16. Mai 2025
Erfahren Sie, wie Sie Ultralytics YOLO-Modelle wie Ultralytics YOLO11 mit PaddlePaddle exportieren, um sie effizient auf Edge-, Mobil- und Cloud-Plattformen bereitzustellen.
Mit dem Fortschritt der künstlichen Intelligenz (KI) werden Maschinen immer besser darin, die Welt um sie herum zu verstehen. Ein wichtiger Bereich, der diesen Fortschritt vorantreibt, ist Computer Vision, ein Zweig der KI, der es Maschinen ermöglicht, visuelle Daten zu interpretieren und auf deren Grundlage Entscheidungen zu treffen.
Von der Unterstützung von Autos bei der Erkennung von Verkehrsschildern bis zur Überprüfung von Regalen in Einzelhandelsgeschäften ist Computer Vision heute Teil vieler alltäglicher Werkzeuge. Diese Aufgaben basieren auf Vision-KI-Modellen, die schnell ein Foto oder Video scannen und erkennen können, was wichtig ist.
Im Laufe der Zeit sind diese Modelle schneller und genauer geworden, was sie in Bereichen wie Landwirtschaft, Gesundheitswesen, Sicherheit und Einzelhandel nützlich macht. Zum Beispiel ist Ultralytics YOLO11 ein Modell, das entwickelt wurde, um eine Reihe von Computer-Vision-Aufgaben schnell und präzise zu bewältigen. Es kann Objekte erkennen und klassifizieren, Bewegungen verfolgen und Körperhaltungen schätzen.
Ein wichtiger Schritt, um Computer Vision von der Forschung in reale Anwendungen zu überführen, ist die Bereitstellung. Sobald ein Modell trainiert wurde, besteht der nächste Schritt darin, es auf Geräten wie Telefonen, Edge-Hardware oder Cloud-Servern auszuführen.
Um dies zu unterstützen, können Ultralytics YOLO-Modelle wie YOLO11 je nach Zielplattform in verschiedene Formate exportiert werden. Eines dieser Formate ist PaddlePaddle, ein Open-Source-KI-Framework, das eine effiziente Modellbereitstellung und Inferenz auf einer Vielzahl von Geräten und Systemen ermöglicht.
In diesem Artikel werden wir untersuchen, wie Ultralytics YOLO11 über die von Ultralytics unterstützte PaddlePaddle-Integration exportiert werden kann, um eine effiziente Bereitstellung auf verschiedenen Plattformen zu ermöglichen.
Die Bereitstellung von KI-Modellen außerhalb von Forschungsumgebungen, wie z. B. auf mobilen Geräten oder Edge-Hardware, kann manchmal schwierig sein, insbesondere wenn sie effizient laufen und minimale 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. PaddlePaddle wurde von Baidu entwickelt, einem Unternehmen, das für seine Arbeit in den Bereichen KI und Softwareinfrastruktur bekannt ist, und wurde speziell für reale Anwendungen und nicht nur für die Forschung entwickelt.
Entwickler können Modelle im PaddlePaddle-Format auf Servern, Edge-Geräten und sogar mobiler Hardware ausführen. Es unterstützt auch Tools, die die KI-Entwicklung vereinfachen, einschließlich Low-Code- und No-Code-Optionen. Die Plattform verfügt über eine starke Entwickler-Community mit über 4,7 Millionen Nutzern und wird in einer Vielzahl von Branchen eingesetzt, darunter das Gesundheitswesen, die Landwirtschaft, die Fertigung und das Finanzwesen.
Hier sind einige der wichtigsten Funktionen, die PaddlePaddle dabei helfen, Modelle effizienter auf realen Geräten auszuführen:
Die von Ultralytics unterstützte PaddlePaddle-Integration vereinfacht den Übergang vom Training zur Bereitstellung. Entwickler, die bereits PaddlePaddle-Tools verwenden, können YOLO11 einfacher in ihre Arbeitsabläufe integrieren.
Das Ultralytics Python-Paket unterstützt den direkten Export von YOLO11-Modellen in das PaddlePaddle-Format, so dass Entwickler trainierte Modelle ohne zusätzliche Tools oder manuelle Konvertierungsschritte bereitstellen können.
Der Exportprozess kann entweder über die Befehlszeile oder per Python-Code erfolgen, sodass Entwickler die Methode wählen können, die am besten zu ihrem Workflow passt. Dies trägt zur Vereinfachung bei und reduziert die Wahrscheinlichkeit von Einrichtungsproblemen. Nach dem Export kann das Modell für Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung, Pose-Schätzung und Instanzsegmentierung verwendet werden.
Es ist eine großartige Option für Einsatzszenarien, in denen Geräte über einen begrenzten Speicher verfügen oder eine schnelle Verarbeitung erfordern. Die exportierten Modelle sind für einen effizienten Betrieb optimiert, selbst auf ressourcenbeschränkten Systemen.
Es sind nur wenige Schritte erforderlich, um YOLO11 in das PaddlePaddle-Modellformat zu exportieren.
Der erste Schritt ist die Installation des Ultralytics Python-Pakets mit einem Paketmanager wie ‘pip’. Dies kann durch Ausführen des Befehls “pip install ultralytics” in Ihrer Eingabeaufforderung oder Ihrem Terminal erfolgen, um loszulegen.
Das Ultralytics-Paket bietet Tools zum Trainieren, Evaluieren, Feinabstimmen, Exportieren und Bereitstellen von Modellen für eine Reihe von Computer-Vision-Aufgaben. Wenn Sie während der Installation auf Probleme stoßen, finden Sie im Leitfaden zu häufigen Problemen Tipps zur Fehlerbehebung.
Sobald Ihre Umgebung eingerichtet ist, können Sie ein vortrainiertes YOLO11-Modell wie “yolo11n.pt” laden und exportieren, wie unten gezeigt. Sie können auch Ihr eigenes, benutzerdefiniert trainiertes YOLO11-Modell exportieren.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")Nachdem Ihr Modell in das PaddlePaddle-Format konvertiert wurde, kann es in verschiedenen Szenarien auf unterschiedlichen Hardwaretypen eingesetzt werden.
Im folgenden Beispiel laden wir beispielsweise ein YOLO11-Modell, das in das PaddlePaddle-Format exportiert wurde, und verwenden es, um eine Vorhersage zu treffen. Dieser Prozess, der als Inferenz bezeichnet wird, bedeutet einfach, dass das Modell zur Analyse neuer Daten verwendet wird. Hier testen wir es mit einem Bild von zwei Hunden.
paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)Nach dem Ausführen des Codes wird das Ausgabebild mit den Vorhersagen des Modells automatisch im Ordner „runs/detect/predict“ gespeichert.
PaddlePaddle bietet verschiedene Bereitstellungstools, die jeweils für unterschiedliche Geräte und Anwendungsfälle wie Cloud-Umgebungen, eingebettete Systeme und Webanwendungen geeignet sind. Hier sind einige der wichtigsten Bereitstellungsoptionen:
Sobald Sie das richtige Tool für Ihre Einrichtung ausgewählt haben, können Sie das exportierte Modell laden. Die PaddlePaddle-Engine kümmert sich um die nächsten Schritte. Sie lädt das Modell, verarbeitet das Eingabebild und gibt die Ergebnisse zurück.
Das Ultralytics Python-Paket unterstützt auch verschiedene andere Exportformate, so dass Sie sich vielleicht fragen: Wann ist PaddlePaddle die richtige Wahl?
PaddlePaddle ist eine zuverlässige Option, wenn Sie Modelle auf Geräten mit begrenzten Ressourcen bereitstellen möchten, wie z. B. Smartphones, eingebettete Systeme oder Edge-Hardware. Es eignet sich auch hervorragend für Echtzeitanwendungen, die eine schnelle, effiziente Leistung benötigen, wie z. B. Objekterkennung in mobilen Apps, bildbasierte Überwachung in intelligenten Kameras oder Pose-Schätzung, die direkt auf dem Gerät ohne Cloud-Unterstützung ausgeführt wird.
Darüber hinaus können Sie die PaddlePaddle-Integration in Betracht ziehen, wenn das Projekt offline oder in Umgebungen mit geringer Konnektivität ausgeführt werden muss. Anwendungen wie visuelle Inspektionswerkzeuge in der Fertigung, Handheld-Geräte für Feldstudien oder KI-gestützte Einzelhandelsscanner können von der schlanken Laufzeitumgebung und den flexiblen Bereitstellungsoptionen von PaddlePaddle profitieren.
Obwohl PaddlePaddle interessante Deployment-Funktionen bietet, sind hier einige einschränkende Faktoren zu beachten:
Die von Ultralytics unterstützte PaddlePaddle-Integration macht es einfach, YOLO11-Modelle zu exportieren und auf einer Reihe von Geräten bereitzustellen. Dies 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 können Sie leistungsstarke Vision-Modelle in realen Anwendungen einsetzen. Da Computer Vision immer weiter fortschreitet, machen es Tools wie YOLO und PaddlePaddle einfacher denn je, schnelle, intelligente Systeme für alles zu entwickeln, von Consumer-Geräten bis hin zu Industriewerkzeugen.
Treten Sie noch heute unserer wachsenden Community bei! Tauchen Sie tiefer in die KI ein, indem Sie unser GitHub-Repository erkunden. Möchten Sie Ihre eigenen Computer-Vision-Projekte entwickeln? Entdecken Sie unsere Lizenzoptionen. Erfahren Sie, wie Computer Vision im Gesundheitswesen die Effizienz verbessert, und erkunden Sie die Auswirkungen von KI im Einzelhandel, indem Sie unsere Lösungsseiten besuchen!
.webp)
