Как экспортировать модели YOLO26 в формат PaddlePaddle#

Устранить разрыв между разработкой и развёртыванием моделей компьютерного зрения в реальных сценариях с различными условиями может быть непросто. PaddlePaddle упрощает этот процесс благодаря своему вниманию к гибкости, производительности и возможности параллельной обработки в распределённых средах. Это означает, что ты можешь использовать свои модели компьютерного зрения YOLO26 на самых разных устройствах и платформах — от смартфонов до облачных серверов.

Возможность экспорта в формат моделей PaddlePaddle позволяет оптимизировать твои модели Ultralytics YOLO26 для использования в рамках PaddlePaddle. PaddlePaddle известен тем, что упрощает промышленные развёртывания, и хорошо подходит для развёртывания приложений компьютерного зрения в реальных условиях в различных сферах.

Зачем экспортировать в PaddlePaddle?#

Разработанный Baidu, PaddlePaddle (PAраллельное Dраспределённое Dглубокое LEобучение) — первая китайская платформа глубокого обучения с открытым исходным кодом. В отличие от некоторых платформ, созданных преимущественно для исследований, PaddlePaddle уделяет приоритетное внимание простоте использования и плавной интеграции в различных отраслях.

Он предлагает инструменты и ресурсы, аналогичные популярным платформам, таким как TensorFlow и PyTorch, благодаря чему доступен разработчикам с любым уровнем опыта. От сельского хозяйства и заводов до сервисных компаний — крупное сообщество разработчиков PaddlePaddle, насчитывающее более 4,77 миллиона человек, помогает создавать и развёртывать приложения ИИ.

Экспортируя свои модели Ultralytics YOLO26 в формат PaddlePaddle, ты можешь использовать преимущества PaddlePaddle в оптимизации производительности. PaddlePaddle уделяет приоритетное внимание эффективному выполнению моделей и снижению использования памяти. В результате твои модели YOLO26 потенциально могут достигать ещё более высокой производительности и обеспечивать отличные результаты в практических сценариях.

Основные возможности моделей PaddlePaddle#

Модели PaddlePaddle предлагают ряд ключевых возможностей, обеспечивающих их гибкость, производительность и масштабируемость в различных сценариях развёртывания:

• Динамический и статический граф: PaddlePaddle поддерживает компиляцию динамического графа в статический, при которой модели преобразуются в статический вычислительный граф. Это позволяет выполнять оптимизации, снижающие накладные расходы во время выполнения и повышающие производительность инференса.

• Слияние операторов: PaddlePaddle, как и TensorRT, использует слияние операторов для оптимизации вычислений и снижения накладных расходов. Платформа минимизирует передачи данных между памятью и количество вычислительных шагов, объединяя совместимые операции, что ускоряет инференс.

• Квантизация: PaddlePaddle поддерживает методы квантизации, включая квантизацию после обучения и квантизационно-ориентированное обучение. Эти методы позволяют использовать представления данных с меньшей точностью, эффективно повышая производительность и уменьшая размер модели.

Варианты развёртывания в PaddlePaddle#

Прежде чем перейти к коду экспорта моделей YOLO26 в PaddlePaddle, рассмотрим различные сценарии развёртывания, в которых модели PaddlePaddle особенно эффективны.

PaddlePaddle предлагает ряд вариантов, каждый из которых обеспечивает свой баланс простоты использования, гибкости и производительности:

• Paddle Serving: эта платформа упрощает развёртывание моделей PaddlePaddle в виде высокопроизводительных RESTful API. Paddle Serving идеально подходит для рабочих сред и предоставляет такие возможности, как управление версиями моделей, онлайн-тестирование A/B и масштабируемость для обработки большого количества запросов.

• Paddle Inference API: Paddle Inference API предоставляет низкоуровневый контроль над выполнением модели. Этот вариант хорошо подходит для сценариев, в которых нужно тесно интегрировать модель в пользовательское приложение или оптимизировать производительность для конкретного оборудования.

• Paddle Lite: Paddle Lite предназначен для развёртывания на мобильных и встраиваемых устройствах с ограниченными ресурсами. Он оптимизирует модели для уменьшения размера и ускорения инференса на ARM CPU, GPU и другом специализированном оборудовании.

• Paddle.js: Paddle.js позволяет развёртывать модели PaddlePaddle непосредственно в веб-браузерах. Paddle.js может загрузить предварительно обученную модель или преобразовать модель из paddle-hub с помощью инструментов преобразования моделей, предоставляемых Paddle.js. Он может работать в браузерах, поддерживающих WebGL/WebGPU/WebAssembly.

Поддерживаемые задачи#

Экспорт PaddlePaddle поддерживает все семь задач Ultralytics. Семантическая сегментация и оценка глубины доступны только в YOLO26 — единственном семействе, поставляемом с такими головами.

Экспорт в PaddlePaddle: преобразование твоей модели YOLO26#

Преобразование моделей YOLO26 в формат PaddlePaddle может повысить гибкость выполнения и оптимизировать производительность для различных сценариев развёртывания.

Установка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

Подробные инструкции и рекомендации по установке смотри в нашем руководстве по установке Ultralytics. Если при установке необходимых для YOLO26 пакетов возникнут трудности, обратись к руководству по распространенным проблемам, где encontrarás решения и советы.

Использование#

Все модели Ultralytics YOLO26 поддерживают экспорт, а ты можешь просмотреть полный список форматов и параметров экспорта, чтобы выбрать наиболее подходящий вариант для своих задач развёртывания.

Формат PaddlePaddle поддерживает режимы Export, Predict и Validate. Экспортируй модель, затем загрузи экспортированную модель, чтобы выполнить инференс или проверить её точность.

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")

Аргументы экспорта#

Подробнее о процессе экспорта см. на странице документации Ultralytics об экспорте.

Развёртывание экспортированных моделей YOLO26 PaddlePaddle#

После успешного экспорта твоих моделей Ultralytics YOLO26 в формат PaddlePaddle ты можешь развернуть их. Основным и рекомендуемым первым шагом для запуска модели PaddlePaddle является использование метода YOLO("yolo26n_paddle_model/") , как показано в предыдущем фрагменте кода использования.

Однако подробные инструкции по развёртыванию моделей PaddlePaddle в различных других средах смотри в следующих ресурсах:

• Paddle Serving: узнай, как развёртывать свои модели PaddlePaddle в виде производительных сервисов с помощью Paddle Serving.

• Paddle Lite: узнай, как оптимизировать и развёртывать модели на мобильных и встраиваемых устройствах с помощью Paddle Lite.

• Paddle.js: узнай, как запускать модели PaddlePaddle в веб-браузерах для клиентского ИИ с помощью Paddle.js.

Итоги#

В этом руководстве мы рассмотрели процесс экспорта моделей Ultralytics YOLO26 в формат PaddlePaddle. Следуя этим шагам, ты можешь использовать преимущества PaddlePaddle в различных сценариях развёртывания, оптимизируя модели для разных аппаратных и программных сред.

Подробнее об использовании смотри в официальной документации PaddlePaddle.

Хочешь узнать о других способах интеграции своих моделей Ultralytics YOLO26? На нашей странице руководства по интеграции рассматриваются различные варианты и представлены полезные ресурсы и сведения.

Часто задаваемые вопросы#