YOLO26 Modellerinden PaddlePaddle Formatına Nasıl Dışa Aktarım Yapılır

Bilgisayarlı görü modellerini farklı koşullara sahip gerçek dünya senaryolarında geliştirme ve devreye alma arasındaki boşluğu doldurmak zor olabilir. PaddlePaddle, esnekliğe, performansa ve dağıtılmış ortamlarda paralel işleme yeteneğine odaklanarak bu süreci kolaylaştırır. Bu, YOLO26 bilgisayarlı görü modellerini akıllı telefonlardan bulut tabanlı sunuculara kadar çok çeşitli cihaz ve platformlarda kullanabileceğin anlamına gelir.

PaddlePaddle model formatına dışa aktarma yeteneği, Ultralytics YOLO26 modellerini PaddlePaddle çerçevesi içinde kullanım için optimize etmeni sağlar. PaddlePaddle, endüstriyel dağıtımları kolaylaştırmasıyla bilinir ve bilgisayarlı görü uygulamalarını çeşitli alanlardaki gerçek dünya ortamlarında devreye almak için iyi bir tercihtir.

Neden PaddlePaddle formatına dışa aktarmalısın?

Baidu tarafından geliştirilen PaddlePaddle (PArallel Distributed Deep LEarning), Çin'in ilk açık kaynaklı derin öğrenme platformudur. Esas olarak araştırma için oluşturulan bazı çerçevelerin aksine, PaddlePaddle kullanım kolaylığına ve endüstriler arası sorunsuz entegrasyona öncelik verir.

TensorFlow ve PyTorch gibi popüler çerçevelere benzer araçlar ve kaynaklar sunarak her seviyeden geliştirici için erişilebilir hale getirir. Tarımdan fabrikalara ve hizmet sektörüne kadar, 4,77 milyonu aşkın büyük geliştirici topluluğu, yapay zeka uygulamaları oluşturmaya ve devreye almaya yardımcı oluyor.

Ultralytics YOLO26 modellerini PaddlePaddle formatına dışa aktararak, PaddlePaddle'ın performans optimizasyonundaki güçlü yönlerinden faydalanabilirsin. PaddlePaddle, verimli model yürütmeye ve azaltılmış bellek kullanımına öncelik verir. Sonuç olarak, YOLO26 modellerin pratik senaryolarda üstün sonuçlar vererek potansiyel olarak daha iyi performans elde edebilir.

PaddlePaddle Modellerinin Temel Özellikleri

PaddlePaddle modelleri, çeşitli dağıtım senaryolarında esnekliklerine, performanslarına ve ölçeklenebilirliklerine katkıda bulunan bir dizi temel özellik sunar:

• Dinamikten Statiğe Grafik: PaddlePaddle, modellerin statik bir hesaplama grafiğine dönüştürülebildiği dinamikten statiğe derlemeyi destekler. Bu, çalışma zamanı yükünü azaltan ve çıkarım performansını artıran optimizasyonlar sağlar.

• Operatör Birleştirme: PaddlePaddle, TensorRT gibi, hesaplamayı kolaylaştırmak ve yükü azaltmak için operatör birleştirmeyi kullanır. Çerçeve, uyumlu işlemleri birleştirerek bellek transferlerini ve hesaplama adımlarını en aza indirir, bu da daha hızlı çıkarım sağlar.

• Kuantizasyon: PaddlePaddle, eğitim sonrası kuantizasyon ve kuantizasyon farkındalıklı eğitim dahil olmak üzere kuantizasyon tekniklerini destekler. Bu teknikler, daha düşük hassasiyetli veri temsillerinin kullanılmasına izin vererek performansı etkin bir şekilde artırır ve model boyutunu küçültür.

PaddlePaddle İçindeki Dağıtım Seçenekleri

YOLO26 modellerini PaddlePaddle'a dışa aktarma koduna dalmadan önce, PaddlePaddle modellerinin öne çıktığı farklı dağıtım senaryolarına bir göz atalım.

PaddlePaddle, her biri kullanım kolaylığı, esneklik ve performans arasında belirgin bir denge sunan bir dizi seçenek sağlar:

• Paddle Serving: Bu çerçeve, PaddlePaddle modellerinin yüksek performanslı RESTful API'ler olarak dağıtımını basitleştirir. Paddle Serving, model sürümleme, çevrimiçi A/B testi ve büyük hacimli istekleri işlemek için ölçeklenebilirlik gibi özellikler sunarak üretim ortamları için idealdir.

• Paddle Inference API: Paddle Inference API, model yürütme üzerinde düşük seviyeli kontrol sağlar. Bu seçenek, modeli özel bir uygulamaya sıkı bir şekilde entegre etmen veya belirli donanımlar için performansı optimize etmen gereken senaryolar için çok uygundur.

• Paddle Lite: Paddle Lite, kaynakların sınırlı olduğu mobil ve gömülü cihazlarda dağıtım için tasarlanmıştır. Modelleri ARM CPU'lar, GPU'lar ve diğer özel donanımlar üzerinde daha küçük boyutlar ve daha hızlı çıkarım için optimize eder.

• Paddle.js: Paddle.js, PaddlePaddle modellerini doğrudan web tarayıcılarında çalıştırmanı sağlar. Paddle.js, önceden eğitilmiş bir modeli yükleyebilir veya Paddle.js tarafından sağlanan model dönüştürme araçlarıyla paddle-hub üzerinden bir modeli dönüştürebilir. WebGL/WebGPU/WebAssembly destekleyen tarayıcılarda çalışabilir.

PaddlePaddle'a Dışa Aktarma: YOLO26 Modelini Dönüştürme

YOLO26 modellerini PaddlePaddle formatına dönüştürmek, yürütme esnekliğini artırabilir ve çeşitli dağıtım senaryoları için performansı optimize edebilir.

Kurulum

Gerekli paketi yüklemek için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza danış.

Kullanım

Tüm Ultralytics YOLO26 modelleri dışa aktarımı destekler ve dağıtım ihtiyaçlarına en uygun olanı bulmak için tüm dışa aktarma formatları ve seçenekler listesine göz atabilirsin.

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")

Dışa Aktarma Argümanları

Dışa aktarma süreci hakkında daha fazla ayrıntı için dışa aktarma ile ilgili Ultralytics dokümantasyon sayfasını ziyaret et.

Dışa Aktarılan YOLO26 PaddlePaddle Modellerini Devreye Alma

Ultralytics YOLO26 modellerini PaddlePaddle formatına başarıyla dışa aktardıktan sonra artık onları devreye alabilirsin. Bir PaddlePaddle modelini çalıştırmak için birincil ve önerilen ilk adım, önceki kullanım kod parçacığında belirtildiği gibi YOLO("yolo26n_paddle_model/") yöntemini kullanmaktır.

Ancak, PaddlePaddle modellerini diğer çeşitli ortamlarda devreye alma konusunda derinlemesine talimatlar için aşağıdaki kaynaklara bir göz at:

• Paddle Serving: PaddlePaddle modellerini Paddle Serving kullanarak nasıl performanslı hizmetler olarak devreye alacağını öğren.

• Paddle Lite: Paddle Lite kullanarak mobil ve gömülü cihazlarda modellerin nasıl optimize edileceğini ve devreye alınacağını keşfet.

• Paddle.js: Paddle.js ile istemci tarafında yapay zeka için PaddlePaddle modellerini web tarayıcılarında nasıl çalıştıracağını keşfet.

Özet

Bu kılavuzda, Ultralytics YOLO26 modellerini PaddlePaddle formatına dışa aktarma sürecini inceledik. Bu adımları izleyerek, farklı donanım ve yazılım ortamları için modellerini optimize ederek PaddlePaddle'ın çeşitli dağıtım senaryolarındaki güçlü yönlerinden yararlanabilirsin.

Kullanım hakkında daha fazla ayrıntı için PaddlePaddle resmi belgelerini ziyaret et.

Ultralytics YOLO26 modellerini entegre etmenin daha fazla yolunu keşfetmek ister misin? Entegrasyon kılavuzu sayfamız, çeşitli seçenekleri inceleyerek seni değerli kaynaklar ve içgörülerle donatır.

SSS

Ultralytics YOLO26 modellerini PaddlePaddle formatına nasıl dışa aktarırım?

Ultralytics YOLO26 modellerini PaddlePaddle formatına dışa aktarmak basittir. Dönüştürmeyi gerçekleştirmek için YOLO sınıfının export yöntemini kullanabilirsin. İşte Python kullanan bir örnek:

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")

Daha ayrıntılı kurulum ve sorun giderme için Ultralytics Kurulum Kılavuzuna ve Yaygın Sorunlar Kılavuzuna bak.

Model dağıtımı için PaddlePaddle kullanmanın avantajları nelerdir?

PaddlePaddle, model dağıtımı için çeşitli temel avantajlar sunar:

• Performans Optimizasyonu: PaddlePaddle, verimli model yürütme ve azaltılmış bellek kullanımında mükemmeldir.
• Dinamikten Statiğe Grafik Derleme: Çalışma zamanı optimizasyonlarına izin veren dinamikten statiğe derlemeyi destekler.
• Operatör Birleştirme: Uyumlu işlemleri birleştirerek hesaplama yükünü azaltır.
• Kuantizasyon Teknikleri: Performansı artırmak için daha düşük hassasiyetli veri temsillerini mümkün kılarak hem eğitim sonrası hem de kuantizasyon farkındalıklı eğitimi destekler.

Ultralytics YOLO26 modellerini PaddlePaddle'a dışa aktararak, çeşitli uygulamalar ve donanım platformlarında esneklik ve yüksek performans sağlayarak gelişmiş sonuçlar elde edebilirsin. PaddlePaddle'ın temel özelliklerini ve yeteneklerini resmi PaddlePaddle belgelerinde keşfet.

YOLO26 modellerimi devreye almak için neden PaddlePaddle'ı seçmeliyim?

Baidu tarafından geliştirilen PaddlePaddle, endüstriyel ve ticari yapay zeka dağıtımları için optimize edilmiştir. Geniş geliştirici topluluğu ve sağlam çerçevesi, TensorFlow ve PyTorch'a benzer kapsamlı araçlar sağlar. YOLO26 modellerini PaddlePaddle'a dışa aktararak şunlardan yararlanırsın:

• Geliştirilmiş Performans: Optimum yürütme hızı ve azaltılmış bellek ayak izi.
• Esneklik: Akıllı telefonlardan bulut sunucularına kadar çeşitli cihazlarla geniş uyumluluk.
• Ölçeklenebilirlik: Dağıtılmış ortamlar için verimli paralel işleme yetenekleri.

Bu özellikler, PaddlePaddle'ı üretim ortamlarında YOLO26 modellerini devreye almak için cazip bir seçenek haline getirir.

PaddlePaddle, model performansını diğer çerçevelere göre nasıl iyileştirir?

PaddlePaddle, model performansını optimize etmek için çeşitli gelişmiş teknikler kullanır:

• Dinamikten Statiğe Grafik: Çalışma zamanı optimizasyonları için modelleri statik bir hesaplama grafiğine dönüştürür.
• Operatör Birleştirme: Bellek transferini en aza indirmek ve çıkarım hızını artırmak için uyumlu işlemleri birleştirir.
• Kuantizasyon: Doğruluğu korurken daha düşük hassasiyetli veriler kullanarak model boyutunu küçültür ve verimliliği artırır.

Bu teknikler verimli model yürütmeye öncelik vererek PaddlePaddle'ı yüksek performanslı YOLO26 modellerini devreye almak için mükemmel bir seçenek haline getirir. Optimizasyon hakkında daha fazla bilgi için PaddlePaddle resmi belgelerine bak.

PaddlePaddle, YOLO26 modelleri için hangi dağıtım seçeneklerini sunar?

PaddlePaddle esnek dağıtım seçenekleri sunar:

• Paddle Serving: Modelleri RESTful API'ler olarak devreye alır; model sürümleme ve çevrimiçi A/B testi gibi özelliklerle üretim için idealdir.
• Paddle Inference API: Özel uygulamalar için model yürütme üzerinde düşük seviyeli kontrol sağlar.
• Paddle Lite: Modelleri mobil ve gömülü cihazların sınırlı kaynakları için optimize eder.
• Paddle.js: Modelleri doğrudan web tarayıcılarında devreye almayı sağlar.

Bu seçenekler, cihaz üzerinde çıkarımdan ölçeklenebilir bulut hizmetlerine kadar geniş bir dağıtım senaryosu yelpazesini kapsar. Ultralytics Model Dağıtım Seçenekleri sayfasında daha fazla dağıtım stratejisini keşfet.