Como exportar modelos YOLO26 para o formato PaddlePaddle#

Colmatar a lacuna entre desenvolver e implementar modelos de visão computacional em cenários do mundo real com condições variáveis pode ser difícil. O PaddlePaddle facilita este processo, com foco na flexibilidade, no desempenho e na capacidade de processamento paralelo em ambientes distribuídos. Isto significa que pode utilizar os seus modelos de visão computacional YOLO26 numa grande variedade de dispositivos e plataformas, desde smartphones a servidores baseados na nuvem.

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

Por que motivo deve exportar para PaddlePaddle?#

Desenvolvido pela Baidu, o PaddlePaddle (aprendizagem profunda PAralela Distribuída De LEarning) é a primeira plataforma de aprendizagem profunda de código aberto da China. Ao contrário de alguns frameworks criados principalmente para investigação, o PaddlePaddle dá prioridade à facilidade de utilização e à integração fluida entre setores.

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

Ao exportar os seus modelos Ultralytics YOLO26 para o formato PaddlePaddle, pode aproveitar os pontos fortes do PaddlePaddle na otimização do desempenho. O PaddlePaddle dá prioridade à execução eficiente dos modelos e à redução da utilização de memória. Como resultado, os seus modelos YOLO26 podem alcançar um desempenho ainda melhor, proporcionando resultados de excelência 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:

• Grafo dinâmico para estático: o PaddlePaddle suporta a compilação de dinâmico para estático, na qual os modelos podem ser convertidos num grafo computacional estático. Isto permite otimizações que reduzem a sobrecarga em tempo de execução e aumentam o desempenho da inferência.

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

• Quantização: o PaddlePaddle suporta técnicas de quantização, incluindo quantização pós-treino e treino consciente da quantização. Estas técnicas permitem utilizar representações de dados de menor precisão, aumentando efetivamente o desempenho e reduzindo o tamanho do modelo.

Opções de implementação no PaddlePaddle#

Antes de analisar o código para exportar modelos YOLO26 para PaddlePaddle, vejamos os diferentes cenários de implementação nos quais os modelos PaddlePaddle se destacam.

O PaddlePaddle disponibiliza várias opções, cada uma oferecendo um equilíbrio distinto entre facilidade de utilização, 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, disponibilizando funcionalidades como controlo de versões de modelos, testes A/B online e escalabilidade para processar grandes volumes de pedidos.

• Paddle Inference API: a Paddle Inference API oferece controlo de baixo nível sobre a execução do modelo. Esta opção é adequada para cenários nos quais precisa de integrar estreitamente o modelo 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 obter tamanhos menores e uma inferência mais rápida em CPUs ARM, GPUs 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 do 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 do PaddlePaddle suporta 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.

Exportação para PaddlePaddle: converter o seu modelo YOLO26#

A conversão de modelos YOLO26 para o formato PaddlePaddle pode melhorar 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 com o processo de instalação, consulte o nosso guia de instalação do Ultralytics. Ao instalar os pacotes necessários para YOLO26, se encontrar alguma dificuldade, consulte o nosso guia de problemas comuns para obter soluções e dicas.

Utilização#

Todos os modelos Ultralytics YOLO26 suportam exportação, e pode consultar a lista completa de formatos e opções de exportação para encontrar a opção mais adequada às suas necessidades de implementação.

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

Argumentos de Exportação#

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

Implementação de modelos YOLO26 PaddlePaddle exportados#

Depois de exportar com êxito os seus modelos Ultralytics YOLO26 para o formato PaddlePaddle, pode agora implementá-los. O primeiro passo principal e recomendado para executar um modelo PaddlePaddle é utilizar o método YOLO("yolo26n_paddle_model/") , conforme descrito no excerto de código de utilização anterior.

No entanto, para obter instruções detalhadas sobre a implementação dos seus modelos PaddlePaddle noutros contextos, consulte os seguintes recursos:

• Paddle Serving: saiba como implementar os seus modelos PaddlePaddle como serviços de alto desempenho utilizando o Paddle Serving.

• Paddle Lite: descubra como otimizar e implementar modelos em dispositivos móveis e incorporados utilizando o Paddle Lite.

• Paddle.js: descubra como executar modelos PaddlePaddle em navegadores Web para disponibilizar IA no lado do cliente através do Paddle.js.

Resumo#

Neste guia, explorámos o processo de exportação de modelos Ultralytics YOLO26 para o formato PaddlePaddle. Ao seguir estes passos, pode aproveitar os pontos fortes do PaddlePaddle em diversos cenários de implementação, otimizando os seus modelos para diferentes ambientes de hardware e software.

Para obter mais informações sobre a utilização, visite a documentação oficial do PaddlePaddle.

Quer explorar mais formas de integrar os seus modelos Ultralytics YOLO26? A nossa página do guia de integrações apresenta várias opções, disponibilizando recursos e informações úteis.

Perguntas frequentes#