを選択すべきなのはなぜですか？#

Baiduが開発したPaddlePaddleは、産業用および商業用のAIデプロイ向けに最適化されています。その巨大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機能。

これらの機能により、PaddlePaddleは本番環境でのYOLO26モデルのデプロイにおいて強力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るのでしょうか？#

PaddlePaddleは、モデルパフォーマンスを最適化するために、いくつかの高度な技術を採用しています。

• ダイナミック・ツー・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: 互換性のある操作を結合し、メモリ転送を最小限に抑えて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参照してください。

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ています。

• Paddle Serving: モデルをRESTful APIとしてデプロイします。モデルのバージョニングやオンラインA/Bテストなどの機能を備え、本番環境に最適です。
• Paddle Inference API: カスタムアプリケーション向けに、モデル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: モデルをWebブラウザ内で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、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網羅しています。詳細なデプロイ戦略は、Ultralyticsモデルデプロイオプションページをご覧ください。