16. Mai 2025
Erfahren Sie, wie Sie Ultralytics YOLO wie Ultralytics YOLO11 mit PaddlePaddle exportieren können, um sie effizient über Edge-, Mobil- und Cloud-Plattformen einzusetzen.
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. Ein Beispiel, Ultralytics YOLO11 ist ein Modell, das entwickelt wurde, um eine Reihe von Computer-Vision-Aufgaben schnell und präzise zu erledigen. Es kann Objekte detect und classify , Bewegungen track und Körperhaltungen einschätzen.
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 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 untersuchen wir, wie Ultralytics YOLO11 über die von Ultralytics unterstützte PaddlePaddle exportiert werden kann, um eine effiziente Bereitstellung auf verschiedenen Plattformen zu ermöglichen.
Der Einsatz von KI-Modellen außerhalb von Forschungsumgebungen, z. B. auf mobilen Geräten oder Edge-Hardware, kann manchmal schwierig sein, insbesondere wenn sie effizient laufen und nur minimale Ressourcen verbrauchen sollen. PaddlePaddle ist ein Deep-Learning-Framework, das genau dabei helfen soll.
Es handelt sich um 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 können Modelle im PaddlePaddle auf Servern, Edge-Geräten und sogar mobiler Hardware ausführen. Die Plattform unterstützt auch Tools, die die KI-Entwicklung vereinfachen, einschließlich Low-Code- und No-Code-Optionen. Die Plattform hat eine starke Entwickler-Community mit über 4,7 Millionen Nutzern und wird in einer Vielzahl von Branchen eingesetzt, darunter Gesundheitswesen, Landwirtschaft, Fertigung und Finanzen.
Hier sind einige der wichtigsten Funktionen, die PaddlePaddle helfen, Modelle effizienter auf realen Geräten auszuführen:
Die von Ultralytics unterstützte PaddlePaddle erleichtert den Übergang von der Schulung zur Bereitstellung. Entwickler, die bereits PaddlePaddle verwenden, können YOLO11 leichter in ihre Arbeitsabläufe integrieren.
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 Exportvorgang kann entweder über die Befehlszeile oder über Python erfolgen, so dass die Entwickler die Methode wählen können, die am besten zu ihrem Arbeitsablauf passt. Dies trägt dazu bei, die Dinge einfach zu halten und die Wahrscheinlichkeit von Einrichtungsproblemen zu verringern. 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 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 nötig, um YOLO11 in das PaddlePaddle zu exportieren.
Der erste Schritt besteht darin, das Python mit einem Paketmanager wie "pip" zu installieren. Führen Sie dazu den Befehl "pip install ultralytics" in Ihrer Eingabeaufforderung oder Ihrem Terminal aus, um zu beginnen.
Das Ultralytics bietet Werkzeuge zum Trainieren, Bewerten, 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 für allgemeine Probleme Tipps zur Fehlerbehebung.
Sobald Ihre Umgebung eingerichtet ist, können Sie ein vortrainiertes YOLO11 wie "yolo11n.pt" laden und exportieren, wie unten gezeigt. Sie können auch Ihr eigenes, individuell trainiertes YOLO11 exportieren.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")Nachdem Ihr 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 als Inferenz bezeichnete Vorgang 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 Ausführung des Codes wird das Ausgabebild mit den Vorhersagen des Modells automatisch im Ordner "detect" gespeichert.
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 Bereitstellungsoptionen:
Sobald Sie das richtige Werkzeug für Ihr Setup ausgewählt haben, können Sie das exportierte Modell laden. Die PaddlePaddle kümmert sich um die nächsten Schritte. Sie lädt das Modell, verarbeitet das Eingabebild und gibt die Ergebnisse zurück.
Das Ultralytics Python unterstützt auch verschiedene andere Exportformate, so dass Sie sich vielleicht fragen werden: Wann ist PaddlePaddle die richtige Wahl?
PaddlePaddle ist eine zuverlässige Option, wenn Sie Modelle auf Geräten mit begrenzten Ressourcen, wie Smartphones, eingebetteten Systemen oder Edge-Hardware, einsetzen möchten. PaddlePaddle eignet sich auch hervorragend für Echtzeitanwendungen, die eine schnelle, effiziente Leistung benötigen, wie z. B. die Objekterkennung in mobilen Apps, die bildbasierte Überwachung in Smart-Kameras oder die Posenschätzung, die direkt auf dem Gerät ohne Cloud-Unterstützung ausgeführt wird.
Wenn das Projekt darüber hinaus offline oder in Umgebungen mit geringer Konnektivität ausgeführt werden muss, können Sie die Integration von PaddlePaddle in Betracht ziehen. Anwendungen wie visuelle Inspektionstools in der Fertigung, Handheld-Geräte für Felduntersuchungen oder KI-fähige Scanner für den Einzelhandel können von PaddlePaddleschlanker Laufzeit und flexiblen Bereitstellungsoptionen profitieren.
Obwohl PaddlePaddle interessante Einsatzmöglichkeiten bietet, sind einige einschränkende Faktoren zu beachten:
Die von Ultralytics unterstützte PaddlePaddle macht es einfach, YOLO11 zu exportieren und auf einer Reihe von Geräten einzusetzen. Sie 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 Bildverarbeitungsmodelle in reale Anwendungen integrieren. Da sich die Computer Vision immer weiter entwickelt, machen es Tools wie YOLO und PaddlePaddle einfacher als je zuvor, schnelle, intelligente Systeme für alle Bereiche zu entwickeln - von Verbrauchergeräten bis hin zu industriellen Werkzeugen.
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)