Başla

YOLO26 Modellerini PaddlePaddle Biçimine Aktarma

Değişen koşullardaki gerçek dünya senaryolarında bilgisayarlı görü modelleri geliştirmekle dağıtmak arasındaki boşluğu kapatmak zor olabilir. PaddlePaddle; esnekliğe, performansa ve dağıtık ortamlardaki paralel işleme yeteneğine odaklanarak bu süreci kolaylaştırır. Böylece YOLO26 bilgisayarlı görü modellerini akıllı telefonlardan bulut tabanlı sunuculara kadar çok çeşitli cihaz ve platformlarda kullanabilirsin.



İzle: Ultralytics YOLO Modelleri PaddlePaddle Biçimine Nasıl Aktarılır | PaddlePaddle Biçiminin Temel Özellikleri

PaddlePaddle model biçimine aktarma olanağı, Ultralytics YOLO26 modellerini PaddlePaddle çerçevesinde kullanmak üzere optimize etmeni sağlar. PaddlePaddle, endüstriyel dağıtımları kolaylaştırmasıyla bilinir ve çeşitli alanlardaki gerçek dünya koşullarında bilgisayarlı görü uygulamalarını dağıtmak için iyi bir seçenektir.

Neden PaddlePaddle biçimine aktarmalısın?#

PaddlePaddle deep learning framework logo

Baidu tarafından geliştirilen PaddlePaddle (PAralel Dağıtık Derin LEğrenme), Çin'in ilk açık kaynaklı derin öğrenme platformudur. Temelde araştırma için geliştirilmiş bazı çerçevelerin aksine PaddlePaddle, kullanım kolaylığına ve sektörler genelinde sorunsuz entegrasyona öncelik verir.

TensorFlow ve PyTorch gibi popüler çerçevelere benzer araçlar ve kaynaklar sunarak her deneyim düzeyindeki geliştiricilerin kullanımına uygundur. Tarımdan fabrikalara ve hizmet işletmelerine kadar PaddlePaddle'ın 4,77 milyonu aşan geniş geliştirici topluluğu, yapay zekâ uygulamalarının oluşturulmasına ve dağıtılmasına yardımcı oluyor.

Ultralytics YOLO26 modellerini PaddlePaddle biçimine aktararak PaddlePaddle'ın performans optimizasyonundaki güçlü yönlerinden yararlanabilirsin. PaddlePaddle, verimli model yürütmeye ve düşük bellek kullanımına öncelik verir; böylece YOLO26 modellerin pratik senaryolarda verimli çalışabilir.

PaddlePaddle Modellerinin Temel Özellikleri#

PaddlePaddle modelleri, farklı 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 sayede çalışma zamanı ek yükünü azaltan ve çıkarım performansını artıran optimizasyonlar yapılabilir.

  • Operatör Füzyonu: PaddlePaddle, TensorRT gibi, hesaplamaları basitleştirmek ve ek yükü azaltmak için operatör füzyonundan yararlanır. Çerçeve, uyumlu işlemleri birleştirerek bellek aktarımını ve hesaplama adımlarını en aza indirir; bunun sonucunda çıkarım hızlanır.

  • Niceleme: PaddlePaddle, eğitim sonrası niceleme ve niceleme farkındalıklı eğitim dahil olmak üzere niceleme tekniklerini destekler. Bu teknikler performansı artırmak ve model boyutunu küçültmek için daha düşük hassasiyetli veri gösterimlerinden yararlanır.

PaddlePaddle'daki Dağıtım Seçenekleri#

PaddlePaddle modelleri çeşitli şekillerde dağıtılabilir.

PaddlePaddle, her biri kullanım kolaylığı, esneklik ve performans arasında farklı bir denge sunan çeşitli seçenekler sağlar:

  • Paddle Serving: Bu çerçeve, PaddlePaddle modellerinin yüksek performanslı RESTful API'ler olarak dağıtımını kolaylaştırır. Paddle Serving; model sürümleme, çevrimiçi A/B testi ve yüksek hacimli istekleri işlemek için ölçeklenebilirlik gibi özellikleriyle üretim ortamlarına uygundur.

  • Paddle Inference API: Paddle Inference API, model yürütme üzerinde düşük seviyeli denetim sağlar. Modeli özel bir uygulamaya sıkı biçimde entegre etmen veya belirli bir donanım için performansı optimize etmen gereken senaryolara uygundur.

  • Paddle Lite: Paddle Lite, kaynakların sınırlı olduğu mobil ve gömülü cihazlarda dağıtım için tasarlanmıştır. Modelleri daha küçük boyutlara ve ARM CPU'larında, GPU'larında ve diğer özel donanımlarda daha hızlı çıkarıma göre optimize eder.

  • Paddle.js: Paddle.js, PaddlePaddle modellerini doğrudan web tarayıcılarında dağıtmana imkân tanır. Paddle.js, önceden eğitilmiş bir modeli yükleyebilir veya Paddle.js tarafından sağlanan model dönüştürme araçlarıyla paddle-hub üzerindeki bir modeli dönüştürebilir. WebGL/WebGPU/WebAssembly'yi destekleyen tarayıcılarda çalışabilir.

Desteklenen Görevler#

PaddlePaddle'a aktarım, Ultralytics'in yedi görevinin tümünü destekler. Semantik segmentasyon ve derinlik tahmini yalnızca bu başlıkları içeren tek aile olan YOLO26 ile kullanılabilir.

GörevYOLOv8YOLO11YOLO26
Algılama✅✅✅
Segmentasyon✅✅✅
Anlamsal❌❌✅
Derinlik❌❌✅
Sınıflandırma✅✅✅
Poz✅✅✅
OBB✅✅✅

PaddlePaddle'a Aktarma: YOLO26 Modelini Dönüştürme#

YOLO26 modellerini PaddlePaddle biçimine dönüştürmek, yürütme esnekliğini artırabilir ve çeşitli dağıtım senaryolarında performansı optimize edebilir.

Kurulum#

Gerekli paketi yüklemek için şu komutu çalıştır:

Kurulum
# 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 zorluk yaşarsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Kullanım#

Tüm Ultralytics YOLO26 modelleri dışa aktarmayı destekler. Dağıtım ihtiyaçlarına en uygun seçeneği bulmak için dışa aktarma biçimlerinin ve seçeneklerinin tam listesine göz atabilirsin.

PaddlePaddle biçimi Dışa Aktar, Tahmin ve Doğrula modlarını destekler. Modelini dışa aktar, ardından çıkarım çalıştırmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

Dışa aktar
from ultralytics import YOLO

# YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Modeli PaddlePaddle biçimine aktar
model.export(format="paddle")  # creates 'yolo26n_paddle_model'
Tahmin
from ultralytics import YOLO

# Dışa aktarılan PaddlePaddle modelini yükle
model = YOLO("./yolo26n_paddle_model")

# Çıkarımı çalıştır
results = model("https://ultralytics.com/images/bus.jpg")
Doğrula
from ultralytics import YOLO

# Dışa aktarılan PaddlePaddle modelini yükle
model = YOLO("./yolo26n_paddle_model")

# COCO8 veri kümesinde doğruluğu doğrula
metrics = model.val(data="coco8.yaml")

Dışa Aktarma Bağımsız Değişkenleri#

Bağımsız değişkenTürVarsayılanAçıklama
formatstr'paddle'Dışa aktarılan modelin hedef biçimi; çeşitli dağıtım ortamlarıyla uyumluluğu tanımlar.
imgszint veya tuple640Model girişi için istenen görüntü boyutu. Kare görüntüler için bir tam sayı, belirli boyutlar içinse (height, width) demeti kullanılabilir.
quantizeint veya strNoneSabit FP32 dışa aktarımı. PaddlePaddle'a aktarım, aktarım sırasında FP16, INT8 veya W8A16 hassasiyet dönüşümünü desteklemez.
batchint1Dışa aktarılan modelin toplu çıkarım boyutunu veya predict kipinde eşzamanlı işleyeceği en fazla görüntü sayısını belirtir.
devicestrNoneDışa aktarma cihazını belirtir: CPU (device=cpu), Apple silicon için MPS (device=mps).

Dışa aktarma süreci hakkında daha fazla bilgi için Ultralytics dışa aktarma belgeleri sayfasını ziyaret et.

Dışa Aktarılan YOLO26 PaddlePaddle Modellerini Dağıtma#

Ultralytics YOLO26 modellerini PaddlePaddle biçimine başarıyla aktardıktan sonra modelleri dağıtabilirsin. PaddlePaddle modelini çalıştırmak için önerilen ilk adım, önceki kullanım kodu parçacığında açıklandığı gibi YOLO("yolo26n_paddle_model/") yöntemini kullanmaktır.

Ancak PaddlePaddle modellerini çeşitli başka ortamlarda dağıtmaya ilişkin ayrıntılı yönergeler için aşağıdaki kaynaklara göz at:

  • Paddle Serving: Paddle Serving kullanarak PaddlePaddle modellerini yüksek performanslı hizmetler olarak dağıtmayı öğren.

  • Paddle Lite: Paddle Lite kullanarak modelleri mobil ve gömülü cihazlarda nasıl optimize edip dağıtabileceğini keşfet.

  • Paddle.js: İstemci tarafında yapay zekâ için Paddle.js ile PaddlePaddle modellerini web tarayıcılarında çalıştırmayı öğren.

Özet#

Bu kılavuzda Ultralytics YOLO26 modellerini PaddlePaddle biçimine aktarma sürecini inceledik. Bu adımları izleyerek PaddlePaddle'ın farklı dağıtım senaryolarındaki güçlü yönlerinden yararlanabilir ve modellerini çeşitli donanım ve yazılım ortamları için optimize edebilirsin.

Kullanımla ilgili daha fazla ayrıntı için PaddlePaddle resmî belgelerini ziyaret et.

Sık Sorulan Sorular#

  • Ultralytics YOLO26 modellerini PaddlePaddle biçimine aktarmak kolaydır. Dönüştürme işlemini yapmak için YOLO sınıfının export yöntemini kullanabilirsin. Python ile bir örnek:

    Kullanım
    from ultralytics import YOLO
    
    # YOLO26 modelini yükle
    model = YOLO("yolo26n.pt")
    
    # Modeli PaddlePaddle biçimine aktar
    model.export(format="paddle")  # creates 'yolo26n_paddle_model'
    
    # Dışa aktarılan PaddlePaddle modelini yükle
    paddle_model = YOLO("./yolo26n_paddle_model")
    
    # Çıkarımı çalıştır
    results = paddle_model("https://ultralytics.com/images/bus.jpg")

    Kurulum ve sorun giderme hakkında daha fazla ayrıntı için Ultralytics Kurulum Kılavuzu ve Yaygın Sorunlar Kılavuzu'na göz at.

  • PaddlePaddle, model dağıtımı için çeşitli önemli avantajlar sunar:

    • Performans Optimizasyonu: PaddlePaddle, verimli model yürütmeye ve düşük bellek kullanımına odaklanır.
    • Dinamikten Statiğe Grafik Derleme: Dinamikten statiğe derlemeyi destekleyerek çalışma zamanı optimizasyonlarına olanak tanır.
    • Operatör Füzyonu: Uyumlu işlemleri birleştirerek hesaplama ek yükünü azaltır.
    • Niceleme Teknikleri: Hem eğitim sonrası nicelemeyi hem de niceleme farkındalıklı eğitimi destekleyerek performansı artırmak için daha düşük hassasiyetli veri gösterimlerine olanak tanır.

    Ultralytics YOLO26 modellerini PaddlePaddle biçimine aktarmak, çeşitli uygulamalarda ve donanım platformlarında esneklik ve performans sağlar.

  • Baidu tarafından geliştirilen PaddlePaddle, endüstriyel ve ticari yapay zekâ dağıtımları için optimize edilmiştir. Geniş geliştirici topluluğu ve olgun çerçevesi, TensorFlow ve PyTorch'a benzer araçlar sunar. YOLO26 modellerini PaddlePaddle'a aktararak şunları elde edersin:

    • Gelişmiş Performans: Hızlı yürütme ve daha düşük bellek ayak izi.
    • Esneklik: Akıllı telefonlardan bulut sunucularına kadar çeşitli cihazlarla geniş uyumluluk.
    • Ölçeklenebilirlik: Dağıtık ortamlar için verimli paralel işleme yetenekleri.

    Bu özellikler, PaddlePaddle'ı YOLO26 modellerini üretim ortamlarında dağıtmak için güçlü bir seçenek hâline getirir.

  • PaddlePaddle, model performansını optimize etmek için çeşitli tekniklerden yararlanır:

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

    Bu teknikler verimli model yürütmeye öncelik verir ve PaddlePaddle'ı yüksek performanslı YOLO26 modellerini dağıtmak için iyi bir seçenek hâline getirir.

  • PaddlePaddle esnek dağıtım seçenekleri sunar:

    • Paddle Serving: Modelleri RESTful API'ler olarak dağıtır; model sürümleme ve çevrimiçi A/B testi gibi özellikleriyle üretim ortamlarına uygundur.
    • Paddle Inference API: Özel uygulamalar için model yürütme üzerinde düşük seviyeli denetim sağlar.
    • Paddle Lite: Modelleri, mobil ve gömülü cihazların kısıtlı kaynaklarına göre optimize eder.
    • Paddle.js: Modelleri doğrudan web tarayıcılarında dağıtmayı sağlar.

    Bu seçenekler, cihaz üzerinde çıkarımdan ölçeklenebilir bulut hizmetlerine kadar çok çeşitli dağıtım senaryolarını kapsar. Daha fazla dağıtım stratejisini Ultralytics Model Dağıtım Seçenekleri sayfasında keşfet.

Yorumlar4

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. cadpmGitHub

    Dear team, your converter does not work with PaddleX as it does not generate the YAML file in the inference folder, making it impossible to deploy the converted model. PaddlePaddle cannot teach how to work with this file due to licensing conflicts.

    n fact, nowhere in the PaddlePaddle or PaddleX repositories do they teach how to work with external or converted models.

    1. Glenn JocherUltralytics

      @cadpm thank you for bringing this to our attention. While the Ultralytics export tool facilitates converting YOLO11 models to PaddlePaddle format, it currently doesn't generate a YAML file for PaddleX inference. For specific guidance on handling PaddlePaddle models in PaddleX, consulting their official documentation or community forums might provide additional insights. If you encounter issues with the export process itself, please refer to our Ultralytics documentation for troubleshooting tips.

    2. cadpmGitHub

      Unfortunately, I haven't been able to find a solution on either side. For this reason, I have written to you to report this issue. If I ask in the Paddle forum, no one has worked on this issue, and the same happens on the YOLOv11 side—they don't work with Paddle.

    3. Glenn JocherUltralytics

      @cadpm thank you for reporting this issue. While our export tool supports conversion to PaddlePaddle, integration with PaddleX requires additional steps beyond our current documentation. I recommend reaching out to the PaddlePaddle community for specific guidance on importing and using converted models with PaddleX, as they might have insights on handling this integration. If you need further assistance with the export process itself, feel free to check our PaddlePaddle export guide.