开始使用

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 YOLO 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,你可以优化自己的 Ultralytics YOLO26 模型,以便在 PaddlePaddle 框架中使用。PaddlePaddle 以支持工业部署而闻名,是在各个领域的真实场景中部署计算机视觉应用的不错选择。

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 格式后,你可以利用 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占用,因此 YOLO26 模型可以在实际场景中高效运行。

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。这些技术使用较低精度的数据表示来提升性能并缩小模型体积。

PaddlePaddle 部署选项#

PaddlePaddle 模型可以通过多种方式部署。

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:该框架简化了将 PaddlePaddle 模型部署为高性能 RESTful API 的流程。Paddle Serving 适用于生产环境,提供模型版本管理、在线 A/B 测试和扩展能力,以处理大量请求。

  • 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,你就可以部署模型了。运行 PaddlePaddle 模型的首选第一步,是使用 YOLO("yolo26n_paddle_model/") 方法,具体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,你可以在各种部署场景中利用 PaddlePaddle 的优势,并针对不同的软硬件环境优化模型。

如需了解更多使用详情,请访问 PaddlePaddle 官方文档。

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 注重高效执行模型并减少内存占用。
    • 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,可使用较低精度的数据表示来提升性能。

    将 Ultralytics YOLO26 模型导出为 PaddlePaddle,可以让模型在各种应用和硬件平台上兼具灵活性与性能。

  • 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成熟的框架提供了类似 TensorFlow 和 PyTorch 的工具。将 YOLO26 模型导出为 PaddlePaddle 后,你可以获得以下优势:

    • 性能提升:执行速度快,内存占用更低。
    • 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 使用多种模型性能优化技术:

    • 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,因此 PaddlePaddle 适合用于部署高性能 YOLO26 模型。

  • PaddlePaddle 提供灵活的部署选项:

    • Paddle Serving:将模型部署为 RESTful API,适用于生产环境,并提供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。

评论4

提出问题、分享结果,或帮助其他人。

  1. cadpmGitHub

    Dear team, your converter does not work with PaddleX as it does not generate the YAML file in the inference folder, making it impossible to deploy the converted model. PaddlePaddle cannot teach how to work with this file due to licensing conflicts.

    n fact, nowhere in the PaddlePaddle or PaddleX repositories do they teach how to work with external or converted models.

    1. Glenn JocherUltralytics

      @cadpm thank you for bringing this to our attention. While the Ultralytics export tool facilitates converting YOLO11 models to PaddlePaddle format, it currently doesn't generate a YAML file for PaddleX inference. For specific guidance on handling PaddlePaddle models in PaddleX, consulting their official documentation or community forums might provide additional insights. If you encounter issues with the export process itself, please refer to our Ultralytics documentation for troubleshooting tips.

    2. cadpmGitHub

      Unfortunately, I haven't been able to find a solution on either side. For this reason, I have written to you to report this issue. If I ask in the Paddle forum, no one has worked on this issue, and the same happens on the YOLOv11 side—they don't work with Paddle.

    3. Glenn JocherUltralytics

      @cadpm thank you for reporting this issue. While our export tool supports conversion to PaddlePaddle, integration with PaddleX requires additional steps beyond our current documentation. I recommend reaching out to the PaddlePaddle community for specific guidance on importing and using converted models with PaddleX, as they might have insights on handling this integration. If you need further assistance with the export process itself, feel free to check our PaddlePaddle export guide.