Como exportar para o formato PaddlePaddle a partir de modelos YOLO26#

Reduzir a lacuna entre desenvolver e implementar modelos de computer vision em cenários do mundo real com condições variadas pode ser difícil. O PaddlePaddle torna esse processo mais fácil com seu foco em flexibilidade, desempenho e capacidade de processamento paralelo em ambientes distribuídos. Isso significa que podes usar os teus modelos de computer vision YOLO26 numa ampla variedade de dispositivos e plataformas, desde smartphones até servidores baseados em nuvem.

A capacidade de exportar para o formato de modelo PaddlePaddle permite-te otimizar os teus modelos Ultralytics YOLO26 para uso dentro do framework PaddlePaddle. O PaddlePaddle é conhecido por facilitar implementações industriais e é uma boa escolha para implementar aplicações de computer vision em ambientes do mundo real em vários domínios.

Por 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 construídos principalmente para pesquisa, o PaddlePaddle prioriza a facilidade de uso e a integração suave entre indústrias.

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

Principais 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 os modelos podem ser traduzidos num grafo computacional estático. Isto permite otimizações que reduzem a sobrecarga em tempo de execução e aumentam o desempenho de inferência.

• Fusão de Operadores: O PaddlePaddle, tal como o TensorRT, utiliza fusão de operadores para otimizar a computação e reduzir a sobrecarga. O framework minimiza as transferências de memória e as etapas computacionais ao mesclar operações compatíveis, resultando numa inferência mais rápida.

• Quantização: O PaddlePaddle suporta técnicas de quantização, incluindo quantização pós-treinamento e treinamento ciente de quantização. Estas técnicas permitem o uso de representações de dados de menor precisão, impulsionando 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 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-te implementar modelos PaddlePaddle diretamente em navegadores web. O Paddle.js pode carregar um modelo pré-treinado ou transformar um modelo de paddle-hub com ferramentas de transformação de modelos fornecidas pelo Paddle.js. Pode ser executado em navegadores que suportam WebGL/WebGPU/WebAssembly.

Tarefas Suportadas#

A exportação para o PaddlePaddle suporta todas as sete tarefas do Ultralytics. A segmentação semântica e a estimativa de profundidade estão disponíveis apenas com o YOLO26, a única família que inclui esses cabeçotes.

Exportar 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.

Instalação#

Para instalar o pacote necessário, execute:

# Install the required package for YOLO26
pip install ultralytics

Para instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulta o nosso guia de instalação do Ultralytics. Ao instalar os pacotes necessários para o YOLO26, se encontrares alguma dificuldade, consulta o nosso guia de problemas comuns para obter soluções e dicas.

Uso#

Todos os modelos Ultralytics YOLO26 suportam exportação, e podes consultar a lista completa de formatos e opções de exportação para encontrar a melhor opção para as tuas necessidades de implementação.

O formato PaddlePaddle suporta os modos Export, Predict e Validate. Exporta o teu modelo e, em seguida, carrega 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 mais detalhes sobre o processo de exportação, visita a página de documentação do Ultralytics sobre exportação.

Implantando 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: Aprende a implementar os teus modelos PaddlePaddle como serviços de alto desempenho utilizando o Paddle Serving.

• Paddle Lite: Explora como otimizar e implementar modelos em dispositivos móveis e embutidos utilizando o Paddle Lite.

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

Resumo#

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 a utilização, visita a documentação oficial do PaddlePaddle.

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

FAQ#