Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Exportieren von Ultralytics YOLO11 mit der PaddlePaddle
Lerne, wie du Ultralytics YOLO wie Ultralytics YOLO11 mit PaddlePaddle exportieren kannst, um sie effizient auf Edge-, Mobil- und Cloud-Plattformen einzusetzen.
Mit den Fortschritten der künstlichen Intelligenz (KI) werden Maschinen immer besser in der Lage, die Welt um sie herum zu verstehen. Ein wichtiger Bereich, der diesen Fortschritt vorantreibt, ist die Computer Vision, ein Zweig der KI, der es Maschinen ermöglicht, visuelle Daten zu interpretieren und Entscheidungen zu treffen.
Vom Erkennen von Verkehrsschildern im Auto bis hin zum Überprüfen von Regalen im Einzelhandel - Computer Vision ist heute Teil vieler alltäglicher Werkzeuge. Diese Aufgaben beruhen auf KI-Modellen, die ein Foto oder Video schnell scannen und erkennen können, was wichtig ist.
Im Laufe der Zeit sind diese Modelle schneller und genauer geworden, sodass sie in Bereichen wie Landwirtschaft, Gesundheitswesen, Sicherheit und Einzelhandel nützlich sind. Ein Beispiel, Ultralytics YOLO11 ist ein Modell, das eine Reihe von Computer-Vision-Aufgaben schnell und präzise erledigen kann. Es kann Objekte erkennen und klassifizieren, Bewegungen verfolgen und Körperhaltungen einschätzen.
Ein wichtiger Teil des Übergangs von der Forschung zu realen Anwendungen ist der Einsatz von Computer Vision. Sobald ein Modell trainiert wurde, ist der nächste Schritt, es auf Geräten wie Telefonen, Edge-Hardware oder Cloud-Servern laufen zu lassen.
Abb. 1. Der Einsatz von Modellen ist ein wichtiger Teil eines jeden Computer Vision Projekts.
Um dies zu unterstützen, können Ultralytics YOLO wie YOLO11 je nach Zielplattform in verschiedene Formate exportiert werden. Eines dieser Formate ist PaddlePaddle, ein Open-Source-KI-Framework, das den effizienten Einsatz von Modellen und Schlussfolgerungen auf einer Vielzahl von Geräten und Systemen ermöglicht.
In diesem Artikel erfahren wir, wie Ultralytics YOLO11 über die von Ultralytics unterstützte PaddlePaddle exportiert werden kann, um einen effizienten Einsatz auf verschiedenen Plattformen zu ermöglichen.
Was ist PaddlePaddle?
Der Einsatz von KI-Modellen außerhalb von Forschungsumgebungen, z. B. auf mobilen Geräten oder Edge-Hardware, kann manchmal schwierig sein, vor allem, wenn sie effizient laufen und möglichst wenig Ressourcen verbrauchen sollen. PaddlePaddle ist ein Deep-Learning-Framework, das genau dabei helfen soll.
Es ist eine chinesische Open-Source-Plattform, deren Name für Parallel Distributed Deep Learning steht. Entwickelt von Baidu, einem Unternehmen, das für seine Arbeit im Bereich KI und Software-Infrastruktur bekannt ist, wurde PaddlePaddle speziell für reale Anwendungen und nicht nur für die Forschung entwickelt.
Entwickler/innen können Modelle im PaddlePaddle auf Servern, Edge-Geräten und sogar auf mobiler Hardware ausführen. Sie unterstützt auch Tools, die die KI-Entwicklung vereinfachen, darunter Low-Code- und No-Code-Optionen. Die Plattform hat eine starke Entwicklergemeinschaft mit über 4,7 Millionen Nutzern und wird in einer Vielzahl von Branchen eingesetzt, darunter das Gesundheitswesen, die Landwirtschaft, die Produktion und das Finanzwesen.
Hauptmerkmale von PaddlePaddle
Hier sind einige der wichtigsten Funktionen, die PaddlePaddle dabei helfen, Modelle auf realen Geräten effizienter auszuführen:
Umwandlung von dynamischen in statische Graphen: Mit dieser Funktion wird ein flexibles Modell in eine feste Version umgewandelt, die reibungsloser und berechenbarer läuft. Ein festes Modell ist einfacher zu optimieren und schneller bei der Erstellung von Vorhersagen.
Bedienerfusion: PaddlePaddle kann mehrere Schritte im Modell zu einem einzigen zusammenfassen. Das reduziert den Speicherbedarf des Modells und hilft ihm, schneller zu laufen. Stell dir vor, du fasst mehrere Aufgaben zu einer einzigen Aktion zusammen, um Zeit zu sparen.
Quantisierung: Dadurch wird das Modell kleiner, indem einfachere Zahlen verwendet werden (z. B. durch Runden auf weniger Dezimalstellen). So kann das Modell auch auf Geräten mit begrenzter Leistung, wie z. B. Handys oder Smart-Kameras, ausgeführt werden, ohne dass es an Genauigkeit verliert.
Abb. 2. Vorteile der Verwendung von PaddlePaddle. Bild vom Autor.
Ein Überblick über den Einsatz von YOLO11 mit PaddlePaddle
Die von Ultralytics unterstützte PaddlePaddle macht es einfacher, von der Schulung zum Einsatz zu kommen. Entwickler, die bereits PaddlePaddle verwenden, können YOLO11 leichter in ihre Arbeitsabläufe einbinden.
Das Ultralytics Python unterstützt den direkten Export von YOLO11 in das PaddlePaddle , so dass Entwickler trainierte Modelle ohne zusätzliche Tools oder manuelle Konvertierungsschritte einsetzen können.
Der Export kann entweder über die Kommandozeile oder über Python erfolgen, sodass die Entwickler die Methode wählen können, die am besten zu ihrem Arbeitsablauf passt. Das hilft, die Dinge einfach zu halten und verringert die Wahrscheinlichkeit von Problemen bei der Einrichtung. Nach dem Export kann das Modell für Computer Vision-Aufgaben wie Objekterkennung, Bildklassifizierung, Posenschätzung und Instanzsegmentierung verwendet werden.
Es ist eine großartige Option für Einsatzszenarien, in denen Geräte nur über begrenzten Speicher verfügen oder eine schnelle Verarbeitung erfordern. Die exportierten Modelle sind so optimiert, dass sie auch auf ressourcenbeschränkten Systemen effizient laufen.
Wie exportiere ich YOLO11 ins PaddlePaddle ?
Es sind nur ein paar Schritte nötig, um YOLO11 in das PaddlePaddle zu exportieren.
Der erste Schritt besteht darin, das Ultralytics Python mit einem Paketmanager wie "pip" zu installieren. Dazu führst du den Befehl "pip install ultralytics" in deiner Eingabeaufforderung oder deinem Terminal aus, um loszulegen.
Das Ultralytics enthält Werkzeuge zum Trainieren, Auswerten, Feinabstimmen, Exportieren und Einsetzen von Modellen für eine Reihe von Computer Vision-Aufgaben. Solltest du während der Installation auf Probleme stoßen, findest du im Leitfaden für allgemeine Probleme Tipps zur Fehlerbehebung.
Sobald deine Umgebung eingerichtet ist, kannst du ein trainiertes YOLO11 wie "yolo11n.pt" laden und exportieren (siehe unten). Du kannst auch dein eigenes YOLO11 exportieren.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")
Nachdem dein Modell in das PaddlePaddle konvertiert wurde, kann es in verschiedenen Szenarien auf unterschiedlichen Hardwaretypen eingesetzt werden.
Im folgenden Beispiel laden wir ein YOLO11 , das in das PaddlePaddle exportiert wurde, und verwenden es, um eine Vorhersage zu treffen. Dieser Prozess, der auch als "Inferenz" bezeichnet wird, bedeutet einfach, dass das Modell verwendet wird, um neue Daten zu analysieren. Hier testen wir das Modell mit einem Bild von zwei Hunden.
Nachdem du den Code ausgeführt hast, wird das Ausgabebild mit den Vorhersagen des Modells automatisch im Ordner "runs/detect/predict" gespeichert.
Abb. 3. Verwendung des exportierten YOLO11 zur Erkennung von Objekten in einem Bild. Bild vom Autor.
Einsatz von YOLO11 mit dem PaddlePaddle
PaddlePaddle bietet mehrere Deployment-Tools, die jeweils für verschiedene Geräte und Anwendungsfälle wie Cloud-Umgebungen, eingebettete Systeme und Webanwendungen geeignet sind. Hier sind einige der wichtigsten Einsatzmöglichkeiten:
Paddle Serving: Es hilft dabei, Modelle als REST-APIs bereitzustellen, was es zu einer guten Wahl für Cloud- oder Server-Umgebungen macht, die Funktionen wie Versionskontrolle und Online-Tests benötigen.
Paddle Inference API: Sie gibt dir mehr Kontrolle darüber, wie die Modelle laufen, was hilfreich ist, wenn du die Leistung feinabstimmen oder eine eigene Anwendungslogik erstellen musst.
Paddle Lite: Es wurde für den leichtgewichtigen Einsatz auf mobilen Geräten, Tablets und eingebetteten Systemen entwickelt. Es ist für kleinere Modelle und schnellere Inferenzen auf Hardware mit begrenzten Ressourcen optimiert.
Paddle.js: Damit kannst du KI-Modelle mit Technologien wie WebGL und WebAssembly in Webbrowsern ausführen, was für interaktive Demos und browserbasierte Tools nützlich ist.
Abb. 4. Die Einsatzmöglichkeiten von PaddlePaddle. Bild vom Autor.
Sobald du das richtige Werkzeug für dein Setup ausgewählt hast, kannst du das exportierte Modell laden. Die PaddlePaddle kümmert sich um die nächsten Schritte. Sie lädt das Modell, verarbeitet das Eingangsbild und gibt die Ergebnisse zurück.
Wann solltest du die PaddlePaddle wählen?
Das Ultralytics Python unterstützt auch verschiedene andere Exportformate, sodass du dich vielleicht fragen wirst: Wann ist PaddlePaddle die richtige Wahl?
PaddlePaddle ist eine zuverlässige Option, wenn du Modelle auf Geräten mit begrenzten Ressourcen, wie Smartphones, eingebetteten Systemen oder Edge-Hardware, einsetzen willst. Es eignet sich auch hervorragend für Echtzeitanwendungen, die eine schnelle, effiziente Leistung benötigen, wie z. B. die Objekterkennung in mobilen Apps, die visuelle Überwachung in Smart-Kameras oder die Posenschätzung direkt auf dem Gerät ohne Cloud-Unterstützung.
Wenn das Projekt darüber hinaus offline oder in Umgebungen mit geringer Konnektivität laufen muss, kannst du die Integration von PaddlePaddle in Betracht ziehen. Anwendungen wie visuelle Inspektionstools in der Fertigung, Handheld-Geräte für Erhebungen vor Ort oder KI-fähige Scanner im Einzelhandel können von PaddlePaddleschlanker Laufzeit und flexiblen Einsatzmöglichkeiten profitieren.
Zu beachtende Einschränkungen des PaddlePaddle
PaddlePaddle bietet zwar interessante Einsatzmöglichkeiten, aber es gibt auch einige Einschränkungen, die du beachten solltest:
Kleinere globale Gemeinschaft: Außerhalb von China ist die Zahl der Nutzer und Mitwirkenden relativ klein. Das kann es schwieriger machen, Community-Support, gelöste GitHub-Probleme oder Stack Overflow-Antworten zu finden.
Höhere Lernkurve für Nicht-Baidu-Tools: PaddlePaddle lässt sich nahtlos in das Baidu-Ökosystem integrieren, aber die Nutzung außerhalb dieses Kontextes kann zusätzliche Konfigurations- und Einrichtungsschritte erfordern.
Weniger Integrationen mit Mainstream-ML-Tools: PaddlePaddle ist nur begrenzt mit gängigen Tools wie Hugging Face Transformers, MLflow oder Kubernetes-nativen KI-Diensten kompatibel.
Die wichtigsten Erkenntnisse
Die von Ultralytics unterstützte PaddlePaddle macht es einfach, YOLO11 zu exportieren und auf einer Reihe von Geräten einzusetzen. Das ist besonders nützlich für Projekte, die eine effiziente Leistung auf dem Gerät erfordern - wie mobile Apps, intelligente Kameras oder eingebettete Systeme.
Mit nur wenigen Schritten kannst du leistungsstarke Bildverarbeitungsmodelle in reale Anwendungen bringen. Da sich die Computer Vision immer weiter entwickelt, ist es mit Tools wie YOLO und PaddlePaddle einfacher denn je, schnelle, intelligente Systeme zu entwickeln - von Verbrauchergeräten bis hin zu Industriewerkzeugen.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
AR
TR
VI
