YOLO11 모델에서 PaddlePaddle 형식으로 내보내는 방법

다양한 조건의 실제 시나리오에서 컴퓨터 비전 모델을 개발하는 것과 배포하는 것 사이의 간극을 메우는 것은 어려울 수 있습니다. PaddlePaddle 은 유연성, 성능, 분산 환경에서의 병렬 처리 기능에 중점을 두어 이 과정을 더 쉽게 만들어 줍니다. 즉, 스마트폰에서 클라우드 기반 서버에 이르기까지 다양한 디바이스와 플랫폼에서 YOLO11 컴퓨터 비전 모델을 사용할 수 있습니다.

Watch: Ultralytics YOLO11 모델을 PaddlePaddle 포맷으로 내보내는 방법 | PaddlePaddle 포맷의 주요 기능

PaddlePaddle 모델 형식으로 내보내는 기능을 사용하면 모델을 최적화할 수 있습니다. Ultralytics YOLO11PaddlePaddle PaddlePaddle 은 산업 배포를 용이하게 하는 것으로 알려져 있으며 다양한 도메인에 걸쳐 실제 환경에서 컴퓨터 비전 애플리케이션을 배포하는 데 좋은 선택입니다.

PaddlePaddle 으로 내보내야 하는 이유는 무엇인가요?

바이두에서 개발했습니다, PaddlePaddle(병렬 분산 딥 러닝)은 중국 최초의 오픈 소스 딥 러닝 플랫폼입니다. 주로 연구용으로 구축된 일부 프레임워크와 달리 PaddlePaddle 는 사용 편의성과 산업 전반에 걸친 원활한 통합을 우선시합니다.

다음과 같은 인기 있는 프레임워크와 유사한 도구와 리소스를 제공합니다. TensorFlow 및 PyTorch와 유사한 도구와 리소스를 제공하여 모든 경험 수준의 개발자가 액세스할 수 있습니다. 농업과 공장에서 서비스 비즈니스에 이르기까지 477만 명이 넘는 대규모 개발자 커뮤니티( PaddlePaddle)가 AI 애플리케이션을 만들고 배포하는 데 도움을 주고 있습니다.

Ultralytics YOLO11 모델을 PaddlePaddle 형식으로 내보내면 PaddlePaddle 성능 최적화의 강점을 활용할 수 있습니다. PaddlePaddle 효율적인 모델 실행과 메모리 사용량 감소를 우선시합니다. 그 결과 YOLO11 모델은 잠재적으로 더 나은 성능을 달성하여 실제 시나리오에서 최고의 결과를 제공할 수 있습니다.

PaddlePaddle 모델의 주요 기능

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

• 동적-정적 그래프: PaddlePaddle 에서는 모델을 정적 계산 그래프로 변환할 수 있는 동적-정적 컴파일을 지원합니다. 이를 통해 런타임 오버헤드를 줄이고 추론 성능을 향상시키는 최적화가 가능합니다.

• 연산자 퓨전: PaddlePaddle TensorRT 와 같이 연산자 융합을 사용하여 계산을 간소화하고 오버헤드를 줄입니다. 이 프레임워크는 호환 가능한 연산을 병합하여 메모리 전송과 계산 단계를 최소화하므로 추론 속도가 빨라집니다.

• 양자화: PaddlePaddle 는 학습 후 양자화 및 양자화 인식 학습을 포함한 양자화 기법을 지원합니다. 이러한 기술을 사용하면 더 낮은 정밀도의 데이터 표현을 사용할 수 있으므로 성능을 효과적으로 향상시키고 모델 크기를 줄일 수 있습니다.

배포 옵션 PaddlePaddle

YOLO11 모델을 PaddlePaddle 으로 내보내는 코드를 살펴보기 전에 PaddlePaddle 모델이 뛰어난 다양한 배포 시나리오를 살펴보겠습니다.

PaddlePaddle 는 다양한 옵션을 제공하며, 각 옵션은 사용 편의성, 유연성 및 성능의 뚜렷한 균형을 제공합니다:

• 패들 서빙: 이 프레임워크는 PaddlePaddle 모델을 고성능 RESTful API로 배포하는 작업을 간소화합니다. 패들 서빙은 모델 버전 관리, 온라인 A/B 테스트, 대량의 요청 처리를 위한 확장성 등의 기능을 제공하여 프로덕션 환경에 이상적입니다.

• 패들 추론 API: 패들 추론 API는 모델 실행에 대한 낮은 수준의 제어를 제공합니다. 이 옵션은 사용자 지정 애플리케이션 내에서 모델을 긴밀하게 통합하거나 특정 하드웨어에 맞게 성능을 최적화해야 하는 시나리오에 적합합니다.

• 패들 라이트: 패들 라이트는 리소스가 제한된 모바일 및 임베디드 디바이스에 배포할 수 있도록 설계되었습니다. 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 패들 허브에서 모델을 변환할 수 있습니다. WebGL/WebGPU/WebAssembly를 지원하는 브라우저에서 실행할 수 있습니다.

PaddlePaddle 으로 내보내기: YOLO11 모델 변환

YOLO11 모델을 PaddlePaddle 형식으로 변환하면 실행 유연성을 개선하고 다양한 배포 시나리오에 맞게 성능을 최적화할 수 있습니다.

설치

필요한 패키지를 설치하려면 실행합니다:

# Install the required package for YOLO11
pip install ultralytics

설치 과정과 관련된 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 참조하세요. YOLO11 에 필요한 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드를 참조하여 해결 방법과 팁을 확인하세요.

사용법

사용 지침을 살펴보기 전에 모든 Ultralytics YOLO11 모델에서 내보내기를 사용할 수 있지만, 선택한 모델이 내보내기 기능을 지원하는지 여기에서 확인할 수 있다는 점에 유의하세요.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle  # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

지원되는 내보내기 옵션에 대한 자세한 내용은 배포 옵션에 대한Ultralytics 문서 페이지를 참조하세요.

내보낸 YOLO11 PaddlePaddle 모델 배포

After successfully exporting your Ultralytics YOLO11 models to PaddlePaddle format, you can now deploy them. The primary and recommended first step for running a PaddlePaddle model is to use the YOLO("yolo11n_paddle_model/") method, as outlined in the previous usage code snippet.

그러나 다양한 다른 설정에서 PaddlePaddle 모델을 배포하는 방법에 대한 자세한 지침은 다음 리소스를 참조하세요:

• 패들 서빙: 패들 서빙을 사용하여 PaddlePaddle 모델을 고성능 서비스로 배포하는 방법을 알아보세요.

• 패들 라이트: 패들 라이트를 사용하여 모바일 및 임베디드 디바이스에서 모델을 최적화하고 배포하는 방법을 살펴보세요.

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

요약

이 가이드에서는 Ultralytics YOLO11 모델을 PaddlePaddle 형식으로 내보내는 프로세스를 살펴봤습니다. 이 단계를 수행하면 다양한 배포 시나리오에서 PaddlePaddle 의 강점을 활용하여 다양한 하드웨어 및 소프트웨어 환경에 맞게 모델을 최적화할 수 있습니다.

사용법에 대한 자세한 내용은 PaddlePaddle 공식 문서에서 확인하세요.

Ultralytics YOLO11 모델을 통합하는 더 많은 방법을 살펴보고 싶으신가요? 통합 가이드 페이지에서 다양한 옵션을 살펴보고 귀중한 리소스와 인사이트를 얻을 수 있습니다.

자주 묻는 질문

Ultralytics YOLO11 모델을 PaddlePaddle 형식으로 내보내려면 어떻게 하나요?

Ultralytics YOLO11 모델을 PaddlePaddle 형식으로 내보내는 방법은 간단합니다. 다음과 같이 export YOLO 메서드를 사용하여 이 내보내기를 수행합니다. 다음은 Python 을 사용한 예제입니다:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle  # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

자세한 설정 및 문제 해결 방법은 Ultralytics 설치 가이드 및 일반적인 문제 가이드를 참조하세요.

모델 배포에 PaddlePaddle 을 사용하면 어떤 이점이 있나요?

PaddlePaddle 는 모델 배포를 위한 몇 가지 주요 이점을 제공합니다:

• 성능 최적화: PaddlePaddle 효율적인 모델 실행과 메모리 사용량 감소에 탁월합니다.
• 동적-정적 그래프 컴파일: 동적에서 정적 컴파일을 지원하여 런타임 최적화를 가능하게 합니다.
• 연산자 융합: 호환되는 연산을 병합하여 계산 오버헤드를 줄입니다.
• 양자화 기법: 사후 학습과 양자화 인식 학습을 모두 지원하여 더 낮은 정밀도의 데이터 표현으로 성능을 개선할 수 있습니다.

Ultralytics YOLO11 모델을 PaddlePaddle 으로 내보내면 다양한 애플리케이션과 하드웨어 플랫폼에서 유연성과 고성능을 보장하여 향상된 결과를 얻을 수 있습니다. PaddlePaddle 의 기능에 대해 자세히 알아보세요.

YOLO11 모델을 배포할 때 PaddlePaddle 을 선택해야 하는 이유는 무엇인가요?

PaddlePaddle는 산업 및 상업용 AI 배포에 최적화되어 있습니다. 대규모 개발자 커뮤니티와 강력한 프레임워크는 TensorFlow 및 PyTorch 과 유사한 광범위한 도구를 제공합니다. YOLO11 모델을 PaddlePaddle 으로 내보내면 이를 활용할 수 있습니다:

• 향상된 성능: 최적의 실행 속도와 메모리 사용량 감소.
• 유연성: 스마트폰부터 클라우드 서버까지 다양한 디바이스와의 폭넓은 호환성.
• 확장성: 분산 환경을 위한 효율적인 병렬 처리 기능.

이러한 기능으로 인해 YOLO11 모델을 프로덕션 환경에 배포할 때 PaddlePaddle 을 선택하는 것이 좋습니다.

PaddlePaddle 은 다른 프레임워크에 비해 모델 성능을 어떻게 개선하나요?

PaddlePaddle 는 모델 성능을 최적화하기 위해 몇 가지 고급 기술을 사용합니다:

• 동적-정적 그래프 변환: 런타임 최적화를 위해 모델을 정적 계산 그래프로 변환합니다.
• 연산자 퓨전: 호환 가능한 연산을 결합하여 메모리 전송을 최소화하고 추론 속도를 높입니다.
• 정량화: 정확도를 유지하면서 저정밀 데이터를 사용하여 모델 크기를 줄이고 효율성을 높입니다.

이러한 기술은 효율적인 모델 실행을 우선시하므로 PaddlePaddle 고성능 YOLO11 모델을 배포하는 데 탁월한 옵션입니다. 최적화에 대한 자세한 내용은 PaddlePaddle 공식 문서를 참조하세요.

PaddlePaddle 모델은 YOLO11 모델에 어떤 배포 옵션을 제공하나요?

PaddlePaddle 유연한 배포 옵션을 제공합니다:

• 패들 서빙: 모델 버전 관리 및 온라인 A/B 테스트와 같은 기능으로 프로덕션에 이상적인 RESTful API로 모델을 배포합니다.
• 패들 추론 API: 사용자 지정 애플리케이션을 위한 모델 실행에 대한 낮은 수준의 제어 기능을 제공합니다.
• 패들 라이트: 모바일 및 임베디드 디바이스의 제한된 리소스에 맞게 모델을 최적화합니다.
• Paddle.js: 웹 브라우저 내에서 직접 모델을 배포할 수 있습니다.

이러한 옵션은 온디바이스 추론에서 확장 가능한 클라우드 서비스에 이르기까지 광범위한 배포 시나리오를 다룹니다. Ultralytics 모델 배포 옵션 페이지에서 더 많은 배포 전략을 살펴보세요.

10개월 전 생성됨 ✏️ 업데이트됨 7일 전

댓글