YOLO26 Modellerinden PaddlePaddle Formatına Nasıl Dışa Aktarılır#

Değişken koşullara sahip gerçek dünya senaryolarında bilgisayarlı görü modelleri geliştirme ve dağıtma arasındaki boşluğu kapatmak zor olabilir. PaddlePaddle; esneklik, performans ve dağıtık 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 özelliği, Ultralytics YOLO26 modellerini PaddlePaddle çerçevesinde kullanılmak üzere optimize etmeni sağlar. PaddlePaddle, endüstriyel dağıtımları kolaylaştırmasıyla bilinir ve çeşitli alanlardaki bilgisayarlı görü uygulamalarını gerçek dünya ortamlarında dağıtmak için iyi bir tercihtir.

Neden PaddlePaddle'a dışa aktarmalısın?#

Baidu tarafından geliştirilen PaddlePaddle (PAralel Dağıtık Derin LEğrenme), Çin'in ilk açık kaynaklı derin öğrenme platformudur. Öncelikli olarak araştırma amacıyla oluşturulan bazı çerçevelerin aksine PaddlePaddle, kullanım kolaylığına ve sektörler arası sorunsuz entegrasyona öncelik verir.

TensorFlow ve PyTorch gibi popüler çerçevelere benzer araçlar ve kaynaklar sunarak her deneyim seviyesindeki geliştiricinin erişimini kolaylaştırır. Tarımdan fabrikalara ve hizmet işletmelerine kadar 4,77 milyondan fazla geliştiriciden oluşan geniş PaddlePaddle topluluğu, yapay zeka uygulamalarının oluşturulmasına ve dağıtılmasına yardımcı oluyor.

Ultralytics YOLO26 modellerini PaddlePaddle formatına dışa aktararak PaddlePaddle'ın performans optimizasyonundaki güçlü yönlerinden yararlanabilirsin. PaddlePaddle, verimli model çalıştırmaya ve azaltılmış bellek kullanımına öncelik verir. Bunun sonucunda YOLO26 modellerin potansiyel olarak daha iyi performans göstererek pratik senaryolarda üstün sonuçlar sunabilir.

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 ek yükünü azaltan ve çıkarım performansını artıran optimizasyonları mümkün kılar.

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

• Niceleme: PaddlePaddle, eğitim sonrası niceleme ve niceleme farkındalıklı eğitim dahil olmak üzere niceleme tekniklerini destekler. Bu teknikler, daha düşük hassasiyetli veri gösterimlerinin kullanılmasını sağlayarak performansı etkili biçimde artırır ve model boyutunu küçültür.

PaddlePaddle'da Dağıtım Seçenekleri#

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

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

• Paddle Serving: PaddlePaddle modellerinin yüksek performanslı RESTful API'ler olarak dağıtılmasını kolaylaştırır. Paddle Serving; model sürümleme, çevrimiçi A/B testi ve büyük istek hacimlerini işlemek için ölçeklenebilirlik gibi özellikler sunarak üretim ortamları için idealdir.

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

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

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

Desteklenen Görevler#

PaddlePaddle dışa aktarma, yedi Ultralytics görevinin tümünü destekler. Anlamsal segmentasyon ve derinlik tahmini yalnızca bu başlıklarla birlikte sunulan tek aile olan YOLO26 ile kullanılabilir.

PaddlePaddle'a Dışa Aktarma: YOLO26 Modelini Dönüştürme#

YOLO26 modellerini PaddlePaddle formatına dönüştürmek, çeşitli dağıtım senaryolarında çalıştırma esnekliğini artırabilir ve 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 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 formatları ve seçeneklerinin tam listesine göz atabilirsin.

PaddlePaddle formatı Dışa Aktarma, Tahmin ve Doğrulama modlarını destekler. Modelini dışa aktar, ardından çıkarım çalıştırmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

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")

Dışa Aktarma Bağımsız Değişkenleri#

Dışa aktarma süreci hakkında daha fazla ayrıntı için Ultralytics'in dışa aktarma dokümantasyonu sayfasını ziyaret et.

Dışa Aktarılan YOLO26 PaddlePaddle Modellerini Dağıtma#

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

Ancak PaddlePaddle modellerini diğer çeşitli ortamlarda dağıtmaya ilişkin ayrıntılı talimatlar için aşağıdaki kaynaklara göz at:

• Paddle Serving: Paddle Serving'i kullanarak PaddlePaddle modellerini yüksek performanslı hizmetler olarak nasıl dağıtacağını öğren.

• Paddle Lite: Paddle Lite'ı kullanarak modelleri mobil ve gömülü cihazlarda nasıl optimize edip dağıtacağını keşfet.

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

Özet#

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

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

Ultralytics YOLO26 modellerini entegre etmenin daha fazla yolunu keşfetmek ister misin? Entegrasyon kılavuzu sayfamız, çeşitli seçenekleri ele alarak sana değerli kaynaklar ve içgörüler sunar.

SSS#