Как экспортировать в формат PaddlePaddle из моделей YOLO26

Преодоление разрыва между разработкой и развертыванием моделей компьютерного зрения в реальных условиях с различными переменными может быть сложным. PaddlePaddle упрощает этот процесс, уделяя особое внимание гибкости, производительности и возможности параллельной обработки в распределенных средах. Это означает, что вы можете использовать свои модели компьютерного зрения YOLO26 на самых разных устройствах и платформах, от смартфонов до облачных серверов.

Смотреть: Как экспортировать модели Ultralytics YOLO26 в формат PaddlePaddle | Ключевые особенности формата PaddlePaddle

Возможность экспорта в формат модели PaddlePaddle позволяет оптимизировать ваши модели Ultralytics YOLO26 для использования в рамках фреймворка PaddlePaddle. PaddlePaddle известен тем, что облегчает промышленные развертывания и является хорошим выбором для развертывания приложений компьютерного зрения в реальных условиях в различных областях.

Зачем экспортировать в PaddlePaddle?

Разработанная 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 уделяет приоритетное внимание 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 с любым уровнем опыта. От сельского хозяйства и фабрик до сферы услуг, большое сообщество разработчиков PaddlePaddle, насчитывающее более 4,77 миллиона человек, помогает создавать и развертывать приложения на основе ИИ.

Экспортируя свои модели Ultralytics YOLO26 в формат PaddlePaddle, вы можете использовать сильные стороны PaddlePaddle в оптимизации производительности. PaddlePaddle отдает приоритет эффективному выполнению модели и снижению использования памяти. В результате ваши модели YOLO26 потенциально могут достичь еще лучшей производительности, обеспечивая первоклассные результаты в практических сценариях.

Ключевые особенности моделей PaddlePaddle

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

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

• Слияние операторов: PaddlePaddle, как и TensorRT, использует слияние операторов для оптимизации вычислений и снижения накладных расходов. Платформа минимизирует передачу памяти и вычислительные шаги за счет объединения совместимых операций, что приводит к более быстрому инференсу.

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

Варианты развертывания в PaddlePaddle

Прежде чем углубляться в код для экспорта моделей YOLO26 в PaddlePaddle, давайте рассмотрим различные сценарии развертывания, в которых модели PaddlePaddle превосходят другие.

PaddlePaddle предоставляет ряд опций, каждая из которых предлагает свой уникальный баланс простоты использования, гибкости и производительности:

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

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

• Paddle Lite: Paddle Lite предназначен для развертывания на мобильных и встроенных устройствах, где ресурсы ограничены. Он оптимизирует модели для меньшего размера и более быстрого 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 моделей, предоставляемых Paddle.js. Он может работать в браузерах, поддерживающих WebGL/WebGPU/WebAssembly.

Экспорт в PaddlePaddle: Преобразование вашей модели YOLO26

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

Установка

Чтобы установить необходимый пакет, выполните:

# Install the required package for YOLO26
pip install ultralytics

Для получения подробных инструкций и рекомендаций по процессу установки ознакомьтесь с нашим руководством по установке Ultralytics. Если при установке необходимых пакетов для YOLO26 вы столкнетесь с трудностями, обратитесь к нашему руководству по распространенным проблемам для поиска решений и советов.

Использование

Все модели Ultralytics YOLO26 поддерживают экспорт, и вы можете просмотреть полный список форматов и опций экспорта, чтобы найти наиболее подходящий для ваших потребностей развертывания.

from ultralytics import YOLO

# Load the 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")

# Export a YOLO26n PyTorch model to PaddlePaddle format
yolo export model=yolo26n.pt format=paddle # creates '/yolo26n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo26n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Аргументы экспорта

Для получения более подробной информации о процессе экспорта посетите страницу документации Ultralytics по экспорту.

Развертывание экспортированных моделей YOLO26 PaddlePaddle

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

Однако для получения подробных инструкций по развертыванию ваших моделей PaddlePaddle в различных других средах ознакомьтесь со следующими ресурсами:

• Paddle Serving: Узнайте, как развертывать модели PaddlePaddle в качестве высокопроизводительных сервисов с помощью Paddle Serving.

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

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

Обзор

В этом руководстве мы рассмотрели процесс экспорта моделей Ultralytics YOLO26 в формат PaddlePaddle. Следуя этим шагам, вы сможете использовать сильные стороны PaddlePaddle в различных сценариях развертывания, оптимизируя свои модели для различных аппаратных и программных сред.

Для получения более подробной информации об использовании посетите официальную документацию PaddlePaddle.

Хотите изучить другие способы интеграции ваших моделей Ultralytics YOLO26? Наша страница руководства по интеграции исследует различные варианты, предоставляя вам ценные ресурсы и идеи.

Часто задаваемые вопросы

Как экспортировать модели Ultralytics YOLO26 в формат PaddlePaddle?

Экспорт моделей Ultralytics YOLO26 в формат PaddlePaddle прост. Вы можете использовать export метод класса YOLO для выполнения преобразования. Вот пример с использованием Python:

from ultralytics import YOLO

# Load the 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")

# Export a YOLO26n PyTorch model to PaddlePaddle format
yolo export model=yolo26n.pt format=paddle # creates '/yolo26n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo26n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Для получения более подробной информации об установке и устранении неполадок ознакомьтесь с Руководством по установке Ultralytics и Руководством по распространенным проблемам.

Каковы 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 динамического графа в статический, что позволяет выполнять оптимизацию во время выполнения.
• Слияние операторов: Объединяя совместимые операции, он снижает вычислительные издержки.
• Методы квантования: Поддерживает как постобработочное обучение, так и обучение с учетом квантования, что позволяет использовать представления данных с более низкой точностью для повышения производительности.

Вы можете добиться улучшенных результатов, экспортируя свои модели Ultralytics YOLO26 в PaddlePaddle, обеспечивая гибкость и высокую производительность в различных приложениях и на аппаратных платформах. Изучите ключевые особенности и возможности PaddlePaddle в официальной документации PaddlePaddle.

Почему мне следует выбрать PaddlePaddle для развертывания моих моделей YOLO26?

PaddlePaddle, разработанный Baidu, оптимизирован для промышленных и коммерческих развертываний ИИ. Его большое сообщество разработчиков и надежный фреймворк предоставляют обширные инструменты, аналогичные TensorFlow и PyTorch. Экспортируя свои модели YOLO26 в PaddlePaddle, вы используете:

• 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.

Как PaddlePaddle улучшает производительность модели по сравнению с другими фреймворками?

PaddlePaddle использует несколько передовых методов для оптимизации производительности модели:

• 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 инференса.
• Квантование: Уменьшает размер модели и повышает эффективность за счет использования данных с более низкой точностью, сохраняя при этом точность.

Эти методы отдают приоритет эффективному выполнению модели, что делает PaddlePaddle отличным вариантом для развертывания высокопроизводительных моделей YOLO26. Для получения дополнительной информации об оптимизации см. официальную документацию PaddlePaddle.

Какие варианты развертывания предлагает PaddlePaddle для моделей YOLO26?

PaddlePaddle предоставляет гибкие возможности развертывания:

• Paddle Serving: Развертывает модели как RESTful API, что идеально подходит для производства с такими функциями, как управление версиями моделей и онлайн A/B-тестирование.
• Paddle Inference API: Предоставляет низкоуровневый контроль над выполнением модели для пользовательских приложений.
• Paddle Lite: Оптимизирует модели для ограниченных ресурсов мобильных и встроенных устройств.
• Paddle.js: Позволяет развертывать модели непосредственно в веб-браузерах.

Эти опции охватывают широкий спектр сценариев развертывания, от логического вывода на устройстве до масштабируемых облачных сервисов. Узнайте больше о стратегиях развертывания на странице Варианты развертывания моделей Ultralytics.

📅 Создано 1 год назад ✏️ Обновлено 7 дней назад

Комментарии