Começar

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.



Assista: Como exportar modelos Ultralytics YOLO para o formato PaddlePaddle | Principais recursos do formato PaddlePaddle

A possibilidade de exportar para o formato de modelo PaddlePaddle permite otimizar os teus modelos Ultralytics YOLO26 para uso no framework PaddlePaddle. O PaddlePaddle é conhecido por facilitar implantações industriais e é uma boa opção para implantar aplicações de visão computacional em ambientes reais de vários domínios.

Por que exportar para PaddlePaddle?#

PaddlePaddle deep learning framework logo

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 exportar os teus modelos Ultralytics YOLO26 para o formato PaddlePaddle, podes aproveitar os pontos fortes do PaddlePaddle na otimização de desempenho. O PaddlePaddle prioriza a execução eficiente de modelos e o menor uso de memória, para que os teus modelos YOLO26 funcionem com eficiência em situações práticas.

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 oferece suporte a técnicas de quantização, incluindo quantização pós-treinamento e treinamento com reconhecimento de quantização. Essas técnicas usam representações de dados de menor precisão para aumentar o desempenho e reduzir o tamanho do modelo.

Opções de implementação no PaddlePaddle#

Os modelos PaddlePaddle podem ser implantados de várias maneiras.

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

  • Paddle Serving: esse framework simplifica a implantação de modelos PaddlePaddle como APIs RESTful de alto desempenho. O Paddle Serving é adequado para ambientes de produção e oferece recursos como controle de versões de modelos, testes A/B online e escalabilidade para lidar com grandes volumes de solicitações.

  • 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.

TarefaYOLOv8YOLO11YOLO26
Detetar✅✅✅
Segmentar✅✅✅
Semântica❌❌✅
Profundidade❌❌✅
Classificar✅✅✅
Pose✅✅✅
OBB✅✅✅

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:

Instalação
# 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.

Exportar
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'
Prever
from ultralytics import YOLO

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

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

ArgumentoTipoPadrãoDescrição
formatstr'paddle'Formato de destino do modelo exportado, que define a compatibilidade com vários ambientes de implantação.
imgszint ou tuple640Tamanho de imagem desejado para a entrada do modelo. Pode ser um inteiro para imagens quadradas ou uma tupla (height, width) para dimensões específicas.
quantizeint ou strNoneExportação fixa em FP32. A exportação PaddlePaddle não é compatível com conversões de precisão FP16, INT8 ou W8A16 durante a exportação.
batchint1Especifica o tamanho do lote de inferência do modelo exportado ou o número máximo de imagens que o modelo exportado processará em simultâneo no modo predict.
devicestrNoneEspecifica o dispositivo para a exportação: CPU (device=cpu), MPS para Apple silicon (device=mps).

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, podes implantá-los. A etapa inicial principal e recomendada para executar um modelo PaddlePaddle é usar o método YOLO("yolo26n_paddle_model/"), conforme descrito no trecho de código de uso 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 estas etapas, podes aproveitar os pontos fortes do PaddlePaddle em diversos cenários de implantação e otimizar os teus modelos para diferentes ambientes de hardware e software.

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

Perguntas frequentes#

  • Exportar modelos Ultralytics YOLO26 para o formato PaddlePaddle é simples. Podes usar o método export da classe YOLO para fazer a conversão. Aqui está um exemplo com Python:

    Uso
    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'
    
    # Carrega o modelo PaddlePaddle exportado
    paddle_model = YOLO("./yolo26n_paddle_model")
    
    # Executar inferência
    results = paddle_model("https://ultralytics.com/images/bus.jpg")

    Para obter instruções mais detalhadas de configuração e resolução de problemas, consulta o Guia de instalação da Ultralytics e o Guia de problemas comuns.

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

    • Otimização de desempenho: o PaddlePaddle prioriza a execução eficiente de modelos e o menor uso de memória.
    • Compilação de gráficos dinâmicos para estáticos: é compatível com a compilação de gráficos dinâmicos para estáticos, permitindo otimizações em tempo de execução.
    • Fusão de operadores: ao combinar operações compatíveis, reduz a sobrecarga computacional.
    • Técnicas de quantização: oferece suporte à quantização pós-treinamento e ao treinamento com reconhecimento de quantização, permitindo representações de dados de menor precisão para melhorar o desempenho.

    Exportar os teus modelos Ultralytics YOLO26 para PaddlePaddle oferece flexibilidade e desempenho em várias aplicações e plataformas de hardware.

  • O PaddlePaddle, desenvolvido pela Baidu, é otimizado para implantações de IA industriais e comerciais. A sua grande comunidade de desenvolvedores e o framework maduro oferecem ferramentas semelhantes às do TensorFlow e do PyTorch. Ao exportares os teus modelos YOLO26 para PaddlePaddle, obténs:

    • Desempenho aprimorado: execução rápida e menor consumo de memória.
    • Flexibilidade: ampla compatibilidade com vários dispositivos, desde smartphones a servidores na nuvem.
    • Escalabilidade: capacidades eficientes de processamento paralelo para ambientes distribuídos.

    Esses recursos fazem do PaddlePaddle uma ótima opção para implantar modelos YOLO26 em ambientes de produção.

  • O PaddlePaddle usa várias técnicas para otimizar o desempenho dos modelos:

    • Gráfico dinâmico para estático: converte modelos num gráfico computacional estático para permitir otimizações em tempo de execução.
    • Fusão de operadores: combina operações compatíveis para minimizar as transferências de memória e aumentar a velocidade de inferência.
    • Quantização: reduz o tamanho dos modelos e aumenta a eficiência ao usar dados de menor precisão, mantendo a precisão.

    Essas técnicas priorizam a execução eficiente de modelos, tornando o PaddlePaddle uma boa opção para implantar modelos YOLO26 de alto desempenho.

  • O PaddlePaddle oferece opções flexíveis de implementação:

    • Paddle Serving: implanta modelos como APIs RESTful, sendo adequado para produção e oferecendo recursos como controle de versões de modelos e testes A/B online.
    • API de inferência do Paddle: oferece controlo de baixo nível sobre a execução de modelos para aplicações personalizadas.
    • Paddle Lite: otimiza modelos para os recursos limitados de dispositivos móveis e incorporados.
    • Paddle.js: permite implementar modelos diretamente em navegadores Web.

    Estas opções abrangem uma vasta gama de cenários de implementação, desde a inferência no dispositivo a serviços escaláveis na nuvem. Explora mais estratégias de implementação na página de opções de implementação de modelos da Ultralytics.

Comentários4

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. cadpmGitHub

    Dear team, your converter does not work with PaddleX as it does not generate the YAML file in the inference folder, making it impossible to deploy the converted model. PaddlePaddle cannot teach how to work with this file due to licensing conflicts.

    n fact, nowhere in the PaddlePaddle or PaddleX repositories do they teach how to work with external or converted models.

    1. Glenn JocherUltralytics

      @cadpm thank you for bringing this to our attention. While the Ultralytics export tool facilitates converting YOLO11 models to PaddlePaddle format, it currently doesn't generate a YAML file for PaddleX inference. For specific guidance on handling PaddlePaddle models in PaddleX, consulting their official documentation or community forums might provide additional insights. If you encounter issues with the export process itself, please refer to our Ultralytics documentation for troubleshooting tips.

    2. cadpmGitHub

      Unfortunately, I haven't been able to find a solution on either side. For this reason, I have written to you to report this issue. If I ask in the Paddle forum, no one has worked on this issue, and the same happens on the YOLOv11 side—they don't work with Paddle.

    3. Glenn JocherUltralytics

      @cadpm thank you for reporting this issue. While our export tool supports conversion to PaddlePaddle, integration with PaddleX requires additional steps beyond our current documentation. I recommend reaching out to the PaddlePaddle community for specific guidance on importing and using converted models with PaddleX, as they might have insights on handling this integration. If you need further assistance with the export process itself, feel free to check our PaddlePaddle export guide.