Как экспортировать модели YOLO26 в формат PaddlePaddle#

Преодолеть разрыв между разработкой и развертыванием моделей computer vision в реальных сценариях с различными условиями может быть сложно. PaddlePaddle упрощает этот процесс благодаря акценту на гибкость, производительность и возможности параллельной обработки в распределенных средах. Это значит, что ты можешь использовать свои модели компьютерного зрения YOLO26 на самых разных устройствах и платформах, от смартфонов до облачных серверов.

Возможность экспорта в формат модели PaddlePaddle позволяет оптимизировать модели Ultralytics YOLO26 для использования в экосистеме PaddlePaddle. PaddlePaddle известна тем, что упрощает промышленное развертывание, и является отличным выбором для внедрения приложений компьютерного зрения в реальных условиях в различных сферах.

Почему тебе стоит выполнить экспорт в PaddlePaddle?#

Созданная компанией Baidu, платформа PaddlePaddle (PArallel Distributed Deep LEarning) является первой в Китае открытой платформой deep learning. В отличие от некоторых фреймворков, созданных преимущественно для исследований, PaddlePaddle ставит во главу угла простоту использования и бесшовную интеграцию в различных отраслях.

Она предлагает инструменты и ресурсы, аналогичные популярным фреймворкам, таким как TensorFlow and PyTorch, что делает ее доступной для разработчиков с любым уровнем опыта. От сельского хозяйства и заводов до сферы услуг — большое 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 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.

Ключевые особенности моделей PaddlePaddle#

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

• Динамический и статический графы: PaddlePaddle поддерживает компиляцию из динамического графа в статический, при которой модели могут быть преобразованы в статический вычислительный граф. Это позволяет применять оптимизации, снижающие накладные расходы во время выполнения и повышающие производительность инференса.

• Слияние операторов: PaddlePaddle, как и TensorRT, использует слияние операторов для оптимизации вычислений и уменьшения накладных расходов. Фреймворк минимизирует передачу данных в памяти и количество вычислительных шагов путем объединения совместимых операций, что приводит к более быстрому инференсу.

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

Варианты 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 загружать предобученную модель или преобразовывать модель из paddle-hub с помощью инструментов трансформации моделей, предоставляемых Paddle.js. Она может работать в браузерах, поддерживающих WebGL/WebGPU/WebAssembly.

Поддерживаемые задачи#

Экспорт в PaddlePaddle поддерживает все семь задач Ultralytics. Семантическая сегментация и оценка глубины доступны только в YOLO26 — единственном семействе, в котором есть такие «головы».

Экспорт в PaddlePaddle: конвертация твоей модели YOLO26#

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

Установка#

Чтобы установить необходимый пакет, выполни:

# Install the required package for YOLO26
pip install ultralytics

Подробные инструкции и лучшие практики, связанные с процессом установки, можно найти в нашем руководстве по установке Ultralytics. Если в процессе установки необходимых пакетов для YOLO26 у тебя возникнут какие-либо трудности, обратись к нашему руководству по частым проблемам за решениями и советами.

Использование#

Все модели Ultralytics YOLO26 поддерживают экспорт, и ты можешь ознакомиться с полным списком форматов экспорта и опций, чтобы подобрать оптимальный вариант для своих задач развертывания.

Формат PaddlePaddle поддерживает режимы Export, Predict and Validate. Экспортируй свою модель, а затем загрузи ее для запуска инференса 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")

Аргументы экспорта#

Дополнительную информацию о процессе экспорта см. на странице документации Ultralytics по экспорту.

Развертывание 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 виде производительных сервисов с помощью Paddle Serving.

• Paddle Lite: Изучи возможности оптимизации и развертывания моделей на мобильных и встраиваемых устройствах с помощью Paddle Lite.

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

Резюме#

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 об использовании посети официальную документацию PaddlePaddle.

Хочешь узнать о других способах интеграции моделей Ultralytics YOLO26? Наша страница руководств по интеграции описывает различные варианты и предоставляет полезные ресурсы и рекомендации.

FAQ#