Ultralytics YOLO27：
Get Started

如何将 YOLO26 模型导出为 PaddlePaddle 格式#

在不同条件下，将计算机视觉模型从开发阶段应用到实际场景并非易事。PaddlePaddle 注重灵活性、性能以及在分布式环境中的并行处理能力，让这一过程变得更加简单。这意味着你可以在各种设备和平台上使用 YOLO26 计算机视觉模型，从智能手机到云服务器都能运行。



观看： 如何将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式 | PaddlePaddle 格式的主要特性

导出为 PaddlePaddle 模型格式后，你可以在 PaddlePaddle 框架中使用Ultralytics YOLO26模型并对其进行优化。PaddlePaddle 以便于工业部署而闻名，是在不同领域的实际环境中部署计算机视觉应用的理想选择。

为什么要导出为 PaddlePaddle 格式？#

PaddlePaddle deep learning framework logo

由百度开发的 PaddlePaddle（并行分布式深度学习，Paddle）是中国首个开源深度学习平台。与主要面向研究的某些框架不同，PaddlePaddle 优先考虑易用性和跨行业的顺畅集成。

它提供了与 TensorFlow 和 PyTorch 等主流框架类似的工具和资源，方便不同经验水平的开发者使用。从农业和工厂到服务业，超过 477 万人的 PaddlePaddle 开发者社区正在助力 AI 应用的创建和部署。

将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式，可以发挥 PaddlePaddle 在性能优化方面的优势。PaddlePaddle 注重高效执行模型并减少内存使用。因此，YOLO26 模型有望进一步提升性能，在实际场景中取得出色效果。

PaddlePaddle 模型的主要特性#

PaddlePaddle 模型具备多种主要特性，使其能够在不同部署场景中保持灵活、高性能且易于扩展：

  • 动态图转静态图：PaddlePaddle 支持动态图转静态图编译，可将模型转换为静态计算图。这有助于减少运行时开销并提升推理性能。

  • 算子融合：与 TensorRT 类似，PaddlePaddle 使用算子融合来简化计算并减少开销。该框架通过合并兼容的操作，减少内存传输和计算步骤，从而加快推理速度。

  • 量化：PaddlePaddle 支持量化技术，包括训练后量化和量化感知训练。这些技术可以使用较低精度的数据表示，有效提升性能并缩小模型体积。

PaddlePaddle 部署选项#

在深入了解将 YOLO26 模型导出为 PaddlePaddle 格式的代码之前，我们先来看看 PaddlePaddle 模型适用的不同部署场景。

PaddlePaddle 提供多种选项，在易用性、灵活性和性能之间各有侧重：

  • Paddle Serving：该框架可以轻松地将 PaddlePaddle 模型部署为高性能 RESTful API。Paddle Serving 非常适合生产环境，提供模型版本管理、在线 A/B 测试以及处理大量请求所需的扩展能力。

  • Paddle Inference API：Paddle Inference API 让你能够对模型执行进行底层控制。如果你需要将模型紧密集成到自定义应用中，或针对特定硬件优化性能，这一选项非常适合。

  • Paddle Lite：Paddle Lite 专为资源有限的移动设备和嵌入式设备部署而设计。它可以优化模型，以便在 ARM CPU、GPU 和其他专用硬件上缩小模型体积并加快推理速度。

  • Paddle.js：Paddle.js 支持你直接在 Web 浏览器中部署 PaddlePaddle 模型。Paddle.js 可以加载预训练模型，也可以使用 Paddle.js 提供的模型转换工具转换来自 paddle-hub的模型。它可以在支持 WebGL/WebGPU/WebAssembly 的浏览器中运行。

支持的任务#

PaddlePaddle 导出支持 Ultralytics 的全部七种任务。语义分割和深度估计仅适用于 YOLO26，因为只有 YOLO26 系列提供这两种模型头。

任务YOLOv8YOLO11YOLO26
检测✅✅✅
分割✅✅✅
语义分割❌❌✅
深度估计❌❌✅
分类✅✅✅
姿态✅✅✅
OBB✅✅✅

导出为 PaddlePaddle 格式：转换 YOLO26 模型#

将 YOLO26 模型转换为 PaddlePaddle 格式，可以提升执行灵活性，并针对各种部署场景优化性能。

安装#

要安装所需软件包，请运行：

安装
# Install the required package for YOLO26
pip install ultralytics

有关安装流程的详细说明和最佳实践，请查看我们的 Ultralytics 安装指南。安装 YOLO26 所需的软件包时，如果遇到困难，请查阅我们的常见问题指南，获取解决方案和建议。

用法#

所有 Ultralytics YOLO26 模型都支持导出，你可以浏览完整的导出格式和选项列表，找到最适合你部署需求的方案。

PaddlePaddle 格式支持导出、预测和验证模式。导出模型后，加载导出的模型即可运行推理或验证准确率。

导出
from ultralytics import YOLO

# 加载 YOLO26 模型
model = YOLO("yolo26n.pt")

# 将模型导出为 PaddlePaddle 格式
model.export(format="paddle")  # creates 'yolo26n_paddle_model'
预测
from ultralytics import YOLO

# 加载导出的 PaddlePaddle 模型
model = YOLO("./yolo26n_paddle_model")

# 运行推理
results = model("https://ultralytics.com/images/bus.jpg")
验证
from ultralytics import YOLO

# 加载导出的 PaddlePaddle 模型
model = YOLO("./yolo26n_paddle_model")

# 在 COCO8 数据集上验证准确率
metrics = model.val(data="coco8.yaml")

导出参数#

参数类型默认值说明
formatstr'paddle'导出模型的目标格式，用于定义与各种部署环境的兼容性。
imgszint 或 tuple640模型输入所需的图像尺寸。正方形图像可使用整数；若要指定具体尺寸，则可使用元组 (height, width)。
quantizeint 或 strNone固定为 FP32 导出。PaddlePaddle 导出不支持在导出时进行 FP16、INT8 或 W8A16 精度转换。
batchint1指定导出模型的批量推理大小，或导出模型在 predict 模式下可同时处理的最大图像数。
devicestrNone指定导出设备：CPU (device=cpu)，Apple 芯片上的 MPS (device=mps)。

有关导出流程的更多详情，请访问 Ultralytics 导出文档页面。

部署导出的 YOLO26 PaddlePaddle 模型#

成功将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式后，就可以部署模型了。运行 PaddlePaddle 模型的首选步骤是使用 YOLO("yolo26n_paddle_model/") 方法，如前面的用法代码片段所示。

如需深入了解如何在其他各种场景中部署 PaddlePaddle 模型，请参阅以下资源：

  • Paddle Serving：了解如何使用 Paddle Serving 将 PaddlePaddle 模型部署为高性能服务。

  • Paddle Lite：了解如何使用 Paddle Lite 优化模型并将模型部署到移动设备和嵌入式设备上。

  • Paddle.js：了解如何在 Web 浏览器中运行 PaddlePaddle 模型，以实现客户端 AI。

总结#

本指南介绍了将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式的流程。按照这些步骤，你就可以在各种部署场景中发挥 PaddlePaddle 的优势，针对不同的硬件和软件环境优化模型。

如需了解更多使用详情，请访问 PaddlePaddle 官方文档。

想了解更多集成 Ultralytics YOLO26 模型的方法吗？我们的集成指南页面介绍了各种选项，并提供实用资源和见解。

常见问题#

  • 将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式非常简单。你可以使用 YOLO 类的 export 方法进行转换。下面是一个 Python 示例：

    用法
    from ultralytics import YOLO

# 加载 YOLO26 模型
model = YOLO("yolo26n.pt")

# 将模型导出为 PaddlePaddle 格式
model.export(format="paddle")  # creates 'yolo26n_paddle_model'

# 加载导出的 PaddlePaddle 模型
paddle_model = YOLO("./yolo26n_paddle_model")

# 运行推理
results = paddle_model("https://ultralytics.com/images/bus.jpg")

    如需了解更详细的设置和故障排查信息，请参阅 Ultralytics 安装指南和常见问题指南。

  • PaddlePaddle 在模型部署方面有以下几项主要优势：

    • 性能优化：PaddlePaddle 擅长高效执行模型并减少内存使用。
    • 动态图转静态图编译：支持动态图转静态图编译，从而进行运行时优化。
    • 算子融合：通过合并兼容的操作，减少计算开销。
    • 量化技术：支持训练后量化和量化感知训练，采用低精度数据表示以提升性能。

    将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式，可以在各种应用和硬件平台上实现更出色的效果，同时确保灵活性和高性能。你可以在 PaddlePaddle 官方文档中了解 PaddlePaddle 的主要特性和功能。

  • PaddlePaddle 由百度开发，针对工业和商业 AI 部署进行了优化。其庞大的开发者社区和功能强大的框架提供了与 TensorFlow 和 PyTorch 类似的丰富工具。将 YOLO26 模型导出为 PaddlePaddle 格式后，你可以充分利用以下优势：

    • 性能提升：实现最佳执行速度并减少内存占用。
    • 灵活性：广泛兼容各种设备，从智能手机到云服务器均可使用。
    • 可扩展性：具备高效的分布式并行处理能力。

    这些特性使 PaddlePaddle 成为在生产环境中部署 YOLO26 模型的理想选择。

  • PaddlePaddle 采用多种先进技术来优化模型性能：

    • 动态图转静态图：将模型转换为静态计算图，以便进行运行时优化。
    • 算子融合：合并兼容的操作，以尽量减少内存传输并提升推理速度。
    • 量化：使用低精度数据缩小模型体积并提升效率，同时保持准确率。

    这些技术注重高效执行模型，使 PaddlePaddle 成为部署高性能 YOLO26 模型的理想选择。如需了解更多优化信息，请参阅 PaddlePaddle 官方文档。

  • PaddlePaddle 提供灵活的部署选项：

    • Paddle Serving：将模型部署为 RESTful API，适合生产环境，并支持模型版本管理和在线 A/B 测试等功能。
    • Paddle Inference API：对模型执行进行底层控制，适用于自定义应用。
    • Paddle Lite：针对移动设备和嵌入式设备的有限资源优化模型。
    • Paddle.js：支持直接在 Web 浏览器中部署模型。

    这些选项覆盖了广泛的部署场景，从设备端推理到可扩展的云服务都包括在内。你可以在 Ultralytics 模型部署选项页面中了解更多部署策略。

贡献者
GLglenn-jocher21LAlakshanthad3RIRizwanMunawar2ABabirami-vina2HIhim2him21PDpderrenger1MAMatthewNoyce1BUBurhan-Q1

评论