Как экспортировать в формат PaddlePaddle из моделей YOLOv8
Преодолеть разрыв между разработкой и внедрением моделей компьютерного зрения в реальных сценариях с меняющимися условиями может быть непросто. PaddlePaddle делает этот процесс проще, уделяя особое внимание гибкости, производительности и возможности параллельной обработки в распределенных средах. Это значит, что ты сможешь использовать свои модели компьютерного зрения YOLOv8 на самых разных устройствах и платформах, от смартфонов до облачных серверов.
Возможность экспорта в формат модели PaddlePaddle позволяет тебе оптимизировать свои Ultralytics YOLOv8PaddlePaddle . PaddlePaddle известен тем, что облегчает промышленное внедрение и является хорошим выбором для развертывания приложений компьютерного зрения в реальных условиях в различных областях.
Почему тебе стоит экспортировать на PaddlePaddle?
Разработана компанией Baidu, PaddlePaddle(PArallel Distributed Deep LEarning) - это первая китайская платформа глубокого обучения с открытым исходным кодом. В отличие от некоторых фреймворков, созданных в основном для исследований, PaddlePaddle ставит во главу угла простоту использования и плавную интеграцию в различные отрасли.
Он предлагает инструменты и ресурсы, схожие с популярными фреймворками вроде TensorFlow и PyTorch, что делает его доступным для разработчиков любого уровня опыта. Большое сообщество разработчиков PaddlePaddle, насчитывающее более 4,77 миллиона человек, помогает создавать и внедрять ИИ-приложения - от фермерских хозяйств и заводов до предприятий сферы услуг.
Экспортируя файл Ultralytics YOLOv8 models в PaddlePaddle формата, вы можете использовать PaddlePaddleСильные стороны в оптимизации производительности. PaddlePaddle Отдает приоритет эффективному выполнению модели и уменьшению использования памяти. В результате, ваш YOLOv8 Модели потенциально могут достичь еще более высокой производительности, обеспечивая первоклассные результаты в практических сценариях.
Ключевые особенности моделей PaddlePaddle
Модели PaddlePaddle обладают целым рядом ключевых особенностей, которые способствуют их гибкости, производительности и масштабируемости в различных сценариях развертывания:
-
Dynamic-to-Static Graph: PaddlePaddle поддерживает компиляцию динамического графа в статический, при которой модели могут быть преобразованы в статический вычислительный граф. Это позволяет оптимизировать работу, что уменьшает накладные расходы во время выполнения и повышает производительность вычислений.
-
Слияние операторов: PaddlePaddle, как и TensorRT, использует слияние операторов для оптимизации вычислений и снижения накладных расходов. Фреймворк минимизирует передачу памяти и вычислительные шаги за счет слияния совместимых операций, что приводит к более быстрому выводу.
-
Квантование: PaddlePaddle поддерживает техники квантования, включая квантование после обучения и обучение с учетом квантования. Эти техники позволяют использовать представления данных с более низкой точностью, эффективно повышая производительность и уменьшая размер модели.
Варианты развертывания в PaddlePaddle
Прежде чем погрузиться в код для экспорта моделей YOLOv8 в PaddlePaddle, давай рассмотрим различные сценарии развертывания, в которых модели PaddlePaddle превосходят все остальные.
PaddlePaddle предлагает целый ряд вариантов, каждый из которых отличается балансом простоты использования, гибкости и производительности:
-
Paddle Serving: Этот фреймворк упрощает развертывание моделей PaddlePaddle в виде высокопроизводительных RESTful API. Paddle Serving идеально подходит для производственных сред, предоставляя такие возможности, как версионирование моделей, онлайн-тестирование A/B 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, когда тебе нужно плотно интегрировать модель в пользовательское 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 меньших размеров и более быстрого вывода на ARM CPU, GPU и другом специализированном оборудовании.
-
Paddle.js: Paddle.js позволяет тебе разворачивать модели PaddlePaddle прямо 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 твоей модели YOLOv8
Преобразование моделей YOLOv8 в формат PaddlePaddle может повысить гибкость исполнения и оптимизировать производительность для различных сценариев развертывания.
Установка
Чтобы установить нужный пакет, выполни:
Для получения подробных инструкций и лучших практик, связанных с процессом установки, ознакомься с нашим руководством по установкеUltralytics . Во время установки необходимых пакетов для YOLOv8, если у тебя возникнут какие-либо трудности, обратись к нашему руководству по общим проблемам, чтобы найти решения и советы.
Использование
Прежде чем погрузиться в инструкцию по использованию, важно отметить, что, хотя все моделиUltralytics YOLOv8 доступны для экспорта, ты можешь убедиться, что выбранная тобой модель поддерживает функцию экспорта, здесь.
Использование
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO("yolov8n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolov8n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolov8n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
Более подробно о поддерживаемых вариантах экспорта можно узнать на странице документацииUltralytics , посвященной вариантам развертывания.
Развертывание экспортированных YOLOv8 PaddlePaddle моделей
После успешного экспорта твоих моделей Ultralytics YOLOv8 в формат PaddlePaddle ты можешь приступить к их развертыванию. Основным и рекомендуемым первым шагом для запуска модели в формате PaddlePaddle является использование метода YOLO("./model_paddle_model"), как описано в предыдущем фрагменте кода.
Однако для получения подробных инструкций по развертыванию твоих моделей PaddlePaddle в различных других условиях, взгляни на следующие ресурсы:
-
Сервировка весла: Узнай, как развернуть свои модели PaddlePaddle в виде перфоманс-сервисов с помощью Paddle Serving.
-
Paddle Lite: Узнай, как оптимизировать и разворачивать 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.
Резюме
В этом руководстве мы рассмотрели процесс экспорта моделей Ultralytics YOLOv8 в формат PaddlePaddle. Следуя этим шагам, ты сможешь использовать сильные стороны PaddlePaddle в различных сценариях развертывания, оптимизируя свои модели для различных аппаратных и программных сред.
Более подробную информацию об использовании ты найдешь в официальной документацииPaddlePaddle .
Хочешь изучить больше способов интеграции твоих моделей Ultralytics YOLOv8 ? На странице нашего руководства по интеграции рассматриваются различные варианты, снабжая тебя ценными ресурсами и знаниями.
ВОПРОСЫ И ОТВЕТЫ
Как экспортировать модели Ultralytics YOLOv8 в формат PaddlePaddle ?
Экспортировать модели Ultralytics YOLOv8 в формат PaddlePaddle очень просто. Ты можешь использовать export
метод класса YOLO , чтобы выполнить этот экспорт. Вот пример с использованием Python:
Использование
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO("yolov8n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolov8n_paddle_model'
# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolov8n_paddle_model")
# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")
Для более детальной настройки и устранения неполадок посмотри руководство по установкеUltralytics и руководство по общим проблемам.
В чем преимущества использования PaddlePaddle для развертывания моделей?
PaddlePaddle предлагает несколько ключевых преимуществ для развертывания модели:
- Оптимизация производительности: PaddlePaddle отличается эффективным выполнением моделей и уменьшенным использованием памяти.
- Динамико-статическая компиляция графики: Она поддерживает компиляцию из динамической в статическую, что позволяет оптимизировать работу во время выполнения.
- Слияние операторов: Объединяя совместимые операции, он снижает вычислительные затраты.
- Техники квантования: Поддерживает как посттренировочное обучение, так и обучение с учетом квантования, позволяя представлять данные с меньшей точностью для повышения производительности.
Ты можешь добиться улучшенных результатов, экспортируя свои модели Ultralytics YOLOv8 в PaddlePaddle, обеспечивая гибкость и высокую производительность в различных приложениях и аппаратных платформах. Узнай больше о возможностях PaddlePaddleздесь.
Почему я должен выбрать PaddlePaddle для развертывания своих моделей YOLOv8 ?
PaddlePaddleразработанный компанией Baidu, оптимизирован для промышленного и коммерческого внедрения ИИ. Его большое сообщество разработчиков и надежный фреймворк предоставляют обширные инструменты, аналогичные TensorFlow и PyTorch. Экспортируя свои модели из YOLOv8 в PaddlePaddle, ты получаешь возможность использовать все преимущества:
- Повышенная производительность: Оптимальная скорость выполнения и уменьшение занимаемой 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 YOLOv8 в производственных условиях.
Как PaddlePaddle улучшает производительность модели по сравнению с другими фреймворками?
PaddlePaddle использует несколько продвинутых техник для оптимизации работы модели:
- Динамический граф в статический: Преобразует модели в статичный вычислительный граф для оптимизации во время выполнения.
- Слияние операторов: Комбинирует совместимые операции, чтобы минимизировать передачу памяти и увеличить скорость вычислений.
- Квантование: Уменьшает размер модели и повышает эффективность использования данных с более низкой точностью, сохраняя при этом точность.
Эти техники ставят во главу угла эффективное выполнение модели, что делает PaddlePaddle отличным вариантом для развертывания высокопроизводительных моделей YOLOv8 . Подробнее об оптимизации читай в официальной документацииPaddlePaddle .
Какие варианты развертывания предлагает PaddlePaddle для моделей YOLOv8 ?
PaddlePaddle обеспечивает гибкие возможности развертывания:
- Paddle Serving: Развертывает модели в виде RESTful API, идеально подходит для продакшена с такими функциями, как версионирование моделей и онлайн-тестирование A/B.
- Paddle Inference API: Дает низкоуровневый контроль над выполнением модели для пользовательских приложений.
- Paddle Lite: Оптимизирует модели под ограниченные ресурсы мобильных и встраиваемых устройств.
- Paddle.js: позволяет разворачивать модели непосредственно в веб-браузерах.
Эти варианты охватывают широкий спектр сценариев развертывания, от выводов на устройствах до масштабируемых облачных сервисов. Изучи больше стратегий развертывания на страницеUltralytics Model Deployment Options.