Link to this sectionКак экспортировать модели YOLO26 в формат PaddlePaddle#

Преодолеть разрыв между разработкой и развертыванием моделей компьютерного зрения в реальных сценариях с различными условиями бывает непросто. PaddlePaddle упрощает этот процесс благодаря акценту на гибкости, производительности и возможностям параллельной обработки в распределенных 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 фреймворка PaddlePaddle. PaddlePaddle известен содействием промышленному развертыванию и является хорошим выбором для внедрения приложений компьютерного зрения в реальных условиях в различных областях.

Link to this sectionПочему стоит экспортировать в PaddlePaddle?#

Разработанная компанией Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) — это первая в Китае платформа глубокого обучения с открытым исходным кодом. В отличие от некоторых фреймворков, созданных в основном для исследований, PaddlePaddle отдает приоритет простоте использования и плавной интеграции в индустрии.

Она предлагает инструменты и ресурсы, аналогичные популярным фреймворкам, таким как TensorFlow и PyTorch, что делает ее доступной для разработчиков любого уровня подготовки. От сельского хозяйства и заводов до сферы услуг — огромное сообщество разработчиков PaddlePaddle, насчитывающее более 4,77 миллиона человек, помогает создавать и развертывать AI-приложения.

Экспортируя свои модели Ultralytics YOLO26 в формат PaddlePaddle, ты можешь воспользоваться преимуществами PaddlePaddle в области оптимизации производительности. PaddlePaddle уделяет особое внимание эффективному выполнению моделей и снижению использования памяти. В результате твои модели YOLO26 могут потенциально достичь еще лучшей производительности, обеспечивая первоклассные результаты в практических сценариях.

Link to this sectionКлючевые особенности моделей PaddlePaddle#

Модели PaddlePaddle предлагают ряд ключевых функций, которые способствуют их гибкости, производительности и масштабируемости в различных сценариях развертывания:

• Dynamic-to-Static Graph: PaddlePaddle поддерживает компиляцию из динамического графа в статический, при которой модели могут быть преобразованы в статический вычислительный граф. Это позволяет применять оптимизации, которые снижают накладные расходы во время выполнения и повышают производительность логического вывода.

• Operator Fusion: PaddlePaddle, подобно TensorRT, использует слияние операторов для оптимизации вычислений и снижения накладных расходов. Фреймворк минимизирует передачу данных между памятью и вычислительные шаги путем объединения совместимых операций, что приводит к более быстрому логическому выводу.

• Quantization: PaddlePaddle поддерживает методы квантования, включая квантование после обучения и обучение с учетом квантования. Эти методы позволяют использовать представления данных с более низкой точностью, эффективно повышая производительность и уменьшая размер модели.

Link to this sectionВарианты развертывания в PaddlePaddle#

Прежде чем погрузиться в код для экспорта моделей YOLO26 в PaddlePaddle, давай рассмотрим различные сценарии развертывания, в которых модели PaddlePaddle показывают себя наилучшим образом.

PaddlePaddle предоставляет ряд вариантов, каждый из которых предлагает уникальный баланс простоты использования, гибкости и производительности:

• Paddle Serving: Этот фреймворк упрощает развертывание моделей PaddlePaddle как высокопроизводительных RESTful API. Paddle Serving идеально подходит для производственных сред, предоставляя такие функции, как версионирование моделей, онлайн A/B тестирование и масштабируемость для обработки больших объемов запросов.

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

• Paddle Lite: Paddle Lite предназначен для развертывания на мобильных и встроенных устройствах с ограниченными ресурсами. Он оптимизирует модели для уменьшения размера и ускорения логического вывода на ARM CPU, GPU и другом специализированном оборудовании.

• Paddle.js: Paddle.js позволяет развертывать модели PaddlePaddle непосредственно в веб-браузерах. Paddle.js может либо загружать предварительно обученную модель, либо преобразовывать модель из paddle-hub с помощью инструментов преобразования, предоставляемых Paddle.js. Он может работать в браузерах, поддерживающих WebGL/WebGPU/WebAssembly.

Link to this sectionЭкспорт в PaddlePaddle: конвертация твоей модели YOLO26#

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

Link to this sectionУстановка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

Для получения подробных инструкций и лучших практик, связанных с процессом установки, ознакомься с нашим руководством по установке Ultralytics. Если при установке необходимых пакетов для YOLO26 ты столкнешься с какими-либо трудностями, обратись к нашему руководству по распространенным проблемам за решениями и советами.

Link to this sectionИспользование#

Все модели Ultralytics YOLO26 поддерживают экспорт, и ты можешь ознакомиться с полным списком форматов экспорта и опций, чтобы подобрать наиболее подходящий вариант для твоих нужд развертывания.

Формат PaddlePaddle поддерживает режимы Export, Predict и Validate. Экспортируй свою модель, а затем загрузи ее для выполнения логического вывода или проверки точности.

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 sectionАргументы экспорта#

Более подробную информацию о процессе экспорта можно найти на странице документации Ultralytics по экспорту.

Link to this sectionРазвертывание экспортированных моделей YOLO26 PaddlePaddle#

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

Однако для получения подробных инструкций по развертыванию твоих моделей PaddlePaddle в различных других настройках, загляни в следующие ресурсы:

• Paddle Serving: Узнай, как развертывать свои модели PaddlePaddle как производительные сервисы с помощью Paddle Serving.

• Paddle Lite: Узнай, как оптимизировать и развертывать модели на мобильных и встроенных устройствах с помощью Paddle Lite.

• Paddle.js: Открой для себя способы запуска моделей PaddlePaddle в веб-браузерах для клиентского AI с помощью Paddle.js.

Link to this sectionИтог#

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

Для получения дальнейших подробностей об использовании посети официальную документацию PaddlePaddle.

Хочешь узнать больше способов интеграции твоих моделей Ultralytics YOLO26? Наша страница руководств по интеграции исследует различные варианты, снабжая тебя ценными ресурсами и знаниями.

Link to this sectionFAQ#

Link to this sectionКак мне экспортировать модели Ultralytics YOLO26 в формат PaddlePaddle?#

Экспорт моделей Ultralytics YOLO26 в формат PaddlePaddle прост. Ты можешь использовать метод export класса YOLO для выполнения конвертации. Вот пример использования 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")

Для более детальной настройки и устранения неполадок ознакомьсь с руководством по установке Ultralytics и руководством по распространенным проблемам.

Link to this sectionКаковы преимущества использования PaddlePaddle для развертывания моделей?#

PaddlePaddle предлагает несколько ключевых преимуществ для развертывания моделей:

• Оптимизация производительности: PaddlePaddle превосходно справляется с эффективным выполнением моделей и снижением использования памяти.
• Компиляция динамического графа в статический: Поддерживает компиляцию динамических графов в статические, что позволяет проводить оптимизации во время выполнения.
• Слияние операторов: Объединяя совместимые операции, уменьшает вычислительные накладные расходы.
• Методы квантования: Поддерживает как квантование после обучения, так и обучение с учетом квантования, обеспечивая использование данных с более низкой точностью для повышения производительности.

Ты можешь добиться улучшенных результатов, экспортируя свои модели Ultralytics YOLO26 в PaddlePaddle, обеспечивая гибкость и высокую производительность в различных приложениях и на аппаратных платформах. Изучи основные функции и возможности PaddlePaddle в официальной документации PaddlePaddle.

Link to this sectionПочему мне стоит выбрать PaddlePaddle для развертывания моих моделей YOLO26?#

PaddlePaddle, разработанная Baidu, оптимизирована для промышленных и коммерческих AI-развертываний. Ее большое сообщество разработчиков и надежный фреймворк предоставляют обширные инструменты, аналогичные TensorFlow и PyTorch. Экспортируя свои модели YOLO26 в PaddlePaddle, ты получаешь:

• Повышенная производительность: Оптимальная скорость выполнения и уменьшенные затраты памяти.
• Гибкость: Широкая совместимость с различными устройствами, от смартфонов до облачных серверов.
• Масштабируемость: Эффективные возможности параллельной обработки для распределенных сред.

Эти функции делают PaddlePaddle убедительным выбором для развертывания моделей YOLO26 в производственных условиях.

Link to this sectionКак PaddlePaddle улучшает производительность моделей по сравнению с другими фреймворками?#

PaddlePaddle применяет несколько передовых методов для оптимизации производительности моделей:

• Dynamic-to-Static Graph: Преобразует модели в статический вычислительный граф для оптимизации выполнения.
• Слияние операторов: Объединяет совместимые операции для минимизации передачи данных в памяти и увеличения скорости логического вывода.
• Квантование: Уменьшает размер модели и повышает эффективность за счет использования данных с более низкой точностью при сохранении точности предсказаний.

Эти методы отдают приоритет эффективному выполнению модели, делая PaddlePaddle отличным вариантом для развертывания высокопроизводительных моделей YOLO26. Подробнее об оптимизации смотри в официальной документации PaddlePaddle.

Link to this sectionКакие варианты развертывания предлагает PaddlePaddle для моделей YOLO26?#

PaddlePaddle предоставляет гибкие варианты развертывания:

• Paddle Serving: Развертывает модели как RESTful API, идеально подходит для производства, с функциями версионирования моделей и онлайн A/B тестирования.
• Paddle Inference API: Дает низкоуровневый контроль над выполнением модели для пользовательских приложений.
• Paddle Lite: Оптимизирует модели для работы с ограниченными ресурсами мобильных и встроенных устройств.
• Paddle.js: Позволяет развертывать модели непосредственно в веб-браузерах.

Эти варианты охватывают широкий спектр сценариев развертывания, от логического вывода на устройстве до масштабируемых облачных сервисов. Исследуй больше стратегий развертывания на странице вариантов развертывания моделей Ultralytics.