Como exportar modelos YOLO26 para o formato PaddlePaddle#

Estabelecer a ligação entre o desenvolvimento e a implementação de modelos de visão computacional em cenários do mundo real com condições variáveis pode ser difícil. O PaddlePaddle facilita este processo graças à sua flexibilidade, desempenho e capacidade de processamento paralelo em ambientes distribuídos. Isto significa que podes usar os teus modelos YOLO26 de visão computacional numa grande variedade de dispositivos e plataformas, desde smartphones a servidores na nuvem.

A possibilidade de exportar para o formato de modelo PaddlePaddle permite otimizar os teus modelos Ultralytics YOLO26 para utilização no framework PaddlePaddle. O PaddlePaddle é conhecido por facilitar implementações industriais e é uma boa opção para implementar aplicações de visão computacional em cenários do mundo real, em vários domínios.

Por que exportar para PaddlePaddle?#

Desenvolvido pela Baidu, PaddlePaddle (PAralela Distribuída Deep LEaprendizagem) é a primeira plataforma de deep learning de código aberto da China. Ao contrário de alguns frameworks criados principalmente para investigação, o PaddlePaddle dá prioridade à facilidade de uso e à integração fluida entre setores.

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

Ao exportares os teus modelos Ultralytics YOLO26 para o formato PaddlePaddle, podes aproveitar os pontos fortes do PaddlePaddle na otimização do desempenho. O PaddlePaddle dá prioridade à execução eficiente dos modelos e à redução do uso de memória. Assim, os teus modelos YOLO26 podem alcançar um desempenho ainda melhor e oferecer resultados de primeira qualidade em cenários práticos.

Principais funcionalidades dos modelos PaddlePaddle#

Os modelos PaddlePaddle oferecem várias funcionalidades importantes que contribuem para a sua flexibilidade, desempenho e escalabilidade em diversos cenários de implementação:

• Gráfico dinâmico para estático: o PaddlePaddle é compatível com a compilação de gráficos dinâmicos para estáticos, que permite converter modelos num gráfico computacional estático. Isto possibilita otimizações que reduzem a sobrecarga em tempo de execução e aumentam o desempenho da inferência.

• Fusão de operadores: o PaddlePaddle, tal como o TensorRT, usa a fusão de operadores para simplificar os cálculos e reduzir a sobrecarga. O framework minimiza as transferências de memória e as etapas de cálculo ao combinar operações compatíveis, resultando numa inferência mais rápida.

• Quantização: o PaddlePaddle é compatível com técnicas de quantização, incluindo a quantização pós-treino e o treino com reconhecimento de quantização. Estas técnicas permitem usar representações de dados de menor precisão, aumentando efetivamente o desempenho e reduzindo o tamanho do modelo.

Opções de implementação no PaddlePaddle#

Antes de vermos o código para exportar modelos YOLO26 para PaddlePaddle, vamos analisar os diferentes cenários de implementação em que os modelos PaddlePaddle se destacam.

O PaddlePaddle oferece várias opções, cada uma com um equilíbrio diferente entre facilidade de uso, flexibilidade e desempenho:

• Paddle Serving: este framework simplifica a implementação de modelos PaddlePaddle como APIs RESTful de alto desempenho. O Paddle Serving é ideal para ambientes de produção e oferece funcionalidades como controlo de versões de modelos, testes A/B online e escalabilidade para processar grandes volumes de pedidos.

• API de inferência do Paddle: a API de inferência do Paddle dá-te controlo de baixo nível sobre a execução dos modelos. Esta opção é adequada para cenários em que precisas de integrar o modelo diretamente numa aplicação personalizada ou otimizar o desempenho para hardware específico.

• Paddle Lite: o Paddle Lite foi concebido para implementação em dispositivos móveis e incorporados com recursos limitados. Otimiza os modelos para reduzir o tamanho e acelerar a inferência em CPUs ARM, GPU e outro hardware especializado.

• Paddle.js: o Paddle.js permite implementar modelos PaddlePaddle diretamente em navegadores Web. O Paddle.js pode carregar um modelo pré-treinado ou transformar um modelo de paddle-hub com as ferramentas de transformação de modelos fornecidas pelo Paddle.js. Pode ser executado em navegadores compatíveis com WebGL/WebGPU/WebAssembly.

Tarefas suportadas#

A exportação PaddlePaddle é compatível com todas as sete tarefas da Ultralytics. A segmentação semântica e a estimativa de profundidade estão disponíveis apenas com YOLO26, a única família que inclui essas cabeças.

Exportar para PaddlePaddle: converter o teu modelo YOLO26#

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

Instalação#

Para instalar o pacote necessário, executa:

# Install the required package for YOLO26
pip install ultralytics

Para obter instruções detalhadas e boas práticas relacionadas ao processo de instalação, consulte nosso guia de instalação da Ultralytics. Se tiver dificuldades ao instalar os pacotes necessários para YOLO26, consulte nosso guia de problemas comuns para ver soluções e dicas.

Uso#

Todos os modelos Ultralytics YOLO26 são compatíveis com a exportação, e podes consultar a lista completa de formatos e opções de exportação para encontrares a opção mais adequada às tuas necessidades de implementação.

O formato PaddlePaddle é compatível com os modos Exportar, Prever e Validar. Exporta o teu modelo e, em seguida, carrega o modelo exportado para executar inferência ou validar a sua precisão.

from ultralytics import YOLO

# Carrega um modelo YOLO26
model = YOLO("yolo26n.pt")

# Exporta o modelo para o formato PaddlePaddle
model.export(format="paddle")  # creates 'yolo26n_paddle_model'

from ultralytics import YOLO

# Carrega o modelo PaddlePaddle exportado
model = YOLO("./yolo26n_paddle_model")

# Executar inferência
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Carrega o modelo PaddlePaddle exportado
model = YOLO("./yolo26n_paddle_model")

# Validar a precisão no conjunto de dados COCO8
metrics = model.val(data="coco8.yaml")

Argumentos de exportação#

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

Implementação de modelos YOLO26 PaddlePaddle exportados#

Depois de exportares com sucesso os teus modelos Ultralytics YOLO26 para o formato PaddlePaddle, já podes implementá-los. O primeiro passo recomendado para executar um modelo PaddlePaddle é usar o método YOLO("yolo26n_paddle_model/"), conforme descrito no trecho de código de utilização anterior.

No entanto, para obter instruções detalhadas sobre como implementar os teus modelos PaddlePaddle em vários outros contextos, consulta os seguintes recursos:

• Paddle Serving: aprende a implementar os teus modelos PaddlePaddle como serviços de alto desempenho com o Paddle Serving.

• Paddle Lite: descobre como otimizar e implementar modelos em dispositivos móveis e incorporados com o Paddle Lite.

• Paddle.js: descobre como executar modelos PaddlePaddle em navegadores Web para disponibilizar IA no lado do cliente com o Paddle.js.

Resumo#

Neste guia, explorámos o processo de exportação de modelos Ultralytics YOLO26 para o formato PaddlePaddle. Seguindo estes passos, podes aproveitar os pontos fortes do PaddlePaddle em diversos cenários de implementação e otimizar os teus modelos para diferentes ambientes de hardware e software.

Para obter mais detalhes de utilização, visita a documentação oficial do PaddlePaddle.

Queres explorar mais formas de integrar os teus modelos Ultralytics YOLO26? A nossa página do guia de integrações apresenta várias opções e fornece recursos e informações valiosos.

Perguntas frequentes#