Link to this sectionCách xuất mô hình YOLO26 sang định dạng PaddlePaddle#

Việc thu hẹp khoảng cách giữa phát triển và triển khai các mô hình computer vision trong các kịch bản thực tế với điều kiện thay đổi có thể gặp nhiều 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 mô hình computer vision YOLO26 của mình trên nhiều loại thiết bị và nền tảng khác nhau, từ điện thoại thông minh cho đến các máy chủ trên nền tảng đám mây.

Khả năng xuất sang định dạng mô hình PaddlePaddle cho phép bạn tối ưu hóa các mô hình Ultralytics YOLO26 để sử dụng trong framework PaddlePaddle. PaddlePaddle nổi tiếng với việc tạo điều kiện cho các triển khai công nghiệp và là một lựa chọn tốt để triển khai các ứng dụng computer vision trong các 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 deep learning mã nguồn mở đầu tiên của Trung Quốc. Không giống như một số framework được xây dựng chủ yếu cho mục đích nghiên cứu, PaddlePaddle ưu tiên tính dễ sử dụng và tích hợp mượt mà trong các ngành công nghiệp.

Nền tảng này 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 thành viên đang giúp tạo và triển khai các ứng dụng AI.

Bằng cách xuất các mô hình 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 mô hình hiệu quả và giảm thiểu việc sử dụng bộ nhớ. Nhờ đó, các mô hình YOLO26 của bạn có thể đạt được hiệu suất tốt hơn, mang lại kết quả tối ưu trong các kịch bản thực tế.

Link to this sectionCác tính năng chính của các mô hình PaddlePaddle#

Các mô hình PaddlePaddle cung cấp một loạt các tính năng chính góp phần vào tính linh hoạt, hiệu năng và khả năng mở rộng trong 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, trong đó các mô hình có thể được chuyển đổi thành đồ thị tính toán tĩnh. Điều này cho phép thực hiện các tối ưu hóa giúp giảm độ trễ khi chạy runtime và tăng hiệu năng suy luận (inference).

• Hợp nhất toán tử (Operator Fusion): PaddlePaddle, giống như TensorRT, sử dụng hợp nhất toán tử để tinh giản việc tính toán và giảm tải. Framework này giảm thiểu các thao tác chuyển đổi bộ nhớ và các bước tính toán bằng cách hợp nhất các phép toán tương thích, giúp tăng tốc độ suy luận.

• Lượng tử hóa (Quantization): PaddlePaddle hỗ trợ các kỹ thuật lượng tử hóa, bao gồm lượng tử hóa sau huấn luyện (post-training quantization) và huấn luyện nhận biết lượng tử hóa (quantization-aware training). Những 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 mô hình.

Link to this sectionCác tùy chọn triển khai trong PaddlePaddle#

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

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

• Paddle Serving: Framework này giúp đơn giản hóa việc triển khai các mô hình 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 quản lý phiên bản mô hình, thử nghiệm 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 quá trình thực thi mô hình. Tùy chọn này rất phù hợp cho các kịch bản cần tích hợp chặt chẽ mô hình vào 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 mô hình 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 mô hình PaddlePaddle trực tiếp trong trình duyệt web. Paddle.js có thể tải một mô hình đã được huấn luyện trước hoặc chuyển đổi mô hình từ paddle-hub bằng các công cụ chuyển đổi mô hình do Paddle.js cung cấp. Nó có thể chạy trên các trình duyệt hỗ trợ WebGL/WebGPU/WebAssembly.

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

Chuyển đổi các mô hình 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 lệnh sau:

# Install the required package for YOLO26
pip install ultralytics

Để có hướng dẫn chi tiết và các phương pháp tốt nhất liên quan đến quy trình cài đặt, hãy kiểm tra hướng dẫn cài đặt Ultralytics của chúng tôi. Trong quá trình 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 xử lý.

Link to this sectionCách sử dụng#

Tất cả các mô hình Ultralytics YOLO26 đều hỗ trợ xuất, và bạn có thể duyệt toàn bộ danh sách các định dạng và tùy chọn xuất để tìm ra phương án phù hợp nhất với nhu cầu triển khai của mình.

Định dạng PaddlePaddle hỗ trợ các chế độ Xuất, Dự đoán và Xác thực. Hãy xuất mô hình của bạn, sau đó tải mô hình đã xuất để chạy suy luận hoặc xác thực độ chính xác.

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 Ultralytics về xuất dữ liệu.

Link to this sectionTriển khai các mô hình PaddlePaddle YOLO26 đã xuất#

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

Tuy nhiên, để có hướng dẫn chuyên sâu về việc triển khai các mô hình PaddlePaddle của bạn trong nhiều bối cảnh khác, hãy xem qua các tài nguyên sau:

• Paddle Serving: Tìm hiểu cách triển khai các mô hình PaddlePaddle của bạn thành các dịch vụ hiệu năng cao sử dụng Paddle Serving.

• Paddle Lite: Khám phá cách tối ưu hóa và triển khai các mô hình trên thiết bị di động và nhúng sử dụng Paddle Lite.

• Paddle.js: Khám phá cách chạy các mô hình PaddlePaddle trong trình duyệt web cho AI phía khách hàng sử dụng Paddle.js.

Link to this sectionTóm tắt#

Trong hướng dẫn này, chúng tôi đã khám phá quy trình xuất các mô hình Ultralytics YOLO26 sang định dạng PaddlePaddle. Bằng cách thực hiện theo các bước này, bạn có thể tận dụng các thế mạnh của PaddlePaddle trong các kịch bản triển khai đa dạng, tối ưu hóa các mô hình 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 để tích hợp các mô hình Ultralytics YOLO26 của mình? Trang hướng dẫn tích hợp của chúng tôi khám phá nhiều tùy chọn khác nhau, cung cấp cho bạn các tài nguyên và thông tin chi tiết có giá trị.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm thế nào để tôi xuất các mô hình Ultralytics YOLO26 sang định dạng PaddlePaddle?#

Việc xuất các mô hình 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 sectionNhững ưu điểm của việc sử dụng PaddlePaddle để triển khai mô hình là gì?#

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

• Tối ưu hóa hiệu năng: PaddlePaddle vượt trội trong việc thực thi mô hình hiệu quả và giảm thiểu việc sử dụng bộ nhớ.
• Biên dịch Đồ thị động sang tĩnh: Hỗ trợ biên dịch từ động sang tĩnh, cho phép tối ưu hóa tại thời điểm chạy.
• Hợp nhất toán tử: Bằng cách hợp nhất các phép toán tương thích, nó giúp giảm tải tính toán.
• Kỹ thuật Lượng tử hóa: Hỗ trợ cả lượng tử hóa sau huấn luyện và huấn luyện nhận biết lượng tử hóa, cho phép sử dụng các biểu diễn dữ liệu có độ chính xác thấp hơn để cải thiện hiệu năng.

Bạn có thể đạt được kết quả nâng cao bằng cách xuất các mô hình 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 và khả năng chính của PaddlePaddle trong tài liệu chính thức của PaddlePaddle.

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

PaddlePaddle, được phát triển bởi Baidu, được tối ưu hóa cho các 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 mô hình YOLO26 của bạn sang PaddlePaddle, bạn tận dụng được:

• Hiệu năng nâng cao: Tốc độ thực thi tối ưu và giảm dấu chân bộ nhớ.
• 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 thuyết phục để triển khai các mô hình YOLO26 trong môi trường sản xuất.

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

PaddlePaddle sử dụng một số kỹ thuật tiên tiến để tối ưu hóa hiệu năng mô hình:

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

Những kỹ thuật này ưu tiên việc thực thi mô hình hiệu quả, giúp PaddlePaddle trở thành một lựa chọn tuyệt vời để triển khai các mô hình 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 các tùy chọn triển khai nào cho các mô hình YOLO26?#

PaddlePaddle cung cấp các tùy chọn triển khai linh hoạt:

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

Các tùy chọn này bao phủ 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 Mô hình Ultralytics.