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 может быть непросто. PaddlePaddle упрощает этот процесс благодаря акценту на гибкость, производительность и возможности 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 в промышленном развертывании и является хорошим выбором для внедрения приложений компьютерного зрения в реальных условиях в различных областях.

Link to this sectionПочему тебе стоит выполнить экспорт в PaddlePaddle?#

Разработанный 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 различных отраслях.

Он предлагает инструменты и ресурсы, аналогичные популярным фреймворкам, таким как TensorFlow и PyTorch, что делает его доступным для разработчиков любого уровня опыта. От сельского хозяйства и заводов до сферы услуг — большое сообщество разработчиков PaddlePaddle, насчитывающее более 4,77 миллиона человек, помогает создавать и развертывать ИИ-приложения.

Экспортируя свои модели Ultralytics YOLO26 в формат PaddlePaddle, ты можешь воспользоваться преимуществами PaddlePaddle в плане оптимизации производительности. PaddlePaddle отдает приоритет эффективному выполнению моделей и снижению использования памяти. В результате твои модели YOLO26 могут потенциально достичь еще более высокой производительности, обеспечивая первоклассные результаты в практических сценариях.

Link to this sectionКлючевые особенности моделей PaddlePaddle#

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

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

• Слияние операторов: PaddlePaddle, как и TensorRT, использует слияние операторов для упрощения вычислений и снижения накладных расходов. Фреймворк минимизирует передачу данных в памяти и количество вычислительных шагов за счет объединения совместимых операций, что приводит к более быстрому выводу.

• Квантование: PaddlePaddle поддерживает методы квантования, включая пост-тренировочное квантование и обучение с учетом квантования. Эти методы позволяют использовать представления данных с меньшей точностью, эффективно повышая производительность и уменьшая размер модели.

Link to this sectionВарианты развертывания в PaddlePaddle#

Прежде чем погружаться в код для экспорта моделей YOLO26 в PaddlePaddle, давай рассмотрим различные сценарии развертывания, в которых модели PaddlePaddle показывают наилучшие результаты.

PaddlePaddle предоставляет ряд опций, каждая из которых предлагает особый баланс между простотой использования, гибкостью и производительностью:

• Paddle Serving: Этот фреймворк упрощает развертывание моделей PaddlePaddle в качестве 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: Paddle Inference API дает тебе низкоуровневый контроль над выполнением модели. Этот вариант хорошо подходит для сценариев, где тебе нужно плотно интегрировать модель в кастомное приложение или оптимизировать производительность для конкретного оборудования.

• Paddle Lite: Paddle Lite предназначен для развертывания на мобильных и встраиваемых устройствах, где ресурсы ограничены. Он оптимизирует модели для уменьшения размера и ускорения вывода на ARM-процессорах, GPU и другом специализированном оборудовании.

• Paddle.js: Paddle.js позволяет развертывать модели PaddlePaddle непосредственно в веб-браузерах. Paddle.js может либо загружать предобученную модель, либо преобразовывать модель из paddle-hub с помощью инструментов преобразования моделей, 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

Подробные инструкции и лучшие практики по процессу установки ищи в нашем руководстве по установке Ultralytics. Если при установке необходимых пакетов для YOLO26 у тебя возникнут трудности, 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 найти наиболее подходящий вариант для твоих нужд развертывания.

Формат PaddlePaddle поддерживает режимы Экспорта, Прогнозирования и Валидации. Экспортируй свою модель, а затем загрузи экспортированную модель для запуска вывода или проверки ее 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#

Для получения дополнительной информации о процессе экспорта посети страницу документации Ultralytics по экспорту.

Link to this sectionРазвертывание экспортированных моделей YOLO26 PaddlePaddle#

После успешного экспорта 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 описано в предыдущем фрагменте кода.

Однако для получения подробных инструкций по развертыванию твоих моделей PaddlePaddle в других средах ознакомься со следующими ресурсами:

• Paddle Serving: Узнай, как развернуть модели PaddlePaddle в качестве высокопроизводительных сервисов с помощью Paddle Serving.

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

• Paddle.js: Узнай, как запускать модели PaddlePaddle в веб-браузерах для ИИ на стороне клиента с помощью Paddle.js.

Link to this sectionРезюме#

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

Для получения дополнительной информации по использованию посети официальную документацию PaddlePaddle.

Хочешь узнать больше способов интеграции моделей Ultralytics YOLO26? Наша страница руководства 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 на языке 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 ознакомься с Руководством по установке Ultralytics и Руководством по общим 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 из динамического в статический граф: Поддерживает компиляцию из динамического в статический граф, что позволяет проводить оптимизации во время выполнения.
• Слияние операторов: За счет объединения совместимых операций снижает вычислительные накладные расходы.
• Методы квантования: Поддерживает как пост-тренировочное, так и обучение с учетом квантования, обеспечивая представление данных с меньшей точностью для повышения производительности.

Ты можешь достичь улучшенных результатов, экспортировав модели Ultralytics YOLO26 в PaddlePaddle, обеспечив гибкость и высокую производительность в различных приложениях и на аппаратных платформах. Изучи ключевые функции и возможности PaddlePaddle в официальной документации PaddlePaddle.

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

PaddlePaddle, разработанный Baidu, оптимизирован для промышленного и коммерческого развертывания ИИ. Большое сообщество разработчиков и надежный фреймворк предоставляют обширные инструменты, аналогичные TensorFlow и PyTorch. Экспортируя модели YOLO26 в PaddlePaddle, ты получаешь следующие преимущества:

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

Эти особенности делают PaddlePaddle привлекательным выбором для развертывания моделей YOLO26 в производственных условиях.

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

PaddlePaddle использует несколько передовых методов для оптимизации производительности моделей:

• Динамический-в-статический граф: Преобразует модели в статический вычислительный граф для оптимизации во время выполнения.
• Слияние операторов: Объединяет совместимые операции для минимизации передачи данных в памяти и увеличения скорости вывода.
• Квантование: Уменьшает размер модели и повышает эффективность за счет использования данных с пониженной точностью, сохраняя аккуратность.

Эти методы отдают приоритет эффективному выполнению моделей, что делает PaddlePaddle отличным вариантом для развертывания высокопроизводительных моделей YOLO26. Подробнее об оптимизации читай 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, что идеально подходит для производства с такими функциями, как версионирование моделей и онлайн A/B-тестирование.
• Paddle Inference API: Дает низкоуровневый контроль над выполнением модели для специализированных приложений.
• Paddle Lite: Оптимизирует модели для ограниченных ресурсов мобильных и встраиваемых устройств.
• Paddle.js: Позволяет развертывать модели непосредственно в веб-браузерах.

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