Link to this sectionYOLO26 모델에서 PaddlePaddle 형식으로 내보내는 방법#

다양한 환경의 실제 시나리오에서 computer vision 모델을 개발하고 배포하는 과정 사이의 격차를 해소하기는 어려울 수 있습니다. PaddlePaddle은 유연성, 성능, 그리고 분산 환경에서의 병렬 처리 기능에 집중함으로써 이 과정을 더 쉽게 만들어 줍니다. 즉, YOLO26 컴퓨터 비전 모델을 스마트폰부터 클라우드 기반 서버까지 다양한 장치와 플랫폼에서 사용할 수 있습니다.

PaddlePaddle 모델 형식으로 내보내는 기능을 사용하면 Ultralytics YOLO26 모델을 PaddlePaddle 프레임워크 내에서 사용하도록 최적화할 수 있습니다. PaddlePaddle은 산업용 배포를 원활하게 지원하는 것으로 알려져 있으며, 다양한 도메인의 실제 환경에서 컴퓨터 비전 애플리케이션을 배포하기 위한 좋은 선택지입니다.

Link to this section왜 PaddlePaddle로 내보내야 할까요?#

Baidu에서 개발한 PaddlePaddle(PArallel Distributed Deep LEarning)은 중국 최초의 오픈 소스 deep learning 플랫폼입니다. 주로 연구를 위해 구축된 일부 프레임워크와 달리, PaddlePaddle은 사용 편의성과 산업 전반에 걸친 원활한 통합을 우선시합니다.

이 플랫폼은 TensorFlow 및 PyTorch와 같은 인기 있는 프레임워크와 유사한 도구와 리소스를 제공하여 모든 경험 수준의 개발자가 접근할 수 있도록 합니다. 농업과 공장부터 서비스 비즈니스에 이르기까지 477만 명 이상의 대규모 PaddlePaddle 개발자 커뮤니티가 AI 애플리케이션을 만들고 배포하도록 돕고 있습니다.

Ultralytics YOLO26 모델을 PaddlePaddle 형식으로 내보내면 PaddlePaddle의 성능 최적화 강점을 활용할 수 있습니다. PaddlePaddle은 효율적인 모델 실행과 메모리 사용량 감소를 우선시합니다. 결과적으로 YOLO26 모델은 더 나은 성능을 달성하여 실제 시나리오에서 최고 수준의 결과를 제공할 수 있습니다.

Link to this sectionPaddlePaddle 모델의 주요 기능#

PaddlePaddle 모델은 다양한 배포 시나리오에서 유연성, 성능 및 확장성에 기여하는 일련의 주요 기능을 제공합니다.

• Dynamic-to-Static Graph: PaddlePaddle은 모델을 정적 계산 그래프로 변환할 수 있는 dynamic-to-static compilation을 지원합니다. 이는 런타임 오버헤드를 줄이고 추론 성능을 향상하는 최적화를 가능하게 합니다.

• Operator Fusion: PaddlePaddle은 TensorRT와 마찬가지로 operator fusion을 사용하여 계산을 간소화하고 오버헤드를 줄입니다. 프레임워크는 호환되는 작업을 병합하여 메모리 전송 및 계산 단계를 최소화하며, 그 결과 더 빠른 추론이 가능해집니다.

• Quantization: PaddlePaddle은 학습 후 양자화(post-training quantization) 및 양자화 인식 학습(quantization-aware training)을 포함한 quantization techniques를 지원합니다. 이러한 기술은 더 낮은 정밀도의 데이터 표현을 사용하여 성능을 효과적으로 높이고 모델 크기를 줄일 수 있게 합니다.

Link to this sectionPaddlePaddle의 배포 옵션#

YOLO26 모델을 PaddlePaddle로 내보내기 위한 코드를 살펴보기 전에, PaddlePaddle 모델이 뛰어난 성능을 발휘하는 다양한 배포 시나리오를 살펴보겠습니다.

PaddlePaddle은 사용 편의성, 유연성, 성능의 독특한 균형을 제공하는 다양한 옵션을 제공합니다.

• Paddle Serving: 이 프레임워크는 PaddlePaddle 모델을 고성능 RESTful API로 배포하는 과정을 간소화합니다. Paddle Serving은 모델 버전 관리, 온라인 A/B 테스트, 대용량 요청 처리를 위한 확장성 등의 기능을 제공하여 프로덕션 환경에 이상적입니다.

• Paddle Inference API: Paddle Inference API는 모델 실행에 대한 저수준 제어 권한을 제공합니다. 이 옵션은 사용자 지정 애플리케이션 내에 모델을 긴밀하게 통합하거나 특정 하드웨어에 대한 성능을 최적화해야 하는 시나리오에 적합합니다.

• Paddle Lite: Paddle Lite는 리소스가 제한된 모바일 및 임베디드 장치에 배포하기 위해 설계되었습니다. 이 기능은 ARM CPU, GPU 및 기타 특수 하드웨어에서 더 작은 크기와 더 빠른 추론을 위해 모델을 최적화합니다.

• Paddle.js: Paddle.js를 사용하면 웹 브라우저 내에서 직접 PaddlePaddle 모델을 배포할 수 있습니다. Paddle.js는 사전 학습된 모델을 로드하거나 Paddle.js에서 제공하는 모델 변환 도구를 사용하여 paddle-hub의 모델을 변환할 수 있습니다. 이 기능은 WebGL/WebGPU/WebAssembly를 지원하는 브라우저에서 실행됩니다.

Link to this sectionPaddlePaddle로 내보내기: YOLO26 모델 변환하기#

YOLO26 모델을 PaddlePaddle 형식으로 변환하면 실행 유연성이 향상되고 다양한 배포 시나리오에 대한 성능을 최적화할 수 있습니다.

Link to this section설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

# Install the required package for YOLO26
pip install ultralytics

설치 과정과 관련된 자세한 지침 및 모범 사례는 Ultralytics 설치 가이드를 확인하십시오. YOLO26용 필수 패키지를 설치하는 동안 문제가 발생하면 일반 문제 가이드에서 해결책과 팁을 확인하십시오.

Link to this section사용법#

모든 Ultralytics YOLO26 models은 내보내기를 지원하며, 전체 내보내기 형식 및 옵션 목록을 탐색하여 배포 요구 사항에 가장 적합한 형식을 찾을 수 있습니다.

PaddlePaddle 형식은 Export, Predict 및 Validate 모드를 지원합니다. 모델을 내보낸 후 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증하십시오.

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 section내보내기 인수#

내보내기 프로세스에 대한 자세한 내용은 내보내기에 대한 Ultralytics 문서 페이지를 참조하십시오.

Link to this section내보낸 YOLO26 PaddlePaddle 모델 배포하기#

Ultralytics YOLO26 모델을 PaddlePaddle 형식으로 성공적으로 내보낸 후에는 이제 배포할 수 있습니다. PaddlePaddle 모델을 실행하기 위한 기본적이고 권장되는 첫 번째 단계는 이전 사용 코드 예제에서 설명한 대로 YOLO("yolo26n_paddle_model/") 메서드를 사용하는 것입니다.

그러나 다양한 환경에서 PaddlePaddle 모델을 배포하는 방법에 대한 자세한 지침은 다음 리소스를 참조하십시오.

• Paddle Serving: Paddle Serving을 사용하여 PaddlePaddle 모델을 고성능 서비스로 배포하는 방법을 알아보십시오.

• Paddle Lite: Paddle Lite를 사용하여 모바일 및 임베디드 장치에서 모델을 최적화하고 배포하는 방법을 살펴보십시오.

• Paddle.js: Paddle.js를 사용하여 클라이언트 측 AI를 위해 웹 브라우저에서 PaddlePaddle 모델을 실행하는 방법을 확인하십시오.

Link to this section요약#

이 가이드에서는 Ultralytics YOLO26 모델을 PaddlePaddle 형식으로 내보내는 과정을 살펴보았습니다. 이러한 단계를 따르면 다양한 배포 시나리오에서 PaddlePaddle의 강점을 활용하여 다양한 하드웨어 및 소프트웨어 환경에 맞게 모델을 최적화할 수 있습니다.

사용에 대한 자세한 내용은 PaddlePaddle 공식 문서를 방문하십시오.

Ultralytics YOLO26 모델을 통합하는 더 많은 방법을 찾고 계신가요? 통합 가이드 페이지에서는 다양한 옵션을 살펴보고 귀중한 리소스와 통찰력을 제공합니다.

Link to this sectionFAQ#

Link to this sectionUltralytics YOLO26 모델을 PaddlePaddle 형식으로 어떻게 내보내나요?#

Ultralytics YOLO26 모델을 PaddlePaddle 형식으로 내보내는 것은 간단합니다. YOLO 클래스의 export 메서드를 사용하여 변환을 수행할 수 있습니다. 다음은 Python을 사용하는 예시입니다:

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")

더 자세한 설정 및 문제 해결은 Ultralytics 설치 가이드와 공통 문제 가이드를 확인하십시오.

Link to this sectionmodel deployment에 PaddlePaddle을 사용할 때의 이점은 무엇인가요?#

PaddlePaddle은 모델 배포에 몇 가지 주요 이점을 제공합니다:

• 성능 최적화: PaddlePaddle은 효율적인 모델 실행과 메모리 사용량 감소에 탁월합니다.
• 동적-정적 그래프 컴파일: 런타임 최적화를 가능하게 하는 동적-정적 컴파일을 지원합니다.
• Operator Fusion: 호환되는 작업을 병합하여 계산 오버헤드를 줄입니다.
• 양자화 기술: 학습 후 및 양자화 인식 학습을 모두 지원하여 성능 향상을 위해 더 낮은 precision 데이터 표현을 사용할 수 있습니다.

Ultralytics YOLO26 모델을 PaddlePaddle로 내보내면 향상된 결과를 얻을 수 있으며, 다양한 애플리케이션 및 하드웨어 플랫폼 전반에서 유연성과 고성능을 보장할 수 있습니다. 공식 PaddlePaddle 문서에서 PaddlePaddle의 주요 기능과 역량을 살펴보십시오.

Link to this sectionYOLO26 모델 배포를 위해 왜 PaddlePaddle을 선택해야 하나요?#

Baidu에서 개발한 PaddlePaddle은 산업 및 상업용 AI 배포에 최적화되어 있습니다. 대규모 개발자 커뮤니티와 강력한 프레임워크는 TensorFlow 및 PyTorch와 유사한 광범위한 도구를 제공합니다. YOLO26 모델을 PaddlePaddle로 내보내면 다음과 같은 이점을 활용할 수 있습니다:

• 향상된 성능: 최적의 실행 속도와 감소된 메모리 사용량.
• 유연성: 스마트폰부터 클라우드 서버에 이르기까지 다양한 장치와의 폭넓은 호환성.
• 확장성: 분산 환경을 위한 효율적인 병렬 처리 기능.

이러한 기능 덕분에 PaddlePaddle은 프로덕션 환경에서 YOLO26 모델을 배포하기 위한 매력적인 선택지가 됩니다.

Link to this sectionPaddlePaddle은 다른 프레임워크에 비해 모델 성능을 어떻게 개선하나요?#

PaddlePaddle은 모델 성능을 최적화하기 위해 몇 가지 고급 기술을 사용합니다:

• Dynamic-to-Static Graph: 런타임 최적화를 위해 모델을 정적 계산 그래프로 변환합니다.
• Operator Fusion: 호환되는 작업을 결합하여 메모리 전송을 최소화하고 추론 속도를 높입니다.
• 양자화: accuracy를 유지하면서 낮은 정밀도의 데이터를 사용하여 모델 크기를 줄이고 효율성을 높입니다.

이러한 기술들은 효율적인 모델 실행을 우선시하며, PaddlePaddle을 고성능 YOLO26 모델 배포를 위한 훌륭한 옵션으로 만들어 줍니다. 최적화에 대한 자세한 내용은 PaddlePaddle 공식 문서를 참조하십시오.

Link to this sectionPaddlePaddle은 YOLO26 모델에 대해 어떤 배포 옵션을 제공하나요?#

PaddlePaddle은 유연한 배포 옵션을 제공합니다:

• Paddle Serving: 모델을 RESTful API로 배포하며, 모델 버전 관리 및 온라인 A/B 테스트와 같은 기능을 갖추어 프로덕션에 이상적입니다.
• Paddle Inference API: 사용자 지정 애플리케이션을 위해 모델 실행에 대한 저수준 제어를 제공합니다.
• Paddle Lite: 모바일 및 임베디드 장치의 제한된 리소스를 위해 모델을 최적화합니다.
• Paddle.js: 웹 브라우저 내에서 직접 모델을 배포할 수 있게 합니다.

이러한 옵션들은 온디바이스 추론부터 확장 가능한 클라우드 서비스에 이르기까지 광범위한 배포 시나리오를 다룹니다. Ultralytics 모델 배포 옵션 페이지에서 더 많은 배포 전략을 탐색하십시오.