Link to this sectionCách xuất sang định dạng PaddlePaddle từ các model YOLO26#

Việc thu hẹp khoảng cách giữa phát triển và triển khai các model thị giác máy tính trong các kịch bản thực tế với điều kiện thay đổi có thể rất khó khăn. PaddlePaddle giúp quá trình này trở nên dễ dàng hơn nhờ sự tập trung vào tính linh hoạt, hiệu năng và khả năng xử lý song song trong các môi trường phân tán. Điều này có nghĩa là bạn có thể sử dụng các model thị giác máy tính YOLO26 của mình trên nhiều loại thiết bị và nền tảng, từ điện thoại thông minh đến máy chủ trên đám mây.

Khả năng xuất sang định dạng model PaddlePaddle cho phép bạn tối ưu hóa các model Ultralytics YOLO26 để sử dụng trong framework PaddlePaddle. PaddlePaddle nổi tiếng với việc tạo điều kiện thuận lợi cho các hoạt động triển khai công nghiệp và là một lựa chọn tốt để triển khai các ứng dụng thị giác máy tính trong bối cảnh thực tế trên nhiều lĩnh vực khác nhau.

Link to this sectionTại sao bạn nên xuất sang PaddlePaddle?#

Được phát triển bởi Baidu, PaddlePaddle (PArallel Distributed Deep LEarning) là nền tảng học sâu mã nguồn mở đầu tiên của Trung Quốc. Không giống như một số framework được xây dựng chủ yếu cho nghiên cứu, PaddlePaddle ưu tiên tính dễ sử dụng và khả năng tích hợp mượt mà trong các ngành công nghiệp.

Nó cung cấp các công cụ và tài nguyên tương tự như các framework phổ biến như TensorFlow và PyTorch, giúp các nhà phát triển ở mọi trình độ kinh nghiệm đều có thể tiếp cận. Từ nông nghiệp và nhà máy đến các dịch vụ kinh doanh, cộng đồng nhà phát triển lớn của PaddlePaddle với hơn 4,77 triệu người đang giúp tạo ra và triển khai các ứng dụng AI.

Bằng cách xuất các model Ultralytics YOLO26 của bạn sang định dạng PaddlePaddle, bạn có thể tận dụng thế mạnh của PaddlePaddle trong việc tối ưu hóa hiệu năng. PaddlePaddle ưu tiên thực thi model hiệu quả và giảm mức sử dụng bộ nhớ. Nhờ đó, các model YOLO26 của bạn có tiềm năng đạt được hiệu năng tốt hơn nữa, mang lại kết quả hàng đầu trong các tình huống thực tế.

Link to this sectionCác tính năng chính của các model PaddlePaddle#

Các model PaddlePaddle cung cấp một loạt các tính năng chính đóng góp vào tính linh hoạt, hiệu năng và khả năng mở rộng của chúng trên các kịch bản triển khai đa dạng:

• Đồ thị động sang tĩnh (Dynamic-to-Static Graph): PaddlePaddle hỗ trợ biên dịch từ động sang tĩnh, nơi các model có thể được chuyển đổi thành một đồ thị tính toán tĩnh. Điều này cho phép các tối ưu hóa giúp giảm chi phí runtime và tăng hiệu năng suy luận.

• Hợp nhất toán tử (Operator Fusion): PaddlePaddle, giống như TensorRT, sử dụng hợp nhất toán tử để tinh giản việc tính toán và giảm chi phí overhead. Framework này tối thiểu hóa việc truyền tải bộ nhớ và các bước tính toán bằng cách hợp nhất các hoạt động tương thích, dẫn đến suy luận nhanh hơn.

• Lượng tử hóa (Quantization): PaddlePaddle hỗ trợ các kỹ thuật lượng tử hóa, bao gồm lượng tử hóa sau huấn luyện và huấn luyện nhận biết lượng tử hóa. Các kỹ thuật này cho phép sử dụng các biểu diễn dữ liệu có độ chính xác thấp hơn, giúp tăng hiệu năng một cách hiệu quả và giảm kích thước model.

Link to this sectionCác tùy chọn triển khai trong PaddlePaddle#

Trước khi đi sâu vào mã nguồn để xuất các model YOLO26 sang PaddlePaddle, hãy cùng xem xét các kịch bản triển khai khác nhau mà các model PaddlePaddle đạt kết quả vượt trội.

PaddlePaddle cung cấp một loạt các tùy chọn, mỗi tùy chọn mang lại sự cân bằng riêng biệt giữa tính dễ sử dụng, tính linh hoạt và hiệu năng:

• Paddle Serving: Framework này đơn giản hóa việc triển khai các model PaddlePaddle dưới dạng các RESTful API hiệu năng cao. Paddle Serving lý tưởng cho các môi trường sản xuất, cung cấp các tính năng như lập phiên bản model, kiểm thử A/B trực tuyến và khả năng mở rộng để xử lý khối lượng yêu cầu lớn.

• Paddle Inference API: Paddle Inference API cung cấp cho bạn quyền kiểm soát cấp thấp đối với việc thực thi model. Tùy chọn này rất phù hợp cho các kịch bản cần tích hợp chặt chẽ model vào một ứng dụng tùy chỉnh hoặc tối ưu hóa hiệu năng cho phần cứng cụ thể.

• Paddle Lite: Paddle Lite được thiết kế để triển khai trên các thiết bị di động và nhúng nơi tài nguyên bị hạn chế. Nó tối ưu hóa các model để có kích thước nhỏ hơn và suy luận nhanh hơn trên các CPU ARM, GPU và các phần cứng chuyên dụng khác.

• Paddle.js: Paddle.js cho phép bạn triển khai các model PaddlePaddle trực tiếp trong trình duyệt web. Paddle.js có thể tải một model đã được huấn luyện trước hoặc chuyển đổi một model từ paddle-hub bằng các công cụ chuyển đổi model được cung cấp bởi Paddle.js. Nó có thể chạy trên các trình duyệt hỗ trợ WebGL/WebGPU/WebAssembly.

Link to this sectionXuất sang PaddlePaddle: Chuyển đổi model YOLO26 của bạn#

Việc chuyển đổi các model YOLO26 sang định dạng PaddlePaddle có thể cải thiện tính linh hoạt khi thực thi và tối ưu hóa hiệu năng cho các kịch bản triển khai khác nhau.

Link to this sectionCài đặt#

Để cài đặt gói cần thiết, hãy chạy:

# Install the required package for YOLO26
pip install ultralytics

Để biết hướng dẫn chi tiết và các phương pháp tốt nhất liên quan đến quy trình cài đặt, hãy xem Hướng dẫn cài đặt Ultralytics của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO26, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo Hướng dẫn các vấn đề thường gặp để tìm giải pháp và mẹo.

Link to this sectionCách sử dụng#

Tất cả các model Ultralytics YOLO26 đều hỗ trợ xuất, và bạn có thể duyệt danh sách đầy đủ các định dạng và tùy chọn xuất để tìm ra lựa chọn phù hợp nhất cho nhu cầu triển khai của mình.

Định dạng PaddlePaddle hỗ trợ các chế độ Export, Predict và Validate. Hãy xuất model của bạn, sau đó tải model đã xuất để chạy suy luận hoặc kiểm tra độ chính xác của nó.

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")

Link to this sectionĐối số xuất#

Để biết thêm chi tiết về quy trình xuất, hãy truy cập trang tài liệu của Ultralytics về việc xuất.

Link to this sectionTriển khai các model YOLO26 PaddlePaddle đã xuất#

Sau khi xuất thành công các model Ultralytics YOLO26 sang định dạng PaddlePaddle, bây giờ bạn có thể triển khai chúng. Bước đầu tiên chính và được khuyến nghị để chạy một model PaddlePaddle là sử dụng phương thức YOLO("yolo26n_paddle_model/"), như đã nêu trong đoạn mã ví dụ trước đó.

Tuy nhiên, để có hướng dẫn chuyên sâu về việc triển khai các model PaddlePaddle của bạn trong các cài đặt khác nhau, hãy xem qua các tài nguyên sau:

• Paddle Serving: Tìm hiểu cách triển khai các model PaddlePaddle của bạn như các dịch vụ hiệu năng cao bằng cách sử dụng Paddle Serving.

• Paddle Lite: Khám phá cách tối ưu hóa và triển khai các model trên các thiết bị di động và nhúng bằng Paddle Lite.

• Paddle.js: Khám phá cách chạy các model PaddlePaddle trong trình duyệt web cho AI phía máy khách (client-side) bằng Paddle.js.

Link to this sectionTóm tắt#

Trong hướng dẫn này, chúng ta đã khám phá quá trình xuất các model Ultralytics YOLO26 sang định dạng PaddlePaddle. Bằng cách làm theo các bước này, bạn có thể tận dụng thế mạnh của PaddlePaddle trong các kịch bản triển khai đa dạng, tối ưu hóa các model của mình cho các môi trường phần cứng và phần mềm khác nhau.

Để biết thêm chi tiết về cách sử dụng, hãy truy cập tài liệu chính thức của PaddlePaddle.

Bạn muốn khám phá thêm các cách tích hợp các model Ultralytics YOLO26 của mình? Trang hướng dẫn tích hợp của chúng tôi khám phá các tùy chọn khác nhau, trang bị cho bạn các tài nguyên và thông tin chi tiết có giá trị.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm cách nào để tôi xuất các model Ultralytics YOLO26 sang định dạng PaddlePaddle?#

Việc xuất các model Ultralytics YOLO26 sang định dạng PaddlePaddle rất đơn giản. Bạn có thể sử dụng phương thức export của lớp YOLO để thực hiện chuyển đổi. Dưới đây là ví dụ sử dụng Python:

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'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo26n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

Để biết thêm chi tiết về thiết lập và khắc phục sự cố, hãy kiểm tra Hướng dẫn cài đặt Ultralytics và Hướng dẫn các vấn đề thường gặp.

Link to this sectionƯu điểm của việc sử dụng PaddlePaddle cho triển khai model là gì?#

PaddlePaddle mang lại một số ưu điểm chính cho việc triển khai model:

• Tối ưu hóa hiệu năng: PaddlePaddle vượt trội trong việc thực thi model hiệu quả và giảm sử dụng bộ nhớ.
• Biên dịch đồ thị động sang tĩnh: Nó hỗ trợ biên dịch từ động sang tĩnh, cho phép tối ưu hóa tại thời điểm runtime.
• Hợp nhất toán tử: Bằng cách hợp nhất các hoạt động tương thích, nó giảm chi phí tính toán.
• Các kỹ thuật lượng tử hóa: Hỗ trợ cả lượng tử hóa sau huấn luyện và huấn luyện nhận biết lượng tử hóa, cho phép các biểu diễn dữ liệu độ chính xác thấp hơn để cải thiện hiệu năng.

Bạn có thể đạt được kết quả nâng cao bằng cách xuất các model Ultralytics YOLO26 của mình sang PaddlePaddle, đảm bảo tính linh hoạt và hiệu năng cao trên nhiều ứng dụng và nền tảng phần cứng khác nhau. Khám phá các tính năng chính và khả năng của PaddlePaddle trong tài liệu chính thức của PaddlePaddle.

Link to this sectionTại sao tôi nên chọn PaddlePaddle để triển khai các model YOLO26 của mình?#

PaddlePaddle, được phát triển bởi Baidu, được tối ưu hóa cho các hoạt động triển khai AI công nghiệp và thương mại. Cộng đồng nhà phát triển lớn và framework mạnh mẽ của nó cung cấp các công cụ phong phú tương tự như TensorFlow và PyTorch. Bằng cách xuất các model YOLO26 của bạn sang PaddlePaddle, bạn tận dụng được:

• Hiệu năng nâng cao: Tốc độ thực thi tối ưu và dấu chân bộ nhớ giảm thiểu.
• Tính linh hoạt: Khả năng tương thích rộng rãi với nhiều loại thiết bị từ điện thoại thông minh đến máy chủ đám mây.
• Khả năng mở rộng: Khả năng xử lý song song hiệu quả cho các môi trường phân tán.

Những tính năng này làm cho PaddlePaddle trở thành một lựa chọn hấp dẫn để triển khai các model YOLO26 trong môi trường sản xuất.

Link to this sectionPaddlePaddle cải thiện hiệu năng model so với các framework khác như thế nào?#

PaddlePaddle áp dụng một số kỹ thuật tiên tiến để tối ưu hóa hiệu năng model:

• Đồ thị động sang tĩnh: Chuyển đổi các model thành một đồ thị tính toán tĩnh để tối ưu hóa tại runtime.
• Hợp nhất toán tử: Kết hợp các hoạt động tương thích để tối thiểu hóa việc truyền tải bộ nhớ và tăng tốc độ suy luận.
• Lượng tử hóa: Giảm kích thước model và tăng hiệu quả bằng cách sử dụng dữ liệu độ chính xác thấp hơn trong khi vẫn duy trì độ chính xác.

Các kỹ thuật này ưu tiên việc thực thi model hiệu quả, khiến PaddlePaddle trở thành một lựa chọn tuyệt vời để triển khai các model YOLO26 hiệu năng cao. Để biết thêm về tối ưu hóa, hãy xem tài liệu chính thức của PaddlePaddle.

Link to this sectionPaddlePaddle cung cấp những tùy chọn triển khai nào cho các model YOLO26?#

PaddlePaddle cung cấp các tùy chọn triển khai linh hoạt:

• Paddle Serving: Triển khai các model dưới dạng RESTful API, lý tưởng cho sản xuất với các tính năng như lập phiên bản model và kiểm thử A/B trực tuyến.
• Paddle Inference API: Cung cấp quyền kiểm soát cấp thấp đối với việc thực thi model cho các ứng dụng tùy chỉnh.
• Paddle Lite: Tối ưu hóa các model cho các thiết bị di động và nhúng với tài nguyên hạn chế.
• Paddle.js: Cho phép triển khai các model trực tiếp trong trình duyệt web.

Những tùy chọn này bao gồm một loạt các kịch bản triển khai, từ suy luận trên thiết bị đến các dịch vụ đám mây có khả năng mở rộng. Khám phá thêm các chiến lược triển khai trên Trang Tùy chọn Triển khai Model của Ultralytics.