YOLO26 Modellerinden PaddlePaddle Formatına Nasıl Aktarılır#

Farklı koşullara sahip gerçek dünya senaryolarında computer vision modelleri geliştirmek ve bunları dağıtmak arasındaki boşluğu kapatmak zor olabilir. PaddlePaddle; esnekliğe, performansa ve dağınık ortamlarda paralel işleme yeteneğine odaklanmasıyla bu süreci daha kolay hale getirir. Bu, akıllı telefonlardan bulut tabanlı sunuculara kadar çok çeşitli cihaz ve platformlarda YOLO26 computer vision modellerini kullanabileceğin anlamına gelir.

PaddlePaddle model formatına dışa aktarma yeteneği, Ultralytics YOLO26 modellerini PaddlePaddle çerçevesi içinde kullanmak üzere optimize etmeni sağlar. PaddlePaddle, endüstriyel dağıtımları kolaylaştırmasıyla bilinir ve çeşitli alanlarda gerçek dünya ortamlarında computer vision uygulamaları dağıtmak için iyi bir seçenektir.

Neden PaddlePaddle formatına aktarmalısın?#

Baidu tarafından geliştirilen PaddlePaddle (PArallel Distributed Deep LEarning), Çin'in ilk açık kaynaklı deep learning platformudur. Yalnızca araştırma için oluşturulmuş bazı çerçevelerin aksine PaddlePaddle, kullanım kolaylığını ve endüstriler arası sorunsuz entegrasyonu ön planda tutar.

TensorFlow ve PyTorch gibi popüler çerçevelere benzer araçlar ve kaynaklar sunarak herdeneyim seviyesinden geliştiricinin erişebilmesini sağlar. Tarım ve fabrikalardan hizmet işletmelerine kadar, 4,77 milyondan oluşan büyük PaddlePaddle geliştirici topluluğu, yapay zeka uygulamaları oluşturmaya ve dağıtmaya yardımcı olmaktadır.

Ultralytics YOLO26 modellerini PaddlePaddle formatına aktararak, PaddlePaddle'ın performans optimizasyonundaki güçlü yönlerinden yararlanabilirsin. PaddlePaddle, verimli model yürütmeye ve azaltılmış bellek kullanımına öncelik verir. Sonuç olarak, YOLO26 modellerin pratik senaryolarda birinci sınıf sonuçlar sunarak daha da 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 dönüştürülebileceği dynamic-to-static compilation özelliğini destekler. Bu, çalışma zamanı yükünü azaltan ve çıkarım performansını artıran optimizasyonlar sağlar.

• İşlemci Birleştirme: PaddlePaddle, TensorRT gibi, hesaplamayı kolaylaştırmak ve yükü azaltmak için operator fusion kullanır. Çerçeve, uyumlu işlemleri birleştirerek bellek aktarımlarını ve hesaplama adımlarını en aza indirir, bu da daha hızlı çıkarım ile sonuçlanır.

• Niceleme: PaddlePaddle, eğitim sonrası niceleme ve niceleme farkındalı eğitim dahil olmak üzere quantization techniques özelliklerini destekler. Bu teknikler, daha düşük hassasiyetli veri temsillerinin kullanılmasını sağlayarak performansı etkili bir şekilde artırır ve model boyutunu küçültür.

PaddlePaddle'daki Dağıtım Seçenekleri#

YOLO26 modellerini PaddlePaddle'a aktarmak için kodlara dalmadan önce, PaddlePaddle modellerinin öne çıktığı farklı dağıtım senaryolarına bir göz atalım.

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

• Paddle Serving: Bu çerçeve, PaddlePaddle modellerinin yüksek performanslı RESTful API'ler olarak dağıtımını basitleştirir. Paddle Serving, model sürümlendirme, çevrimiçi A/B testi ve büyük hacimli istekleri yönetmek 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 bir donanım 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 tarayıcıları içinde dağıtmanı 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'yi destekleyen tarayıcılarda çalışabilir.

Desteklenen Görevler#

PaddlePaddle dışa aktarımı, yedi Ultralytics görevinin tümünü destekler. Anlamsal segmentasyon ve derinlik tahmini, yalnızca bu kafaları barındıran tek aile olan YOLO26 ile kullanılabilir.

PaddlePaddle'a Aktar: 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 sürecine ilişkin ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza danış.

Kullanım#

Tüm Ultralytics YOLO26 models dışa aktarmayı destekler ve dağıtım ihtiyaçlarına en uygun olanı bulmak için browse the full list of export formats and options seçeneğine göz atabilirsin.

PaddlePaddle formatı Export, Predict ve Validate modlarını destekler. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu onaylamak 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 Argümanları#

Dışa aktarım süreci hakkında daha fazla ayrıntı için Ultralytics documentation page on exporting sayfasını ziyaret edin.

Dışa Aktarılan YOLO26 PaddlePaddle Modellerini Dağıtma#

Ultralytics YOLO26 modellerini başarıyla PaddlePaddle formatına aktardıktan sonra, artık onları dağıtabilirsin. 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 dağıtmakla ilgili ayrıntılı talimatlar için aşağıdaki kaynaklara bir göz at:

• Paddle Serving: Paddle Serving kullanarak PaddlePaddle modellerini yüksek performanslı servisler olarak nasıl dağıtacağını öğren.

• Paddle Lite: Paddle Lite kullanarak modelleri mobil ve gömülü cihazlarda nasıl optimize edip dağıtacağını 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 aktarma sürecini inceledik. Bu adımları izleyerek, modellerini farklı donanım ve yazılım ortamları için optimize ederek PaddlePaddle'ın çeşitli dağıtım senaryolarındaki güçlü yönlerinden yararlanabilirsin.

Kullanım hakkında daha fazla ayrıntı için PaddlePaddle official documentation adresini ziyaret et.

Ultralytics YOLO26 modellerini entegre etmek için daha fazla yol mu keşfetmek istiyorsun? integration guide page sayfamız çeşitli seçenekleri inceler ve seni değerli kaynaklar ile içgörülerle donatır.

SSS#