Exporter Ultralytics YOLO11 à l’aide de l’intégration PaddlePaddle

À mesure que l’intelligence artificielle (IA) progresse, les machines comprennent de mieux en mieux le monde qui les entoure. La vision par ordinateur, branche de l’IA qui permet aux machines d’interpréter des données visuelles et de prendre des décisions à partir de celles-ci, est un domaine clé de cette évolution.

Qu’il s’agisse d’aider les voitures à reconnaître les panneaux de signalisation ou de vérifier les rayons des magasins, la vision par ordinateur fait désormais partie de nombreux outils du quotidien. Ces tâches s’appuient sur des modèles d’IA visuelle capables d’analyser rapidement une photo ou une vidéo et d’identifier les éléments importants.

Au fil du temps, ces modèles sont devenus plus rapides et plus précis, ce qui les rend utiles dans des domaines comme l’agriculture, la santé, la sécurité et le commerce de détail. Par exemple, Ultralytics YOLO11 est un modèle conçu pour effectuer rapidement et précisément diverses tâches de vision par ordinateur. Il peut détecter et classer des objets, suivre des mouvements et estimer des poses corporelles.

Le déploiement est essentiel pour faire passer la vision par ordinateur de la recherche aux applications concrètes. Une fois le modèle entraîné, l’étape suivante consiste à l’exécuter sur des appareils tels que des téléphones, du matériel périphérique ou des serveurs cloud.

Fig. 1. Le déploiement d’un modèle est essentiel à tout projet de vision par ordinateur.

Pour cela, les modèles Ultralytics YOLO, comme YOLO11, peuvent être exportés dans différents formats en fonction de la plateforme cible. PaddlePaddle est l’un de ces formats : ce framework d’IA open source permet de déployer et d’exécuter efficacement des modèles sur un large éventail d’appareils et de systèmes.

Dans cet article, nous verrons comment exporter Ultralytics YOLO11 grâce à l’intégration PaddlePaddle prise en charge par Ultralytics, afin de permettre un déploiement efficace sur différentes plateformes.

Qu’est-ce que PaddlePaddle ?#

Le déploiement de modèles d’IA en dehors du cadre de la recherche, par exemple sur des appareils mobiles ou du matériel périphérique, peut parfois être complexe, surtout si tu as besoin de les exécuter efficacement avec un minimum de ressources. PaddlePaddle est un framework d’apprentissage profond conçu précisément pour répondre à ce besoin.

Cette plateforme open source chinoise tire son nom de « Parallel Distributed Deep Learning » (apprentissage profond parallèle et distribué). Développée par Baidu, une entreprise réputée pour ses travaux sur l’IA et les infrastructures logicielles, PaddlePaddle a été conçue spécifiquement pour les applications concrètes, et pas uniquement pour la recherche.

Les développeurs peuvent exécuter des modèles au format PaddlePaddle sur des serveurs, des appareils en périphérie et même du matériel mobile. La plateforme prend également en charge des outils qui simplifient le développement de l’IA, notamment des options low-code et no-code. Elle bénéficie d’une solide communauté de développeurs et est utilisée dans divers secteurs, notamment la santé, l’agriculture, l’industrie manufacturière et la finance.

Principales fonctionnalités de PaddlePaddle#

Voici quelques fonctionnalités clés qui permettent à PaddlePaddle d’exécuter plus efficacement des modèles sur des appareils utilisés dans le monde réel :

• Conversion d’un graphe dynamique en graphe statique : Cette fonctionnalité transforme un modèle flexible en une version fixe, plus fluide et plus prévisible à l’exécution. Un modèle fixe est plus facile à optimiser et effectue les prédictions plus rapidement.
• Fusion d’opérateurs : PaddlePaddle peut combiner plusieurs étapes du modèle en une seule. Cela réduit la quantité de mémoire utilisée par le modèle et accélère son exécution. Imagine que plusieurs tâches sont réunies en une seule action pour gagner du temps.
• Quantification : elle réduit la taille du modèle en utilisant des nombres plus simples (par exemple, en arrondissant à moins de décimales). Elle permet au modèle de fonctionner sur des appareils aux ressources limitées, comme les téléphones ou les caméras intelligentes, sans perte importante de précision.

Fig. 2. Avantages de l’utilisation de PaddlePaddle. Image de l’auteur.

Présentation du déploiement d’Ultralytics YOLO11 avec PaddlePaddle#

L’intégration PaddlePaddle prise en charge par Ultralytics facilite le passage de l’entraînement au déploiement. Les développeurs qui utilisent déjà les outils PaddlePaddle peuvent intégrer YOLO11 plus facilement à leurs workflows.

Le package Python Ultralytics prend en charge l’exportation directe des modèles YOLO11 au format PaddlePaddle, ce qui permet aux développeurs de déployer des modèles entraînés sans outils supplémentaires ni étapes de conversion manuelle.

L’exportation peut s’effectuer en ligne de commande ou avec du code Python : les développeurs peuvent donc choisir la méthode qui s’intègre le mieux à leur flux de travail. Cela simplifie le processus et réduit les risques de problèmes de configuration. Une fois exporté, le modèle peut être utilisé pour des tâches de vision par ordinateur, comme la détection d’objets, la segmentation d’instances, la classification d’images et l’estimation de pose.

C’est une excellente option pour les scénarios de déploiement où les appareils disposent d’une mémoire limitée ou doivent traiter les données rapidement. Les modèles exportés sont optimisés pour fonctionner efficacement, même sur des systèmes aux ressources limitées.

Comment exporter des modèles Ultralytics YOLO11 au format PaddlePaddle#

L’exportation d’Ultralytics YOLO11 au format de modèle PaddlePaddle ne nécessite que quelques étapes.

La première étape consiste à installer le package Python Ultralytics à l’aide d’un gestionnaire de paquets comme pip. Pour commencer, exécute la commande pip install ultralytics dans l’invite de commandes ou le terminal.

Le package Ultralytics fournit des outils pour entraîner, évaluer, ajuster, exporter et déployer des modèles destinés à diverses tâches de vision par ordinateur. Si tu rencontres des problèmes pendant l’installation, consulte le guide des problèmes courants pour trouver des conseils de dépannage.

Une fois ton environnement configuré, tu peux charger et exporter un modèle YOLO11 préentraîné, comme YOLO11n (yolo11n.pt), comme indiqué ci-dessous. Tu peux également exporter ton propre modèle YOLO11 entraîné sur mesure.

from ultralytics import YOLO

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

Une fois ton modèle converti au format PaddlePaddle, tu peux le déployer dans différents scénarios sur divers types de matériel.

Dans l’exemple ci-dessous, nous chargeons un modèle Ultralytics YOLO11 exporté au format PaddlePaddle et l’utilisons pour effectuer une prédiction. Ce processus, appelé inférence, consiste simplement à utiliser le modèle pour analyser de nouvelles données. Ici, nous le testons sur une image de deux chiens.

paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)

Après l’exécution du code, l’image de sortie contenant les prédictions du modèle sera automatiquement enregistrée dans le dossier runs/detect/predict.

Fig. 3. Utilisation du modèle Ultralytics YOLO11 exporté pour détecter des objets dans une image. Image de l’auteur.

Déployer Ultralytics YOLO11 avec le framework PaddlePaddle#

PaddlePaddle propose plusieurs outils de déploiement, chacun adapté à différents appareils et cas d’usage, comme les environnements cloud, les systèmes embarqués et les applications web. Voici quelques-unes des principales options de déploiement :

• Paddle Serving : Cet outil permet de déployer des modèles sous forme d’API REST, ce qui en fait un bon choix pour les environnements cloud ou serveur nécessitant des fonctionnalités comme la gestion des versions et les tests en ligne.
• API Paddle Inference : Elle te donne davantage de contrôle sur l’exécution des modèles, ce qui est utile lorsque tu dois optimiser les performances ou créer une logique d’application personnalisée.
• Paddle Lite : Cet outil est conçu pour un déploiement léger sur les appareils mobiles, les tablettes et les systèmes embarqués. Il est optimisé pour les modèles plus petits et une inférence plus rapide sur du matériel aux ressources limitées.
• Paddle.js : Il te permet d’exécuter des modèles d’IA dans les navigateurs web à l’aide de technologies comme WebGL et WebAssembly, ce qui est utile pour les démonstrations interactives et les outils accessibles depuis un navigateur.

Fig. 4. Options de déploiement prises en charge par PaddlePaddle. Image de l’auteur.

Une fois l’outil adapté à ta configuration choisi, tu peux charger le modèle exporté. Le moteur PaddlePaddle s’occupe des étapes suivantes : il charge le modèle, traite l’image d’entrée et renvoie les résultats.

Quand choisir l’intégration PaddlePaddle ?#

Le package Python Ultralytics prend également en charge divers autres formats d’exportation. Tu te demandes donc peut-être quand choisir PaddlePaddle.

PaddlePaddle est une option fiable si tu souhaites déployer des modèles sur des appareils aux ressources limitées, comme des smartphones, des systèmes embarqués ou du matériel périphérique. C’est aussi un bon choix pour les applications en temps réel qui nécessitent des performances rapides et efficaces, comme la détection d’objets dans des applications mobiles, la surveillance par vision avec des caméras intelligentes ou l’estimation de pose directement sur l’appareil, sans passer par le cloud.

Par ailleurs, si ton projet doit fonctionner hors ligne ou dans des environnements où la connectivité est limitée, tu peux envisager l’intégration PaddlePaddle. Les applications comme les outils d’inspection visuelle dans l’industrie manufacturière, les appareils portables pour les relevés sur le terrain ou les scanners de vente au détail intégrant l’IA peuvent tirer parti de l’environnement d’exécution léger de PaddlePaddle et de ses options de déploiement flexibles.

Limites de PaddlePaddle à prendre en compte#

PaddlePaddle offre des fonctionnalités de déploiement intéressantes, mais voici quelques contraintes à connaître :

• Communauté mondiale plus restreinte : En dehors de la Chine, la base d’utilisateurs et de contributeurs est relativement petite. Il peut alors être plus difficile de trouver de l’aide auprès de la communauté, des problèmes GitHub résolus ou des réponses sur Stack Overflow.
• Courbe d’apprentissage plus raide en dehors des outils Baidu : PaddlePaddle s’intègre facilement à l’écosystème Baidu, mais son utilisation en dehors de cet environnement peut nécessiter des étapes supplémentaires de configuration et de mise en place.
• Moins d’intégrations avec les outils de ML courants : PaddlePaddle présente une compatibilité limitée avec des outils courants comme Hugging Face Transformers, MLflow ou les services d’IA natifs de Kubernetes.

Points clés à retenir#

L’intégration PaddlePaddle prise en charge par Ultralytics facilite l’exportation et le déploiement des modèles YOLO11 sur différents appareils. Elle est particulièrement utile pour les projets qui exigent des performances efficaces directement sur l’appareil, comme les applications mobiles, les caméras intelligentes ou les systèmes embarqués.

En quelques étapes seulement, tu peux intégrer de puissants modèles de vision à des applications concrètes. Avec les progrès continus de la vision par ordinateur, des outils comme YOLO et PaddlePaddle facilitent plus que jamais la création de systèmes rapides et intelligents, des appareils grand public aux outils industriels.

Rejoins dès aujourd’hui notre communauté en pleine expansion ! Approfondis tes connaissances en IA en explorant notre dépôt GitHub. Tu veux créer tes propres projets de vision par ordinateur ? Découvre nos options de licence. Découvre comment la vision par ordinateur dans le secteur de la santé améliore l’efficacité et explore les effets de l’IA dans le commerce de détail en consultant nos pages de solutions !