Cách Xuất sang Định Dạng PaddlePaddle từ Các Mô Hình YOLO11

Việc thu hẹp khoảng cách giữa phát triển và triển khai các mô hình thị giác máy tính trong các tình huống thực tế với các điều kiện khác nhau có thể gặp khó khăn. PaddlePaddle giúp quá trình này trở nên dễ dàng hơn nhờ tập trung vào tính linh hoạt, hiệu suất và khả năng xử lý song song trong môi trường phân tán. Điều này có nghĩa là bạn có thể sử dụng các mô hình thị giác máy tính YOLO11 của mình trên nhiều loại thiết bị và nền tảng, từ điện thoại thông minh đến máy chủ dựa trên đám mây.

Xem: Cách Xuất Các Mô Hình Ultralytics YOLO11 sang Định Dạng PaddlePaddle | Các Tính Năng Chính của Định Dạng PaddlePaddle

Khả năng xuất sang định dạng mô hình PaddlePaddle cho phép bạn tối ưu hóa các mô hình Ultralytics YOLO11 để sử dụng trong framework PaddlePaddle. PaddlePaddle được biết đến với khả năng tạo điều kiện thuận lợi cho việc triển khai trong công nghiệp và là một lựa chọn tốt để triển khai các ứng dụng thị giác máy tính trong các môi trường thực tế trên nhiều lĩnh vực khác nhau.

Tại 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 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 cấp độ kinh nghiệm có thể tiếp cận được. Từ nông nghiệp và nhà máy đến các doanh nghiệp dịch vụ, cộng đồng nhà phát triển lớn của PaddlePaddle với hơn 4,77 triệu người đang giúp tạo và triển khai các ứng dụng AI.

Bằng cách xuất các mô hình Ultralytics YOLO11 của bạn sang định dạng PaddlePaddle, bạn có thể khai thác các điểm mạnh của PaddlePaddle trong việc tối ưu hóa hiệu suất. PaddlePaddle ưu tiên thực thi mô hình hiệu quả và giảm mức sử dụng bộ nhớ. Do đó, các mô hình YOLO11 của bạn có khả năng đạt được hiệu suất tốt hơn nữa, mang lại kết quả hàng đầu trong các tình huống thực tế.

Các tính năng chính của mô hình PaddlePaddle

Các mô hình PaddlePaddle cung cấp một loạt các tính năng chính góp phần vào tính linh hoạt, hiệu suất và khả năng mở rộng của chúng trong các tình huống triển khai đa dạng:

• Đồ thị động thành tĩnh: PaddlePaddle hỗ trợ biên dịch động thành tĩnh, trong đó các mô hình có thể được chuyển đổi thành đồ thị tính toán tĩnh. Điều này cho phép tối ưu hóa để giảm thiểu chi phí thời gian chạy và tăng hiệu suất suy luận.

• Hợp nhất toán tử (Operator Fusion): PaddlePaddle, giống như TensorRT, sử dụng hợp nhất toán tử (operator fusion) để tối ưu hóa tính toán và giảm thiểu overhead. Framework giảm thiểu việc truyền bộ nhớ và các bước tính toán bằng cách hợp nhất các hoạt động tương thích, giúp suy luận nhanh hơn.

• Lượng tử hóa: 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 biểu diễn dữ liệu với độ chính xác thấp hơn, giúp tăng hiệu quả hiệu suất và giảm kích thước mô hình.

Các tùy chọn triển khai trong PaddlePaddle

Trước khi đi sâu vào code để xuất các mô hình YOLO11 sang PaddlePaddle, hãy xem xét các tình huống triển khai khác nhau mà các mô hình PaddlePaddle vượt trội.

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

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

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

• Paddle Lite: Paddle Lite được thiết kế để triển khai trên các thiết bị di động và thiết bị nhúng, nơi tài nguyên bị hạn chế. Nó tối ưu hóa các mô hình cho kích thước nhỏ hơn và suy luận nhanh hơn trên CPU ARM, GPU và 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 mô hình được đào tạo 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 trong các trình duyệt hỗ trợ WebGL/WebGPU/WebAssembly.

Xuất sang PaddlePaddle: Chuyển đổi Mô hình YOLO11 của bạn

Chuyển đổi các mô hình YOLO11 sang định dạng PaddlePaddle có thể cải thiện tính linh hoạt khi thực thi và tối ưu hóa hiệu suất cho các tình huống triển khai khác nhau.

Cài đặt

Để cài đặt gói cần thiết, hãy chạy:

# Install the required package for YOLO11
pip install ultralytics

Để biết hướng dẫn chi tiết và các phương pháp hay 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 YOLO11, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo hướng dẫn Các Vấn đề Thường gặp của chúng tôi để biết các giải pháp và mẹo.

Cách sử dụng

Tất cả các mô hình Ultralytics YOLO11 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.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

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

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Các đối số xuất

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

Triển khai các Mô Hình YOLO11 PaddlePaddle Đã Xuất

Sau khi xuất thành công các mô hình Ultralytics YOLO11 của bạn sang định dạng PaddlePaddle, giờ đây bạn có thể triển khai chúng. Bước đầu tiên và được khuyến nghị để chạy mô hình PaddlePaddle là sử dụng phương pháp YOLO("yolo11n_paddle_model/"), như được trình bày trong đoạn mã sử dụng trước đó.

Tuy nhiên, để biết hướng dẫn chuyên sâu về cách triển khai các mô hình PaddlePaddle của bạn trong nhiều cài đặt khác, hãy xem các tài nguyên sau:

• Paddle Serving: Tìm hiểu cách triển khai các mô hình PaddlePaddle của bạn dưới dạng các dịch vụ hiệu suất cao bằng Paddle Serving.

• Paddle Lite: Tìm hiểu cách tối ưu hóa và triển khai các mô hình trên thiết bị di động và thiết bị nhúng bằng Paddle Lite.

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

Tóm tắt

Trong hướng dẫn này, chúng ta đã khám phá quy trình xuất các mô hình Ultralytics YOLO11 sang định dạng PaddlePaddle. Bằng cách làm theo các bước này, bạn có thể tận dụng các điểm mạnh của PaddlePaddle trong các tình huống triển khai khác nhau, tối ưu hóa các mô hình của bạn 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 mô hình Ultralytics YOLO11 của mình? Trang hướng dẫn tích hợp của chúng tôi khám phá nhiều tùy chọn khác nhau, trang bị cho bạn những tài nguyên và hiểu biết có giá trị.

Câu hỏi thường gặp

Làm cách nào để xuất các mô hình Ultralytics YOLO11 sang định dạng PaddlePaddle?

Việc xuất các mô hình Ultralytics YOLO11 sang định dạng PaddlePaddle rất đơn giản. Bạn có thể sử dụng export phương thức của lớp YOLO để thực hiện xuất. Dưới đây là một ví dụ sử dụng Python:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

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

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

Để thiết lập và khắc phục sự cố chi tiết hơn, hãy xem Hướng dẫn Cài đặt Ultralytics và Hướng dẫn Các vấn đề thường gặp.

Những ưu điểm của việc sử dụng PaddlePaddle để triển khai mô hình là gì?

PaddlePaddle cung cấp một số lợi thế chính để triển khai mô hình:

• Tối ưu hóa hiệu năng: PaddlePaddle vượt trội trong việc thực thi mô hình hiệu quả và giảm mức sử dụng bộ nhớ.
• Biên dịch đồ thị động thành tĩnh: Hỗ trợ biên dịch động thành tĩnh, cho phép tối ưu hóa thời gian chạy.
• Hợp nhất Toán tử: Bằng cách hợp nhất các hoạt động tương thích, nó làm giảm chi phí tính toán.
• Kỹ thuật lượng tử hóa: Hỗ trợ cả đào tạo sau huấn luyện và nhận biết lượng tử hóa, cho phép biểu diễn dữ liệu độ chính xác thấp hơn để cải thiện hiệu suất.

Bạn có thể đạt được kết quả nâng cao bằng cách xuất các mô hình Ultralytics YOLO11 của mình sang PaddlePaddle, đảm bảo tính linh hoạt và hiệu suất 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.

Tại sao tôi nên chọn PaddlePaddle để triển khai các mô hình YOLO11 của mình?

PaddlePaddle, được phát triển bởi Baidu, được tối ưu hóa cho việc 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 mở rộng tương tự như TensorFlow và PyTorch. Bằng cách xuất các mô hình YOLO11 của bạn sang PaddlePaddle, bạn tận dụng được:

• Nâng cao hiệu suất: Tốc độ thực thi tối ưu và giảm thiểu dung lượng bộ nhớ.
• Tính linh hoạt: Khả năng tương thích rộng rãi với nhiều thiết bị khác nhau, 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.

Các tính năng này làm cho PaddlePaddle trở thành một lựa chọn hấp dẫn để triển khai các mô hình YOLO11 trong môi trường sản xuất.

PaddlePaddle cải thiện hiệu suất mô hình so với các framework khác như thế nào?

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

• Đồ thị động thành tĩnh: Chuyển đổi các mô hình thành đồ thị tính toán tĩnh để tối ưu hóa thời gian chạy.
• Hợp nhất Toán tử: Kết hợp các hoạt động tương thích để giảm thiểu việc truyền 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 có độ chính xác thấp hơn trong khi vẫn duy trì độ chính xác.

Các kỹ thuật này ưu tiên thực thi mô hình hiệu quả, làm cho PaddlePaddle trở thành một lựa chọn tuyệt vời để triển khai các mô hình YOLO11 hiệu suất cao. Để biết thêm về tối ưu hóa, hãy xem tài liệu chính thức của PaddlePaddle.

PaddlePaddle cung cấp những tùy chọn triển khai nào cho các mô hình YOLO11?

PaddlePaddle cung cấp các tùy chọn triển khai linh hoạt:

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

Các 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 mô hình Ultralytics.

📅 Đã tạo 1 năm trước ✏️ Cập nhật 5 tháng trước

Bình luận