Link to this sectionComo exportar modelos YOLO26 para o formato PaddlePaddle#

Superar a lacuna entre o desenvolvimento e a implementação de modelos de visão computacional em cenários do mundo real com condições variadas pode ser difícil. O PaddlePaddle facilita esse processo com seu foco em flexibilidade, desempenho e sua capacidade de processamento paralelo em ambientes distribuídos. Isso significa que você pode usar seus modelos de visão computacional YOLO26 em uma ampla variedade de dispositivos e plataformas, de smartphones a servidores baseados em nuvem.

A capacidade de exportar para o formato de modelo PaddlePaddle permite que você otimize seus modelos Ultralytics YOLO26 para uso dentro do framework PaddlePaddle. O PaddlePaddle é conhecido por facilitar implementações industriais e é uma boa escolha para implementar aplicações de visão computacional em ambientes reais em vários domínios.

Link to this sectionPor que você deveria exportar para o PaddlePaddle?#

Desenvolvido pela Baidu, o PaddlePaddle (PArallel Distributed Deep LEarning) é a primeira plataforma de aprendizado profundo de código aberto da China. Ao contrário de alguns frameworks criados principalmente para pesquisa, o PaddlePaddle prioriza a facilidade de uso e a integração suave entre indústrias.

Ele oferece ferramentas e recursos semelhantes a frameworks populares como TensorFlow e PyTorch, tornando-o acessível para desenvolvedores de todos os níveis de experiência. Da agricultura e fábricas a empresas de serviços, a grande comunidade de desenvolvedores do PaddlePaddle, com mais de 4,77 milhões de pessoas, ajuda a criar e implementar aplicações de IA.

Ao exportar seus modelos Ultralytics YOLO26 para o formato PaddlePaddle, você pode aproveitar os pontos fortes do PaddlePaddle em otimização de desempenho. O PaddlePaddle prioriza a execução eficiente de modelos e a redução do uso de memória. Como resultado, seus modelos YOLO26 podem potencialmente alcançar um desempenho ainda melhor, entregando resultados de primeira linha em cenários práticos.

Link to this sectionPrincipais recursos dos modelos PaddlePaddle#

Os modelos PaddlePaddle oferecem uma série de recursos importantes que contribuem para sua flexibilidade, desempenho e escalabilidade em diversos cenários de implementação:

• Grafo Dinâmico para Estático: O PaddlePaddle suporta compilação de dinâmico para estático, onde modelos podem ser traduzidos para um grafo computacional estático. Isso permite otimizações que reduzem a sobrecarga de tempo de execução e aumentam o desempenho da inferência.

• Fusão de Operadores: O PaddlePaddle, assim como o TensorRT, usa fusão de operadores para otimizar a computação e reduzir a sobrecarga. O framework minimiza transferências de memória e etapas computacionais ao mesclar operações compatíveis, resultando em uma inferência mais rápida.

• Quantização: O PaddlePaddle suporta técnicas de quantização, incluindo quantização pós-treinamento e treinamento com consciência de quantização. Essas técnicas permitem o uso de representações de dados de menor precisão, aumentando efetivamente o desempenho e reduzindo o tamanho do modelo.

Link to this sectionOpções de implementação no PaddlePaddle#

Antes de mergulhar no código para exportar modelos YOLO26 para o PaddlePaddle, vamos dar uma olhada nos diferentes cenários de implementação nos quais os modelos PaddlePaddle se destacam.

O PaddlePaddle oferece uma gama de opções, cada uma oferecendo um equilíbrio distinto entre facilidade de uso, flexibilidade e desempenho:

• Paddle Serving: Este framework simplifica a implementação de modelos PaddlePaddle como RESTful APIs de alto desempenho. O Paddle Serving é ideal para ambientes de produção, fornecendo recursos como versionamento de modelo, testes A/B online e escalabilidade para lidar com grandes volumes de solicitações.

• API de Inferência Paddle: A API de Inferência Paddle oferece a você controle de baixo nível sobre a execução do modelo. Esta opção é bem adequada para cenários onde você precisa integrar o modelo estreitamente dentro de uma aplicação personalizada ou otimizar o desempenho para hardware específico.

• Paddle Lite: O Paddle Lite é projetado para implementação em dispositivos móveis e embarcados onde os recursos são limitados. Ele otimiza modelos para tamanhos menores e inferência mais rápida em CPUs ARM, GPUs e outros hardwares especializados.

• Paddle.js: O Paddle.js permite que você implemente modelos PaddlePaddle diretamente em navegadores da web. O Paddle.js pode carregar um modelo pré-treinado ou transformar um modelo do paddle-hub com ferramentas de transformação de modelo fornecidas pelo Paddle.js. Ele pode ser executado em navegadores que suportam WebGL/WebGPU/WebAssembly.

Link to this sectionExportar para PaddlePaddle: Convertendo seu modelo YOLO26#

Converter modelos YOLO26 para o formato PaddlePaddle pode melhorar a flexibilidade de execução e otimizar o desempenho para vários cenários de implementação.

Link to this sectionInstalação#

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para instruções detalhadas e práticas recomendadas relacionadas ao processo de instalação, confira nosso Guia de Instalação Ultralytics. Ao instalar os pacotes necessários para o YOLO26, caso encontre alguma dificuldade, consulte nosso Guia de Problemas Comuns para soluções e dicas.

Link to this sectionUso#

Todos os modelos Ultralytics YOLO26 suportam exportação, e você pode navegar pela lista completa de formatos e opções de exportação para encontrar o que melhor atende às suas necessidades de implementação.

O formato PaddlePaddle suporta os modos Exportar, Prever e Validar. Exporte seu modelo e, em seguida, carregue o modelo exportado para executar a inferência ou validar sua precisão.

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 sectionArgumentos de Exportação#

Para mais detalhes sobre o processo de exportação, visite a página de documentação da Ultralytics sobre exportação.

Link to this sectionImplementando modelos YOLO26 exportados para PaddlePaddle#

Após exportar com sucesso seus modelos Ultralytics YOLO26 para o formato PaddlePaddle, você agora pode implementá-los. O primeiro passo, recomendado e principal, para executar um modelo PaddlePaddle é usar o método YOLO("yolo26n_paddle_model/"), conforme descrito no snippet de código de uso anterior.

No entanto, para obter instruções detalhadas sobre a implementação de seus modelos PaddlePaddle em vários outros ambientes, dê uma olhada nos seguintes recursos:

• Paddle Serving: Aprenda como implementar seus modelos PaddlePaddle como serviços de alto desempenho usando o Paddle Serving.

• Paddle Lite: Explore como otimizar e implementar modelos em dispositivos móveis e embarcados usando o Paddle Lite.

• Paddle.js: Descubra como executar modelos PaddlePaddle em navegadores da web para IA no lado do cliente usando o Paddle.js.

Link to this sectionResumo#

Neste guia, exploramos o processo de exportar modelos Ultralytics YOLO26 para o formato PaddlePaddle. Seguindo estas etapas, você pode aproveitar os pontos fortes do PaddlePaddle em diversos cenários de implementação, otimizando seus modelos para diferentes ambientes de hardware e software.

Para mais detalhes sobre o uso, visite a documentação oficial do PaddlePaddle.

Quer explorar mais maneiras de integrar seus modelos Ultralytics YOLO26? Nossa página de guia de integração explora várias opções, equipando você com recursos e insights valiosos.

Link to this sectionPerguntas Frequentes#

Link to this sectionComo exporto modelos Ultralytics YOLO26 para o formato PaddlePaddle?#

Exportar modelos Ultralytics YOLO26 para o formato PaddlePaddle é simples. Você pode usar o método export da classe YOLO para realizar a conversão. Aqui está um exemplo usando Python:

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")

Para uma configuração mais detalhada e solução de problemas, confira o Guia de Instalação Ultralytics e o Guia de Problemas Comuns.

Link to this sectionQuais são as vantagens de usar o PaddlePaddle para implementação de modelo?#

O PaddlePaddle oferece várias vantagens importantes para a implementação de modelos:

• Otimização de Desempenho: O PaddlePaddle se destaca na execução eficiente de modelos e no uso reduzido de memória.
• Compilação de Grafo Dinâmico para Estático: Ele suporta compilação de dinâmico para estático, permitindo otimizações em tempo de execução.
• Fusão de Operadores: Ao mesclar operações compatíveis, ele reduz a sobrecarga computacional.
• Técnicas de Quantização: Suporta tanto o treinamento pós-treinamento quanto o treinamento com consciência de quantização, permitindo representações de dados de menor precisão para um melhor desempenho.

Você pode obter resultados aprimorados exportando seus modelos Ultralytics YOLO26 para o PaddlePaddle, garantindo flexibilidade e alto desempenho em várias aplicações e plataformas de hardware. Explore os principais recursos e capacidades do PaddlePaddle na documentação oficial do PaddlePaddle.

Link to this sectionPor que devo escolher o PaddlePaddle para implementar meus modelos YOLO26?#

O PaddlePaddle, desenvolvido pela Baidu, é otimizado para implementações de IA industriais e comerciais. Sua grande comunidade de desenvolvedores e estrutura robusta fornecem ferramentas extensas semelhantes ao TensorFlow e PyTorch. Ao exportar seus modelos YOLO26 para o PaddlePaddle, você aproveita:

• Desempenho Aprimorado: Velocidade de execução ideal e pegada de memória reduzida.
• Flexibilidade: Ampla compatibilidade com vários dispositivos, desde smartphones até servidores em nuvem.
• Escalabilidade: Capacidades eficientes de processamento paralelo para ambientes distribuídos.

Esses recursos tornam o PaddlePaddle uma escolha atraente para implementar modelos YOLO26 em ambientes de produção.

Link to this sectionComo o PaddlePaddle melhora o desempenho do modelo em relação a outros frameworks?#

O PaddlePaddle emprega várias técnicas avançadas para otimizar o desempenho do modelo:

• Grafo Dinâmico para Estático: Converte modelos em um grafo computacional estático para otimizações em tempo de execução.
• Fusão de Operadores: Combina operações compatíveis para minimizar a transferência de memória e aumentar a velocidade de inferência.
• Quantização: Reduz o tamanho do modelo e aumenta a eficiência usando dados de menor precisão, mantendo a precisão.

Essas técnicas priorizam a execução eficiente do modelo, tornando o PaddlePaddle uma excelente opção para implementar modelos YOLO26 de alto desempenho. Para mais informações sobre otimização, consulte a documentação oficial do PaddlePaddle.

Link to this sectionQuais opções de implementação o PaddlePaddle oferece para modelos YOLO26?#

O PaddlePaddle oferece opções flexíveis de implementação:

• Paddle Serving: Implementa modelos como RESTful APIs, ideal para produção com recursos como versionamento de modelo e testes A/B online.
• API de Inferência Paddle: Oferece controle de baixo nível sobre a execução do modelo para aplicações personalizadas.
• Paddle Lite: Otimiza modelos para os recursos limitados de dispositivos móveis e embarcados.
• Paddle.js: Permite implementar modelos diretamente em navegadores da web.

Essas opções cobrem uma ampla gama de cenários de implementação, desde inferência em dispositivo até serviços em nuvem escaláveis. Explore mais estratégias de implementação na página de Opções de Implementação de Modelo da Ultralytics.