如何从 YOLO26 模型导出为 PaddlePaddle 格式#

在各种条件下，将现实场景中的计算机视觉模型从开发阶段部署到实际应用，可能存在困难。PaddlePaddle 专注于灵活性、性能以及分布式环境中的并行处理能力，使这一过程更加简单。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，从智能手机到基于云的服务器均可。

导出为 PaddlePaddle 模型格式后，你可以优化 Ultralytics YOLO26模型，使其在 PaddlePaddle 框架中使用。PaddlePaddle 以支持工业部署而闻名，是在各个领域的现实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？#

由百度开发的 PaddlePaddle（PA并行 D分布式 D深度 LE学习）是中国首个开源深度学习平台。与主要为研究而构建的一些框架不同，PaddlePaddle 优先考虑易用性以及在各行业中的顺畅集成。

它提供了类似于 TensorFlow 和 PyTorch 等热门框架的工具和资源，使各种经验水平的开发者都能轻松使用。从农业、工厂到服务业，PaddlePaddle 规模超过 477 万的开发者社区正在帮助创建和部署 AI 应用。

将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式后，你可以利用 PaddlePaddle 在性能优化方面的优势。PaddlePaddle 优先实现高效的模型执行并减少内存使用。因此，你的 YOLO26 模型有望实现更高的性能，在实际场景中提供出色的结果。

PaddlePaddle 模型的主要特性#

PaddlePaddle 模型具备一系列主要特性，有助于其在各种部署场景中实现灵活性、性能和可扩展性：

• 动态图转静态图：PaddlePaddle 支持动态图转静态图编译，可以将模型转换为静态计算图。这能够实现优化，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。这些技术支持使用低精度数据表示，从而有效提升性能并减小模型大小。

PaddlePaddle 中的部署选项#

在开始编写将 YOLO26 模型导出为 PaddlePaddle 的代码之前，我们先来了解 PaddlePaddle 模型适用的各种部署场景。

PaddlePaddle 提供了多种选项，每种选项在易用性、灵活性和性能之间都有不同的平衡：

• Paddle Serving：该框架简化了将 PaddlePaddle 模型部署为高性能 RESTful API 的过程。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可扩展性等功能。

• Paddle Inference API：Paddle Inference API 让你能够对模型执行进行底层控制。当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时，这一选项非常适用。

• 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。它针对更小的模型大小以及 ARM CPU、GPU 和其他专用硬件上的更快推理进行优化。

• Paddle.js：Paddle.js 支持你直接在 Web 浏览器中部署 PaddlePaddle 模型。Paddle.js 既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 的全部七项任务。语义分割和深度估计仅适用于 YOLO26，因为只有 YOLO26 系列提供这些检测头。

导出为 PaddlePaddle：转换你的 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#

要安装所需的软件包，请运行：

# 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，请参阅我们的 Ultralytics 安装指南。在为 YOLO26 安装所需软件包时，如果遇到任何困难，请参阅我们的常见问题指南以获取解决方案和建议。

使用方法#

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，找到最符合部署需求的选项。

PaddlePaddle 格式支持 Export、Predict 和 Validate 模式。导出模型，然后加载导出的模型以运行推理或验证其准确性。

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")

导出参数#

如需详细了解导出流程，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，你现在就可以部署它们了。运行 PaddlePaddle 模型的首要且推荐的第一步，是使用 YOLO("yolo26n_paddle_model/") 方法，如前面的用法代码片段所示。

不过，如需了解在其他各种环境中部署 PaddlePaddle 模型的详细说明，请查看以下资源：

• 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 在移动设备和嵌入式设备上优化和部署模型。

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

总结#

在本指南中，我们介绍了将 Ultralytics YOLO26 模型导出为 PaddlePaddle 格式的过程。按照这些步骤操作，你可以利用 PaddlePaddle 在各种部署场景中的优势，针对不同的硬件和软件环境优化模型。

如需进一步了解使用详情，请访问 PaddlePaddle 官方文档。

想要探索更多集成 Ultralytics YOLO26 模型的方法？我们的集成指南页面介绍了各种选项，为你提供有价值的资源和见解。

常见问题#