YOLO26 모델에서 PaddlePaddle 형식으로 내보내는 방법#

다양한 조건의 실제 환경에서 컴퓨터 비전 모델을 개발하고 배포하는 과정의 간극을 줄이는 일은 어려울 수 있습니다. PaddlePaddle은 유연성, 성능, 분산 환경에서의 병렬 처리 기능에 중점을 두어 이 과정을 더 쉽게 만듭니다. 따라서 스마트폰부터 클라우드 기반 서버까지 다양한 디바이스와 플랫폼에서 YOLO26 컴퓨터 비전 모델을 사용할 수 있습니다.

PaddlePaddle 모델 형식으로 내보내면 Ultralytics YOLO26 모델을 PaddlePaddle 프레임워크에서 사용하도록 최적화할 수 있습니다. PaddlePaddle은 산업 분야 배포를 지원하는 것으로 잘 알려져 있으며, 다양한 도메인의 실제 환경에서 컴퓨터 비전 애플리케이션을 배포하는 데 적합합니다.

PaddlePaddle로 내보내야 하는 이유는 무엇인가요?#

Baidu가 개발한 PaddlePaddle(병렬 분산 딥러닝(PADDLE))은 중국 최초의 오픈 소스 딥러닝 플랫폼입니다. 주로 연구를 위해 구축된 일부 프레임워크와 달리 PaddlePaddle은 사용 편의성과 산업 전반의 원활한 통합을 우선시합니다.

TensorFlow 및 PyTorch와 같은 인기 프레임워크와 유사한 도구와 리소스를 제공하므로 모든 경험 수준의 개발자가 쉽게 사용할 수 있습니다. 농업과 공장부터 서비스 기업에 이르기까지 477만 명이 넘는 PaddlePaddle의 대규모 개발자 커뮤니티가 AI 애플리케이션의 제작과 배포를 지원하고 있습니다.

Ultralytics YOLO26 모델을 PaddlePaddle 형식으로 내보내면 PaddlePaddle의 성능 최적화 기능을 활용할 수 있습니다. PaddlePaddle은 효율적인 모델 실행과 메모리 사용량 감소를 우선시합니다. 그 결과 YOLO26 모델이 더 높은 성능을 달성하여 실제 시나리오에서 뛰어난 결과를 제공할 수 있습니다.

PaddlePaddle 모델의 주요 기능#

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

• 동적-정적 그래프: PaddlePaddle은 모델을 정적 연산 그래프로 변환할 수 있는 동적-정적 컴파일을 지원합니다. 이를 통해 런타임 오버헤드를 줄이고 추론 성능을 향상하는 최적화를 적용할 수 있습니다.

• 연산자 융합: PaddlePaddle은 TensorRT와 마찬가지로 연산자 융합을 사용하여 연산을 간소화하고 오버헤드를 줄입니다. 호환되는 연산을 병합하여 메모리 전송과 연산 단계를 최소화하므로 더 빠른 추론이 가능합니다.

• 양자화: PaddlePaddle은 학습 후 양자화와 양자화 인식 학습을 포함한 양자화 기법을 지원합니다. 이러한 기법을 사용하면 더 낮은 정밀도의 데이터 표현을 활용하여 성능을 높이고 모델 크기를 줄일 수 있습니다.

PaddlePaddle의 배포 옵션#

YOLO26 모델을 PaddlePaddle로 내보내는 코드로 넘어가기 전에 PaddlePaddle 모델이 강점을 발휘하는 다양한 배포 시나리오를 살펴보겠습니다.

PaddlePaddle은 사용 편의성, 유연성, 성능 간의 균형이 서로 다른 다양한 옵션을 제공합니다.

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

• Paddle Inference API: Paddle Inference API는 모델 실행을 세부적으로 제어할 수 있도록 합니다. 모델을 사용자 지정 애플리케이션에 긴밀하게 통합하거나 특정 하드웨어에 맞게 성능을 최적화해야 하는 시나리오에 적합합니다.

• Paddle Lite: Paddle Lite는 리소스가 제한된 모바일 및 임베디드 디바이스에 배포하도록 설계되었습니다. ARM CPU, GPU 및 기타 특수 하드웨어에서 더 작은 크기와 빠른 추론을 구현하도록 모델을 최적화합니다.

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

지원되는 작업#

PaddlePaddle 내보내기는 Ultralytics의 7가지 태스크를 모두 지원합니다. 시맨틱 세그멘테이션과 깊이 추정은 해당 헤드를 제공하는 유일한 제품군인 YOLO26에서만 사용할 수 있습니다.

PaddlePaddle로 내보내기: YOLO26 모델 변환#

YOLO26 모델을 PaddlePaddle 형식으로 변환하면 다양한 배포 시나리오에서 실행 유연성을 높이고 성능을 최적화할 수 있습니다.

설치#

필요한 package를 설치하려면 다음을 실행하십시오:

# Install the required package for YOLO26
pip install ultralytics

설치 과정에 대한 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 확인하세요. YOLO26에 필요한 패키지를 설치하는 동안 문제가 발생하면 해결 방법과 팁이 포함된 일반적인 문제 가이드를 참조하세요.

사용법#

모든 Ultralytics YOLO26 모델은 내보내기를 지원하며, 배포 요구 사항에 가장 적합한 형식을 찾으려면 내보내기 형식 및 옵션 전체 목록을 확인할 수 있습니다.

PaddlePaddle 형식은 내보내기, 예측, 검증 모드를 지원합니다. 모델을 내보낸 다음 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증할 수 있습니다.

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")

내보내기 인수#

내보내기 프로세스에 대한 자세한 내용은 Ultralytics 내보내기 문서 페이지를 참조하십시오.

내보낸 YOLO26 PaddlePaddle 모델 배포#

Ultralytics YOLO26 모델을 PaddlePaddle 형식으로 성공적으로 내보낸 후에는 모델을 배포할 수 있습니다. PaddlePaddle 모델을 실행하기 위한 기본적이며 권장되는 첫 단계는 앞선 사용 코드 예제에 설명된 YOLO("yolo26n_paddle_model/") 메서드를 사용하는 것입니다.

다양한 다른 환경에서 PaddlePaddle 모델을 배포하는 자세한 지침은 다음 리소스를 참조하세요.

• Paddle Serving: Paddle Serving을 사용하여 성능이 뛰어난 서비스로 PaddlePaddle 모델을 배포하는 방법을 알아보세요.

• Paddle Lite: Paddle Lite를 사용하여 모바일 및 임베디드 디바이스에서 모델을 최적화하고 배포하는 방법을 알아보세요.

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

요약#

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

사용법에 대한 자세한 내용은 PaddlePaddle 공식 문서를 참조하세요.

Ultralytics YOLO26 모델을 통합하는 더 많은 방법을 알아보고 싶으신가요? 통합 가이드 페이지에서 다양한 옵션을 살펴보고 유용한 리소스와 인사이트를 확인할 수 있습니다.

FAQ#