How to Export to PaddlePaddle Format from YOLO11 Models
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.
By exporting your Ultralytics YOLO11 models to PaddlePaddle format, you can tap into PaddlePaddle's strengths in performance optimization. PaddlePaddle prioritizes efficient model execution and reduced memory usage. As a result, your YOLO11 models can potentially achieve even better performance, delivering top-notch results in practical scenarios.
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
Before diving into the code for exporting YOLO11 models to PaddlePaddle, let's take a look at the different deployment scenarios in which PaddlePaddle models excel.
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.
Export to PaddlePaddle: Converting Your YOLO11 Model
Converting YOLO11 models to the PaddlePaddle format can improve execution flexibility and optimize performance for various deployment scenarios.
Instalação
Para instalar o pacote necessário, executa:
For detailed instructions and best practices related to the installation process, check our Ultralytics Installation guide. While installing the required packages for YOLO11, if you encounter any difficulties, consult our Common Issues guide for solutions and tips.
Utilização
Before diving into the usage instructions, it's important to note that while all Ultralytics YOLO11 models are available for exporting, you can ensure that the model you select supports export functionality here.
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.
Deploying Exported YOLO11 PaddlePaddle Models
After successfully exporting your Ultralytics YOLO11 models to PaddlePaddle format, you can now deploy them. The primary and recommended first step for running a PaddlePaddle model is to use the YOLO("./model_paddle_model") method, as outlined in the previous usage code snippet.
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
In this guide, we explored the process of exporting Ultralytics YOLO11 models to the PaddlePaddle format. By following these steps, you can leverage PaddlePaddle's strengths in diverse deployment scenarios, optimizing your models for different hardware and software environments.
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
How do I export Ultralytics YOLO11 models to PaddlePaddle format?
Exporting Ultralytics YOLO11 models to PaddlePaddle format is straightforward. You can use the 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.
Why should I choose PaddlePaddle for deploying my YOLO11 models?
PaddlePaddle, developed by Baidu, is optimized for industrial and commercial AI deployments. Its large developer community and robust framework provide extensive tools similar to TensorFlow and PyTorch. By exporting your YOLO11 models to PaddlePaddle, you leverage:
- 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.
These features make PaddlePaddle a compelling choice for deploying YOLO11 models in production settings.
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.
What deployment options does PaddlePaddle offer for YOLO11 models?
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.
