Link to this sectionComo exportar para o formato PaddlePaddle a partir de modelos YOLO26#

Tentar superar a lacuna entre desenvolver e implantar modelos de computer vision em cenários reais com condições variáveis pode ser difícil. O PaddlePaddle facilita esse processo com seu foco em flexibilidade, desempenho e sua capacidade de processamento paralelo em ambientes distribuídos. Isso significa que você pode usar seus modelos de computer vision YOLO26 em uma ampla variedade de dispositivos e plataformas, desde smartphones a servidores baseados na nuvem.

A capacidade de exportar para o formato de modelo PaddlePaddle permite que você otimize seus modelos Ultralytics YOLO26 para uso dentro do framework PaddlePaddle. O PaddlePaddle é conhecido por facilitar implantações industriais e é uma boa escolha para implantar aplicações de computer vision em cenários reais em diversos domínios.

Link to this sectionPor que você deveria exportar para o PaddlePaddle?#

Desenvolvido pela Baidu, o PaddlePaddle (PArallel Distributed Deep LEarning) é a primeira plataforma de deep learning de código aberto da China. Ao contrário de alguns frameworks criados principalmente para pesquisa, o PaddlePaddle prioriza a facilidade de uso e a integração suave entre indústrias.

Ele oferece ferramentas e recursos semelhantes a frameworks populares como TensorFlow e PyTorch, tornando-o acessível para desenvolvedores de todos os níveis de experiência. Da agricultura e fábricas a serviços, a grande comunidade de desenvolvedores do PaddlePaddle, com mais de 4,77 milhões de pessoas, ajuda a criar e implantar aplicações de IA.

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

Link to this sectionPrincipais recursos dos modelos PaddlePaddle#

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

• Grafo Dinâmico-para-Estático: O PaddlePaddle suporta compilação de dinâmico para estático, onde modelos podem ser traduzidos para um grafo computacional estático. Isso permite otimizações que reduzem a sobrecarga em tempo de execução e aumentam o desempenho da inferência.

• Fusão de Operadores: O PaddlePaddle, como o TensorRT, usa fusão de operadores para otimizar a computação e reduzir a sobrecarga. O framework minimiza transferências de memória e passos computacionais ao mesclar operações compatíveis, resultando em uma inferência mais rápida.

• Quantização: O PaddlePaddle suporta 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.

Link to this sectionOpções 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 fornece uma variedade de opções, cada uma oferecendo um equilíbrio distinto de facilidade de uso, flexibilidade e desempenho:

• Paddle Serving: Este framework 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.

• Paddle Inference API: A Paddle Inference API oferece controle de baixo nível sobre a execução do modelo. Esta opção é bem adequada para cenários onde você precisa 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 você implante 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.

Link to this sectionExportar para o PaddlePaddle: Convertendo seu modelo YOLO26#

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

Link to this sectionInstalação#

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para obter instruções detalhadas e práticas recomendadas relacionadas ao processo de instalação, consulte nosso Guia de Instalação do 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.

Link to this sectionUso#

Todos os modelos Ultralytics YOLO26 suportam exportação, e você pode navegar pela lista completa de formatos e opções de exportação para encontrar o que melhor se adapta às suas necessidades de implantação.

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

Link to this sectionArgumentos de Exportação#

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

Link to this sectionImplantando modelos YOLO26 PaddlePaddle exportados#

Após exportar com sucesso seus modelos Ultralytics YOLO26 para o formato PaddlePaddle, você já pode 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 obter instruções detalhadas sobre a implantação de seus modelos PaddlePaddle em vários outros ambientes, dê uma olhada nos seguintes recursos:

• Paddle Serving: Aprenda como implantar seus modelos PaddlePaddle como serviços de alto desempenho usando o Paddle Serving.

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

• Paddle.js: Descubra como executar modelos PaddlePaddle em navegadores web para IA no lado do cliente usando o Paddle.js.

Link to this sectionResumo#

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

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

Quer explorar mais maneiras de integrar seus modelos Ultralytics YOLO26? Nossa página de guia de integração explora várias opções, fornecendo recursos e insights valiosos.

Link to this sectionFAQ#

Link to this sectionComo exporto modelos Ultralytics YOLO26 para o formato PaddlePaddle?#

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

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'

# 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 solução de problemas mais detalhadas, confira o Guia de Instalação do Ultralytics e o Guia de Problemas Comuns.

Link to this sectionQuais são as vantagens de usar o PaddlePaddle para model deployment?#

O PaddlePaddle oferece várias vantagens importantes para a implantação de modelos:

• Otimização de Desempenho: O PaddlePaddle se destaca na execução eficiente de modelos e na redução do uso de memória.
• Compilação de Grafo Dinâmico-para-Estático: Ele suporta compilação de dinâmico para estático, permitindo otimizações em tempo de execução.
• Fusão de Operadores: Ao mesclar operações compatíveis, reduz a sobrecarga computacional.
• Técnicas de Quantização: Suporta treinamento pós-treinamento e com consciência de quantização, permitindo representações de dados de menor precisão para um desempenho aprimorado.

Você pode alcançar resultados aprimorados exportando seus modelos Ultralytics YOLO26 para PaddlePaddle, garantindo flexibilidade e alto desempenho em várias aplicações e plataformas de hardware. Explore os principais recursos e capacidades do PaddlePaddle na documentação oficial do PaddlePaddle.

Link to this sectionPor que devo 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 seus modelos YOLO26 para o PaddlePaddle, você aproveita:

• Desempenho Aprimorado: Velocidade de execução ideal e menor uso de memória.
• Flexibilidade: Ampla compatibilidade com vários dispositivos, desde smartphones a servidores em nuvem.
• Escalabilidade: Recursos eficientes de processamento paralelo para ambientes distribuídos.

Esses recursos tornam o PaddlePaddle uma escolha atraente para implantar modelos YOLO26 em ambientes de produção.

Link to this sectionComo o PaddlePaddle melhora o desempenho do modelo em relação a outros frameworks?#

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 em 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 acurácia.

Essas técnicas priorizam a execução eficiente do modelo, tornando o PaddlePaddle uma excelente opção para implantar modelos YOLO26 de alto desempenho. Para mais informações sobre otimização, consulte a documentação oficial do PaddlePaddle.

Link to this sectionQuais opções de implantação o PaddlePaddle oferece para modelos YOLO26?#

O PaddlePaddle fornece opções flexíveis de implantação:

• Paddle Serving: Implanta modelos como APIs RESTful, ideal para produção com recursos como versionamento de modelo e testes A/B online.
• Paddle Inference API: Oferece controle de baixo nível sobre a execução do modelo para aplicações personalizadas.
• Paddle Lite: Otimiza modelos para 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 em dispositivo até serviços de nuvem escaláveis. Explore mais estratégias de implantação na página de Opções de Implantação de Modelo do Ultralytics.