Exportieren von Ultralytics YOLO11 unter Verwendung der PaddlePaddle-Integration

Mit den Fortschritten in der künstlichen Intelligenz (KI) lernen Maschinen immer besser, die Welt um sie herum zu verstehen. Ein Hauptbereich, der diesen Fortschritt antreibt, ist computer vision, ein Zweig der KI, der es Maschinen ermöglicht, visuelle Daten zu interpretieren und basierend darauf Entscheidungen zu treffen.

Von der Erkennung von Verkehrsschildern bei Autos bis hin zur Überprüfung von Regalen im Einzelhandel ist Computer Vision mittlerweile fester Bestandteil vieler alltäglicher Werkzeuge. Diese Aufgaben basieren auf Vision-KI-Modellen, die Fotos oder Videos schnell scannen und identifizieren können, was wichtig ist.

Mit der Zeit sind diese Modelle schneller und präziser geworden, wodurch sie in Bereichen wie der Landwirtschaft, dem Gesundheitswesen, der Sicherheit und im Einzelhandel nützlich sind. 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 wesentlicher Teil bei der Überführung von Computer Vision aus der Forschung in reale Anwendungen ist die Bereitstellung (Deployment). Sobald ein Modell trainiert wurde, besteht der nächste Schritt darin, es auf Geräten wie Telefonen, Edge-Hardware oder Cloud-Servern auszuführen.

Abb. 1. Die Modellbereitstellung ist ein wichtiger Teil jedes Computer-Vision-Projekts.

Um dies zu unterstützen, können Ultralytics YOLO models 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 über eine Vielzahl von Geräten und Systemen hinweg ermöglicht.

In diesem Artikel untersuchen wir, wie Ultralytics YOLO11 über die von Ultralytics unterstützte PaddlePaddle integration exportiert werden kann, um eine effiziente Bereitstellung auf verschiedenen Plattformen zu ermöglichen.

Was ist PaddlePaddle?#

Die Bereitstellung von KI-Modellen außerhalb von Forschungsumgebungen, wie auf Mobilgeräten oder Edge-Hardware, kann manchmal schwierig sein, insbesondere wenn sie effizient laufen und nur minimale Ressourcen verbrauchen müssen. 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 Softwareinfrastruktur bekannt ist, wurde PaddlePaddle speziell für reale Anwendungen geschaffen, nicht nur für die Forschung.

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 Gesundheitswesen, Landwirtschaft, Fertigung und Finanzen.

Hauptmerkmale von PaddlePaddle#

Hier sind einige der Hauptmerkmale, die dazu beitragen, dass PaddlePaddle Modelle auf realen Geräten effizienter ausführt:

• Umwandlung von dynamischen in statische Graphen: Diese Funktion verwandelt ein flexibles Modell in eine feste Version, die reibungsloser und vorhersehbarer läuft. Ein festes Modell ist leichter zu optimieren und schneller bei der Erstellung von Vorhersagen.
• Operator-Fusion: PaddlePaddle kann mehrere Schritte im Modell zu einem kombinieren. Dies reduziert den Speicherverbrauch des Modells und hilft ihm, schneller zu laufen. Stell dir vor, du fasst mehrere Aufgaben zu einer einzigen Aktion zusammen, um Zeit zu sparen.
• Quantization: Dies macht das Modell kleiner, indem einfachere Zahlen verwendet werden (z. B. Runden auf weniger Dezimalstellen). Es hilft dem Modell, auf Geräten mit begrenzter Leistung wie Smartphones oder Überwachungskameras zu laufen, ohne nennenswert an Genauigkeit zu verlieren.

Abb. 2. Vorteile der Verwendung von PaddlePaddle. Bild vom Autor.

Eine Übersicht über die Bereitstellung von Ultralytics YOLO11 mit PaddlePaddle#

Die von Ultralytics unterstützte PaddlePaddle-Integration erleichtert den Übergang vom Training zur Bereitstellung. Entwickler, die bereits PaddlePaddle-Tools verwenden, können YOLO11 leichter in ihre Workflows integrieren.

Das Ultralytics Python-Paket unterstützt den direkten Export von YOLO11-Modellen in das PaddlePaddle-Format, sodass Entwickler trained models ohne zusätzliche Tools oder manuelle Kon Schritte bereitstellen können.

Der Exportvorgang kann entweder über die Befehlszeile oder per Python-Code durchgeführt werden, sodass Entwickler die Methode wählen können, die am besten zu ihrem Workflow passt. Dies trägt dazu bei, die Dinge einfach zu halten und das Risiko von Einrichtungsproblemen zu verringern. Nach dem Export kann das Modell für computer vision tasks wie Objekterkennung, Bildklassifizierung, Posenschätzung und Instanzsegmentierung verwendet werden.

Es ist eine großartige Option für Bereitstellungsszenarien, in denen Geräte nur über begrenzten Speicher verfügen oder eine schnelle Verarbeitung erfordern. Die exportierten Modelle sind darauf optimiert, selbst auf ressourcenbeschränkten Systemen effizient zu laufen.

Wie du Ultralytics YOLO11-Modelle in das PaddlePaddle-Format exportierst#

Es sind nur wenige Schritte erforderlich, um Ultralytics YOLO11 in das PaddlePaddle-Modellformat zu exportieren.

Der erste Schritt besteht darin, das Ultralytics Python package mit einem Paketmanager wie „pip“ zu installieren. Dazu kannst du den Befehl „pip install ultralytics“ in deiner Eingabeaufforderung oder deinem Terminal ausführen, um loszulegen.

Das Ultralytics-Paket bietet Tools zum Trainieren, Evaluieren, Fine-Tunen, Exportieren und Bereitstellen von Modellen für eine Reihe von Computer-Vision-Aufgaben. Wenn während der Installation Probleme auftreten, findest du im Common Issues guide Tipps zur Fehlerbehebung.

Sobald deine Umgebung eingerichtet ist, kannst du ein vortrainiertes YOLO11-Modell wie „yolo11n.pt“ laden und exportieren, wie unten gezeigt. Du kannst auch dein eigenes, benutzerdefiniert trainiertes YOLO11-Modell exportieren.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="paddle")

Nachdem dein Modell in das PaddlePaddle-Format konvertiert wurde, kann es in verschiedenen Szenarien auf verschiedenen Hardwaretypen bereitgestellt werden.

Zum Beispiel laden wir im folgenden Beispiel ein Ultralytics YOLO11-Modell, das in das PaddlePaddle-Format exportiert wurde, und verwenden es, um eine Vorhersage zu treffen. Dieser Prozess, der als Ausführen einer Inferenz bekannt ist, bedeutet einfach, dass das Modell neue Daten analysiert. 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.

Abb. 3: Verwendung des exportierten Ultralytics YOLO11-Modells zur Objekterkennung in einem Bild. Bild vom Autor.

Bereitstellung von Ultralytics YOLO11 mit dem PaddlePaddle-Framework#

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 deployment options:

• Paddle Serving: Es hilft dabei, Modelle als REST APIs bereitzustellen, was es zu einer guten Wahl für Cloud- oder Serverumgebungen macht, die Funktionen wie Versionskontrolle und Online-Tests benötigen.
• Paddle Inference API: Sie gibt dir mehr Kontrolle darüber, wie Modelle ausgeführt werden, was hilfreich ist, wenn du die Leistung feinabstimmen oder eine benutzerdefinierte Anwendungslogik erstellen musst.
• Paddle Lite: Es wurde für die leichtgewichtige Bereitstellung auf Mobilgeräten, Tablets und eingebetteten Systemen entwickelt. Es ist für kleinere Modelle und eine schnellere Inferenz auf Hardware mit begrenzten Ressourcen optimiert.
• Paddle.js: Damit kannst du KI-Modelle in Webbrowsern mithilfe von Technologien wie WebGL und WebAssembly ausführen, was für interaktive Demos und browserbasierte Tools nützlich ist.

Abb. 4. Von PaddlePaddle aktivierte Bereitstellungsoptionen. Bild vom Autor.

Sobald du das richtige Tool für dein Setup ausgewählt hast, kannst du 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.

Wann solltest du die PaddlePaddle-Integration wählen?#

Das Ultralytics Python-Paket unterstützt auch verschiedene andere export formats, sodass du dich vielleicht fragst: 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 bereitstellen möchtest. Es eignet sich auch hervorragend für Echtzeitanwendungen, die eine schnelle, effiziente Leistung erfordern, wie Objekterkennung in mobilen Apps, visionsbasierte Überwachung in Smart-Kameras oder Pose-Schätzung, die direkt auf dem Gerät ohne Cloud-Unterstützung ausgeführt wird.

Darüber hinaus kannst du 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, Handgeräte für Feldstudien oder KI-gestützte Einzelhandelsscanner können von der leichtgewichtigen Laufzeitumgebung und den flexiblen Bereitstellungsoptionen von PaddlePaddle profitieren.

Einschränkungen von PaddlePaddle, die zu beachten sind#

Während PaddlePaddle interessante Bereitstellungsmöglichkeiten bietet, sind hier einige einschränkende Faktoren, derer du dir bewusst sein solltest:

• Kleinere globale Community: Außerhalb von China ist die Basis an Nutzern und Mitwirkenden relativ klein. Dies kann es schwieriger machen, Community-Unterstützung, gelöste GitHub-Probleme oder Stack Overflow-Antworten zu finden.
• Steilere Lernkurve für Tools außerhalb von Baidu: PaddlePaddle integriert sich reibungslos in das Ökosystem von Baidu, aber die Verwendung außerhalb dieses Kontexts kann zusätzliche Konfigurations- und Einrichtungsschritte erfordern.
• Fewer integrations with mainstream ML tools: PaddlePaddle hat eine eingeschränkte Kompatibilität mit gängigen Tools wie Hugging Face Transformers, MLflow oder Kubernetes-nativen KI-Diensten.

Wichtige Erkenntnisse#

Die von Ultralytics unterstützte PaddlePaddle-Integration macht es einfach, YOLO11-Modelle auf einer Reihe von Geräten zu exportieren und bereitzustellen. Sie ist besonders nützlich für Projekte, die eine effiziente Leistung direkt auf dem Gerät erfordern – wie mobile Apps, Smart-Kameras oder eingebettete Systeme.

Mit nur wenigen Schritten kannst du leistungsstarke Vision-Modelle in reale Anwendungen bringen. Da Computer Vision weiter voranschreitet, machen Tools wie YOLO und PaddlePaddle es einfacher denn je, schnelle, intelligente Systeme aufzubauen, von Consumer-Geräten bis hin zu industriellen Werkzeugen.

Werde noch heute Teil unserer wachsenden community! Tauche tiefer in die KI ein, indem du unser GitHub repository erkundest. Möchtest du deine eigenen Computer-Vision-Projekte erstellen? Entdecke unsere licensing options. Erfahre, wie computer vision in healthcare die Effizienz steigert, und erkunde die Auswirkungen von AI in retail, indem du unsere Lösungsseiten besuchst!