16. Mai 2025
Erfahren Sie, wie Sie Ultralytics YOLO-Modelle wie Ultralytics YOLO11 mit PaddlePaddle exportieren können, um sie effizient über 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.
Von der Erkennung von Verkehrsschildern in Autos bis hin zur Überprüfung von Regalen in Einzelhandelsgeschäften - 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, so dass sie in Bereichen wie Landwirtschaft, Gesundheitswesen, Sicherheit und Einzelhandel nützlich sind. Ultralytics YOLO11 beispielsweise 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 entscheidender Schritt auf dem Weg von der Forschung zu realen Anwendungen ist der Einsatz von Computer Vision. 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.
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-Format 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-Integration erleichtert den Übergang von der Schulung zur Bereitstellung. Entwickler, die bereits PaddlePaddle-Tools verwenden, können YOLO11 leichter 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 einsetzen können.
Der Exportvorgang kann entweder über die Befehlszeile oder über Python-Code 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 nur über begrenzten Speicher verfügen oder eine schnelle Verarbeitung erfordern. Die exportierten Modelle sind so optimiert, dass sie auch auf Systemen mit eingeschränkten Ressourcen effizient laufen.
Es sind nur wenige Schritte nötig, um YOLO11 in das PaddlePaddle-Modellformat zu exportieren.
Der erste Schritt besteht darin, das Ultralytics-Python-Paket 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-Paket 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-Modell wie "yolo11n.pt" laden und exportieren, wie unten gezeigt. Sie können auch Ihr eigenes, individuell 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 ein YOLO11-Modell, das in das PaddlePaddle-Format 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 "runs/detect/predict" 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-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 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 bildverarbeitungsbasierte Überwachung in intelligenten 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 PaddlePaddle-Integration in Betracht ziehen. Anwendungen wie visuelle Inspektionstools in der Fertigung, Handheld-Geräte für Felduntersuchungen oder KI-fähige Scanner für den Einzelhandel können von PaddlePaddles schlanker Laufzeit und flexiblen Bereitstellungsoptionen profitieren.
Obwohl PaddlePaddle interessante Einsatzmöglichkeiten bietet, sind einige einschränkende Faktoren zu beachten:
Die von Ultralytics unterstützte PaddlePaddle-Integration macht es einfach, YOLO11-Modelle 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.
Werden Sie noch heute Mitglied unserer wachsenden Gemeinschaft! Tauchen Sie tiefer in die KI ein, indem Sie unser GitHub-Repository erkunden. Möchten Sie Ihre eigenen Computer-Vision-Projekte entwickeln? Erkunden Sie unsere Lizenzierungsoptionen. Erfahren Sie, wie Computer Vision im Gesundheitswesen die Effizienz verbessert, und erkunden Sie die Auswirkungen von KI im Einzelhandel auf unseren Lösungsseiten!
