Como exportar para o formato PaddlePaddle a partir de modelos YOLO11
Bridging the gap between developing and deploying computer vision models in real-world scenarios with varying conditions can be difficult. PaddlePaddle makes this process easier with its focus on flexibility, performance, and its capability for parallel processing in distributed environments. This means you can use your YOLO11 computer vision models on a wide variety of devices and platforms, from smartphones to cloud-based servers.
Observa: How to Export Ultralytics YOLO11 Models to PaddlePaddle Format | Key Features of PaddlePaddle Format
The ability to export to PaddlePaddle model format allows you to optimize your Ultralytics YOLO11 models for use within the PaddlePaddle framework. PaddlePaddle is known for facilitating industrial deployments and is a good choice for deploying computer vision applications in real-world settings across various domains.
Por que razão deves exportar para PaddlePaddle?
Developed by Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) is China's first open-source deep learning platform. Unlike some frameworks built mainly for research, PaddlePaddle prioritizes ease of use and smooth integration across industries.
It offers tools and resources similar to popular frameworks like TensorFlow and PyTorch, making it accessible for developers of all experience levels. From farming and factories to service businesses, PaddlePaddle's large developer community of over 4.77 million is helping create and deploy AI applications.
Ao exportar os seus modelos Ultralytics YOLO11 para o formato PaddlePaddle , pode aproveitar os pontos fortes de PaddlePaddle na otimização do desempenho. PaddlePaddle dá prioridade à execução eficiente do modelo e à utilização reduzida da memória. Como resultado, os teus modelos YOLO11 podem potencialmente alcançar um desempenho ainda melhor, apresentando resultados de topo em cenários práticos.
Principais características dos modelos PaddlePaddle
PaddlePaddle oferecem uma gama de características chave que contribuem para a sua flexibilidade, desempenho e escalabilidade em diversos cenários de implementação:
Gráfico dinâmico para estático: PaddlePaddle suporta compilação dinâmica para estática, em que os modelos podem ser traduzidos para um gráfico computacional estático. Isso permite otimizações que reduzem a sobrecarga de tempo de execução e aumentam o desempenho da inferência.
Fusão de operadores: PaddlePaddle O sistema de fusão de operadores, tal como o TensorRT, utiliza a fusão de operadores para simplificar a computação e reduzir as despesas gerais. A estrutura minimiza as transferências de memória e as etapas computacionais ao fundir operações compatíveis, resultando numa inferência mais rápida.
Quantização: PaddlePaddle suporta técnicas de quantização, incluindo quantização pós-treinamento e treinamento com reconhecimento de quantização. Estas técnicas permitem a utilização de representações de dados de menor precisão, aumentando efetivamente o desempenho e reduzindo o tamanho do modelo.
Opções de implantação em PaddlePaddle
Antes de nos debruçarmos sobre o código de exportação dos modelos YOLO11 para PaddlePaddle, vamos analisar os diferentes cenários de implementação em que os modelos PaddlePaddle são excelentes.
PaddlePaddle fornece uma gama de opções, cada uma oferecendo um equilíbrio distinto entre facilidade de utilização, 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 versão de modelo, teste A/B on-line e escalabilidade para lidar com grandes volumes de solicitações.
API de Inferência Paddle: A API de inferência de pás oferece controle de baixo nível sobre a execução do modelo. Esta opção é adequada para cenários em que é necessário integrar o modelo a uma aplicação personalizada ou otimizar o desempenho para um hardware específico.
Paddle Lite: O Paddle Lite foi projetado para implantação em dispositivos móveis e incorporados onde os recursos são limitados. Otimiza modelos para tamanhos menores e inferência mais rápida em CPUs ARM, GPUs e outros hardwares especializados.
Paddle.js: O Paddle.js permite-te implementar modelos PaddlePaddle diretamente nos 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. Pode ser executado em navegadores que suportam WebGL/WebGPU/WebAssembly.
Exportar para PaddlePaddle: Converter o teu modelo YOLO11
A conversão dos modelos YOLO11 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:
Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulta o nosso guia de instalaçãoUltralytics . Durante a instalação dos pacotes necessários para o YOLO11, se tiveres alguma dificuldade, consulta o nosso guia de Problemas comuns para obteres soluções e dicas.
Utilização
Antes de mergulhar nas instruções de utilização, é importante notar que, embora todos os modelosUltralytics YOLO11 estejam disponíveis para exportação, podes garantir que o modelo que seleccionaste suporta a funcionalidade de exportação aqui.
Utilização
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo11n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
Para obter mais detalhes sobre as opções de exportação suportadas, visita a página de documentaçãoUltralytics sobre opções de implementação.
Implantação de modelos exportados do YOLO11 PaddlePaddle
Depois de exportar com sucesso seus modelos Ultralytics YOLO11 para o formato PaddlePaddle , agora é possível implantá-los. O primeiro passo primário e recomendado para executar um modelo PaddlePaddle é usar o método YOLO("./model_paddle_model"), conforme descrito no trecho de código de uso anterior.
No entanto, para obter instruções detalhadas sobre a implementação dos teus modelos PaddlePaddle em várias outras configurações, consulta os seguintes recursos:
Serviço de pás: Aprende a implementar os teus modelos PaddlePaddle como serviços de desempenho utilizando o Paddle Serving.
Remar Lite: Explora a forma de otimizar e implementar modelos em dispositivos móveis e incorporados utilizando o Paddle Lite.
Remar.js: Descobre como executar modelos PaddlePaddle em navegadores Web para IA do lado do cliente utilizando Paddle.js.
Resumo
Neste guia, exploramos o processo de exportação de modelos Ultralytics YOLO11 para o formato PaddlePaddle . Seguindo estes passos, podes tirar partido dos pontos fortes do PaddlePaddle em diversos cenários de implementação, optimizando os teus modelos para diferentes ambientes de hardware e software.
Para mais informações sobre a utilização, visita a documentação oficialPaddlePaddle
Want to explore more ways to integrate your Ultralytics YOLO11 models? Our integration guide page explores various options, equipping you with valuable resources and insights.
FAQ
Como é que exporto os modelos Ultralytics YOLO11 para o formato PaddlePaddle ?
A exportação dos modelos Ultralytics YOLO11 para o formato PaddlePaddle é simples. Podes utilizar o comando export da classe YOLO para efetuar esta exportação. Segue um exemplo usando Python:
Utilização
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo11n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
Para uma configuração mais detalhada e resolução de problemas, consulta o Ultralytics Installation Guide e o Common Issues Guide.
What are the advantages of using PaddlePaddle for model deployment?
PaddlePaddle oferece várias vantagens importantes para a implantação de modelos:
- Otimização do desempenho: PaddlePaddle destaca-se pela execução eficiente do modelo e pela utilização reduzida da memória.
- Compilação de gráficos dinâmica para estática: Suporta a compilação dinâmica para estática, permitindo optimizações em tempo de execução.
- Fusão de operadores: Ao fundir operações compatíveis, reduz a sobrecarga computacional.
- Quantization Techniques: Supports both post-training and quantization-aware training, enabling lower-precision data representations for improved performance.
You can achieve enhanced results by exporting your Ultralytics YOLO11 models to PaddlePaddle, ensuring flexibility and high performance across various applications and hardware platforms. Learn more about PaddlePaddle's features here.
Por que razão devo escolher PaddlePaddle para implementar os meus modelos YOLO11?
PaddlePaddle, desenvolvido pela Baidu, está optimizado para implementações industriais e comerciais de IA. A sua grande comunidade de programadores e a sua estrutura robusta fornecem ferramentas extensivas semelhantes a TensorFlow e PyTorch. Ao exportar os seus modelos YOLO11 para PaddlePaddle, tira partido:
- Desempenho melhorado: Velocidade de execução optimizada e redução do espaço de memória.
- Flexibilidade: Ampla compatibilidade com vários dispositivos, desde smartphones a servidores em nuvem.
- Escalabilidade: Capacidades de processamento paralelo eficientes para ambientes distribuídos.
Estas caraterísticas fazem do PaddlePaddle uma escolha atraente para a implementação de modelos YOLO11 em ambientes de produção.
Como é que o PaddlePaddle melhora o desempenho do modelo em relação a outras estruturas?
PaddlePaddle utiliza várias técnicas avançadas para otimizar o desempenho do modelo:
- Gráfico dinâmico para estático: Converte modelos em um gráfico 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.
- Quantization: Reduces model size and increases efficiency using lower-precision data while maintaining accuracy.
These techniques prioritize efficient model execution, making PaddlePaddle an excellent option for deploying high-performance YOLO11 models. For more on optimization, see the PaddlePaddle official documentation.
Que opções de implementação oferece o PaddlePaddle para os modelos YOLO11?
PaddlePaddle oferece opções de implementação flexíveis:
- Serviço de remo: Implementa modelos como APIs RESTful, ideais para produção com recursos como versionamento de modelos e testes A/B online.
- API de inferência de pás: Dá controlo de baixo nível sobre a execução do modelo para aplicações personalizadas.
- Paddle Lite: Optimiza os modelos para os recursos limitados dos dispositivos móveis e incorporados.
- Paddle.js: Permite a implementação de modelos diretamente nos navegadores Web.
Essas opções abrangem uma ampla gama de cenários de implantação, desde a inferência no dispositivo até serviços de nuvem escalonáveis. Explora mais estratégias de implementação na páginaUltralytics Model Deployment Options.
