Como exportar para o formato PaddlePaddle a partir de modelos YOLO26

Preencher a lacuna entre o desenvolvimento e a implantação de modelos de visão computacional em cenários do mundo real com condições variáveis pode ser difícil. O PaddlePaddle torna esse processo mais fácil com seu foco em flexibilidade, desempenho e sua capacidade de processamento paralelo em ambientes distribuídos. Isso significa que tu podes usar teus modelos de visão computacional YOLO26 em uma ampla variedade de dispositivos e plataformas, desde smartphones até servidores baseados em nuvem.

A capacidade de exportar para o formato de modelo PaddlePaddle permite que otimizes teus modelos Ultralytics YOLO26 para uso dentro da estrutura do PaddlePaddle. O PaddlePaddle é conhecido por facilitar implantações industriais e é uma boa escolha para implantar aplicações de visão computacional em cenários do mundo real em vários domínios.

Por que deverias 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 algumas estruturas criadas principalmente para pesquisa, o PaddlePaddle prioriza a facilidade de uso e a integração suave entre setores.

Ele oferece ferramentas e recursos semelhantes a estruturas 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, está ajudando a criar e implantar aplicações de IA.

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

Principais características dos modelos PaddlePaddle

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

• Grafo Dinâmico-para-Estático: O PaddlePaddle oferece suporte à compilação de dinâmico para estático, onde os 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 simplificar a computação e reduzir a sobrecarga. A estrutura minimiza transferências de memória e etapas computacionais ao mesclar operações compatíveis, resultando em uma inferência mais rápida.

• Quantização: O PaddlePaddle oferece suporte a 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.

Opções de implantação no PaddlePaddle

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

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

• Paddle Serving: Esta estrutura simplifica a implantação de modelos PaddlePaddle como APIs RESTful 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 do Paddle: A API de inferência do Paddle te dá controle de baixo nível sobre a execução do modelo. Esta opção é bem adequada para cenários onde precisas integrar o modelo firmemente dentro de uma aplicação personalizada ou otimizar o desempenho para hardware específico.

• Paddle Lite: O Paddle Lite foi projetado para implantação 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 implantes modelos PaddlePaddle diretamente em navegadores 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.

Exportar para PaddlePaddle: Convertendo teu modelo YOLO26

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

Instalação

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, consulte nosso guia de instalação da Ultralytics. Ao instalar os pacotes necessários para o YOLO26, se você encontrar alguma dificuldade, consulte nosso guia de problemas comuns para obter soluções e dicas.

Utilização

Todos os modelos Ultralytics YOLO26 oferecem suporte à exportação, e podes navegar pela lista completa de formatos e opções de exportação para encontrar a melhor opção para tuas necessidades de implantação.

from ultralytics import YOLO

# Load the 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")

Argumentos de Exportação

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

Implantando modelos YOLO26 PaddlePaddle exportados

Após exportar com sucesso teus modelos Ultralytics YOLO26 para o formato PaddlePaddle, agora podes implantá-los. O primeiro passo principal e recomendado 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 instruções detalhadas sobre a implantação de teus modelos PaddlePaddle em vários outros ambientes, dá uma olhada nos seguintes recursos:

• Paddle Serving: Aprende como implantar teus modelos PaddlePaddle como serviços de alto desempenho usando o Paddle Serving.

• Paddle Lite: Explora como otimizar e implantar modelos em dispositivos móveis e embarcados usando o Paddle Lite.

• Paddle.js: Descobre como executar modelos PaddlePaddle em navegadores web para IA do lado do cliente usando o Paddle.js.

Resumo

Neste guia, exploramos 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, otimizando teus modelos para diferentes ambientes de hardware e software.

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

Queres explorar mais maneiras de integrar teus modelos Ultralytics YOLO26? Nossa página de guia de integração explora várias opções, equipando-te com recursos e insights valiosos.

FAQ

Como exporto modelos Ultralytics YOLO26 para o formato PaddlePaddle?

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

from ultralytics import YOLO

# Load the 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 e resolução de problemas mais detalhadas, consulta o Guia de Instalação do Ultralytics e o Guia de Problemas Comuns.

Quais são as vantagens de usar o PaddlePaddle para implantação de modelos?

O PaddlePaddle oferece várias vantagens importantes para a implantação 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 oferece suporte à compilação de dinâmico para estático, permitindo otimizações de tempo de execução.
• Fusão de Operadores: Ao mesclar operações compatíveis, reduz a sobrecarga computacional.
• Técnicas de Quantização: Oferece suporte tanto a pós-treinamento quanto a treinamento com consciência de quantização, permitindo representações de dados de menor precisão para melhor desempenho.

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

Por que deveria escolher o PaddlePaddle para implantar meus modelos YOLO26?

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

• 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 convincente para implantar modelos YOLO26 em ambientes de produção.

Como o PaddlePaddle melhora o desempenho do modelo em relação a outras estruturas?

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 de 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 de modelos, tornando o PaddlePaddle uma excelente opção para implantar modelos YOLO26 de alto desempenho. Para mais informações sobre otimização, consulta a documentação oficial do PaddlePaddle.

Quais opções de implantação o PaddlePaddle oferece para modelos YOLO26?

O PaddlePaddle oferece opções flexíveis de implantação:

• Paddle Serving: Implanta modelos como APIs RESTful, ideal para produção com recursos como versionamento de modelos e testes A/B online.
• API de Inferência do 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 implantar modelos diretamente em navegadores web.

Essas opções cobrem uma ampla gama de cenários de implantação, desde inferência no dispositivo até serviços em nuvem escaláveis. Explora mais estratégias de implantação na página de Opções de Implantação de Modelo do Ultralytics.