Como exportar para o formato PaddlePaddle a partir de modelos YOLO11
Fazer a ponte entre o desenvolvimento e a implantação de modelos de visão computacional em cenários do mundo real com condições variáveis pode ser difícil. PaddlePaddle facilita esse processo com seu foco em flexibilidade, desempenho e sua capacidade de processamento paralelo em ambientes distribuídos. Isto significa que pode utilizar os seus modelos de visão computacional YOLO11 numa grande variedade de dispositivos e plataformas, desde smartphones a servidores baseados na nuvem.
Ver: Como exportar modelos Ultralytics YOLO11 para o formato PaddlePaddle | Principais caraterísticas do formato PaddlePaddle
A capacidade de exportar para o formato de modelo PaddlePaddle permite-lhe otimizar os seus modelos para utilização na estrutura . Ultralytics YOLO11 modelos para utilização na estrutura PaddlePaddle . O PaddlePaddle é conhecido por facilitar as implementações industriais e é uma boa escolha para implementar aplicações de visão por computador em ambientes reais em vários domínios.
Por que razão deve exportar para PaddlePaddle?
Desenvolvido pela Baidu, PaddlePaddle(PArallel Distributed Deep LEarning) é a primeira plataforma de aprendizagem profunda de código aberto da China. Ao contrário de algumas estruturas criadas principalmente para a investigação, o PaddlePaddle dá prioridade à facilidade de utilização e à integração harmoniosa em todos os sectores.
Oferece ferramentas e recursos semelhantes a estruturas populares como TensorFlow e PyTorchtornando-a acessível a programadores de todos os níveis de experiência. Desde a agricultura e as fábricas até às empresas de serviços, a grande comunidade de programadores do PaddlePaddle, com mais de 4,77 milhões de pessoas, está a ajudar a criar e a implementar aplicações de IA.
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 de modelos e à utilização reduzida de memória. Como resultado, seus modelos YOLO11 podem potencialmente alcançar um desempenho ainda melhor, fornecendo resultados de primeira linha em cenários práticos.
Principais caraterísticas dos modelos PaddlePaddle
PaddlePaddle oferecem uma gama de caraterísticas-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. Isto permite optimizações que reduzem a sobrecarga do tempo de execução e aumentam o desempenho da inferência.
-
Fusão de operadores: PaddlePaddle 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 os passos computacionais através da fusão de 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 oferece uma gama de opções, cada uma com 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. Ele otimiza modelos para tamanhos menores e inferência mais rápida em CPUs ARM, GPUs e outros hardwares especializados.
-
Paddle.js: O Paddle.js permite-lhe 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: Conversão do 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, execute:
Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, consulte o nosso guia de instalaçãoUltralytics . Ao instalar os pacotes necessários para YOLO11, se encontrar alguma dificuldade, consulte o nosso guia de Problemas comuns para obter soluções e dicas.
Utilização
Antes de se debruçar sobre as instruções de utilização, é importante notar que, embora todos os modelos deUltralytics YOLO11 estejam disponíveis para exportação, pode certificar-se de que o modelo selecionado 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, visite a página de documentaçãoUltralytics sobre opções de implantação.
Implantação de modelos exportados YOLO11 PaddlePaddle
Depois de exportar com êxito seus modelos Ultralytics YOLO11 para o formato PaddlePaddle , agora é possível implantá-los. A primeira etapa principal e recomendada 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 seus modelos PaddlePaddle em várias outras configurações, consulte os seguintes recursos:
-
Serviço de pás: Saiba como implantar seus modelos PaddlePaddle como serviços de alto desempenho usando o Paddle Serving.
-
Remo Lite: Explore como otimizar e implementar modelos em dispositivos móveis e incorporados utilizando o Paddle Lite.
-
Paddle.js: Descubra como executar modelos PaddlePaddle em navegadores da Web para IA do lado do cliente usando Paddle.js.
Resumo
Neste guia, exploramos o processo de exportação de modelos Ultralytics YOLO11 para o formato PaddlePaddle . Seguindo estas etapas, é possível aproveitar os pontos fortes do PaddlePaddle em diversos cenários de implantação, otimizando seus modelos para diferentes ambientes de hardware e software.
Para mais informações sobre a utilização, consulte a documentação oficialPaddlePaddle
Pretende explorar mais formas de integrar os seus modelos Ultralytics YOLO11 ? A nossa página de guia de integração explora várias opções, equipando-o com recursos e conhecimentos valiosos.
FAQ
Como é que exporto modelos Ultralytics YOLO11 para o formato PaddlePaddle ?
A exportação dos modelos Ultralytics YOLO11 para o formato PaddlePaddle é simples. Pode utilizar a função export da classe YOLO para efetuar esta exportação. Aqui está 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, consulte o Ultralytics Installation Guide e o Common Issues Guide.
Quais são as vantagens de utilizar PaddlePaddle para a implementação de modelos?
PaddlePaddle oferece várias vantagens importantes para a implantação de modelos:
- Otimização do desempenho: PaddlePaddle é excelente na execução eficiente de modelos e na utilização reduzida de 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.
- Técnicas de quantização: Suporta tanto o treinamento pós-treinamento quanto o treinamento com reconhecimento de quantização, permitindo representações de dados de menor precisão para melhorar o desempenho.
Pode obter melhores resultados exportando os seus modelos Ultralytics YOLO11 para PaddlePaddle, assegurando flexibilidade e elevado desempenho em várias aplicações e plataformas de hardware. Saiba mais sobre as funcionalidades do PaddlePaddleaqui.
Por que razão devo escolher PaddlePaddle para implementar os meus modelos YOLO11 ?
PaddlePaddledesenvolvido 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, pode tirar partido:
- Desempenho melhorado: Velocidade de execução optimizada e espaço de memória reduzido.
- Flexibilidade: Ampla compatibilidade com vários dispositivos, desde smartphones a servidores na 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.
- Quantização: Reduz o tamanho do modelo e aumenta a eficiência utilizando dados de menor precisão, mantendo a exatidão.
Essas técnicas priorizam a execução eficiente do modelo, tornando o PaddlePaddle uma excelente opção para implantar modelos YOLO11 de alto desempenho. Para obter mais informações sobre otimização, consulte a documentação oficialPaddlePaddle .
Que opções de implementação oferece o PaddlePaddle para os modelos YOLO11 ?
PaddlePaddle oferece opções de implementação flexíveis:
- Paddle Serving: Implementa modelos como APIs RESTful, ideais para produção com recursos como versionamento de modelos e testes A/B online.
- API de inferência de pás: Proporciona 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.
Estas opções abrangem uma vasta gama de cenários de implementação, desde a inferência no dispositivo até aos serviços de nuvem escaláveis. Explore mais estratégias de implantação na páginaUltralytics Model Deployment Options.
