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

À mesure que l’intelligence artificielle (AI) progresse, les machines comprennent de mieux en mieux le monde qui les entoure. La vision par ordinateur, une branche de l’AI qui permet aux machines d’interpréter les données visuelles et de prendre des décisions en fonction de celles-ci, est l’un des principaux moteurs 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 reposent sur des modèles d’AI appliquée à la vision, 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 gérer toute une gamme de tâches de vision par ordinateur avec rapidité et précision. Il peut détecter et classifier des objets, suivre des mouvements et estimer des poses corporelles.

Le déploiement est une étape essentielle 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 edge ou des serveurs cloud.

Fig. 1. Le déploiement des modèles est une étape clé de tout projet de vision par ordinateur.

Pour faciliter cela, les modèles Ultralytics YOLO, comme YOLO11, peuvent être exportés dans différents formats selon la plateforme cible. L’un de ces formats est PaddlePaddle, un framework d’AI open source qui permet un déploiement et une inférence efficaces des modèles sur un large éventail d’appareils et de systèmes.

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

Qu’est-ce que PaddlePaddle ?#

Déployer des modèles d’AI en dehors des environnements de recherche, par exemple sur des appareils mobiles ou du matériel edge, peut parfois être complexe, notamment lorsque tu dois les exécuter efficacement en utilisant un minimum de ressources. PaddlePaddle est un framework de deep learning conçu précisément pour cela.

Il s’agit d’une plateforme open source chinoise, dont le nom signifie Parallel Distributed Deep Learning. Développée par Baidu, une entreprise réputée pour ses travaux dans l’AI et les infrastructures logicielles, PaddlePaddle a été créée spécialement pour les applications concrètes, et pas uniquement pour la recherche.

Les développeurs peuvent exécuter des modèles au format PaddlePaddle sur des serveurs, des appareils edge et même du matériel mobile. La plateforme prend également en charge des outils qui simplifient le développement de solutions d’AI, notamment des options low-code et no-code. Elle dispose d’une solide communauté de développeurs comptant plus de 4,7 millions d’utilisateurs et est utilisée dans de nombreux secteurs, notamment la santé, l’agriculture, l’industrie manufacturière et la finance.

Fonctionnalités clés de PaddlePaddle#

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

• Conversion de graphe dynamique en graphe statique : cette fonctionnalité transforme un modèle flexible en une version fixe qui s’exécute de manière plus fluide et plus prévisible. Un modèle fixe est plus facile à optimiser et plus rapide lors des prédictions.
• Fusion d’opérateurs : PaddlePaddle peut combiner plusieurs étapes du modèle en une seule. Cela réduit la quantité de mémoire utilisée par le modèle et l’aide à s’exécuter plus rapidement. Imagine que tu regroupes plusieurs tâches 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 s’exécuter sur des appareils peu puissants, comme des téléphones ou des caméras intelligentes, sans perdre beaucoup en précision.

Fig. 2. Avantages de l’utilisation de PaddlePaddle. Image réalisée par 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 plus facilement YOLO11 à leurs workflows.

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

Le processus d’exportation peut être effectué depuis la ligne de commande ou avec du code Python, ce qui permet aux développeurs de choisir la méthode la mieux adaptée à leur workflow. 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 telles que la détection d’objets, la classification d’images, l’estimation de poses et la segmentation d’instances.

C’est une excellente option pour les scénarios de déploiement où les appareils disposent d’une mémoire limitée ou nécessitent un traitement rapide. Les modèles exportés sont optimisés pour s’exécuter efficacement, même sur des systèmes aux ressources limitées.

Comment exporter les modèles Ultralytics YOLO11 au format PaddlePaddle#

Il suffit de quelques étapes pour exporter Ultralytics YOLO11 au format de modèle PaddlePaddle.

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

Le package Ultralytics fournit des outils pour entraîner, évaluer, ajuster, exporter et déployer des modèles pour toute une gamme de tâches de vision par ordinateur. Si tu rencontres des problèmes lors de l’installation, consulte le guide des problèmes courants pour obtenir des conseils de dépannage.

Une fois ton environnement configuré, tu peux charger et exporter un modèle YOLO11 préentraîné, comme « 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 plusieurs types de matériel.

Par exemple, 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 exécution d’une inférence, consiste simplement à utiliser le modèle pour analyser de nouvelles données. Ici, nous le testons avec 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 est automatiquement enregistrée dans le dossier « runs/detect/predict ».

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

Déployer Ultralytics YOLO11 avec le framework PaddlePaddle#

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

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

Fig. 4. Options de déploiement proposées par PaddlePaddle. Image réalisée par l’auteur.

Une fois que tu as choisi l’outil adapté à ta configuration, 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 plusieurs autres formats d’exportation, et tu peux donc te demander : quand PaddlePaddle est-il le bon choix ?

PaddlePaddle est une option fiable lorsque tu souhaites déployer des modèles sur des appareils aux ressources limitées, comme des smartphones, des systèmes embarqués ou du matériel edge. C’est également un excellent choix pour les applications en temps réel nécessitant des performances rapides et efficaces, comme la détection d’objets dans des applications mobiles, la surveillance basée sur la vision dans des caméras intelligentes ou l’estimation de poses exécutée directement sur l’appareil, sans prise en charge cloud.

De plus, si le projet doit fonctionner hors ligne ou dans des environnements disposant d’une connectivité limitée, tu peux envisager d’utiliser l’intégration PaddlePaddle. Des applications comme les outils d’inspection visuelle dans l’industrie manufacturière, les appareils portables pour les relevés sur le terrain ou les scanners de commerce de détail dotés d’AI peuvent tirer parti du runtime léger et des options de déploiement flexibles de PaddlePaddle.

Limites de PaddlePaddle à prendre en compte#

Bien que PaddlePaddle offre des fonctionnalités de déploiement intéressantes, voici quelques facteurs contraignants à connaître :

• Communauté mondiale plus restreinte : en dehors de la Chine, la base d’utilisateurs et de contributeurs est relativement limitée. Il peut donc 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 avec les outils autres que ceux de Baidu : PaddlePaddle s’intègre facilement à l’écosystème de Baidu, mais son utilisation en dehors de ce contexte peut nécessiter des étapes supplémentaires de configuration et de mise en place.
• Moins d’intégrations avec les outils ML courants : PaddlePaddle offre une compatibilité limitée avec des outils courants comme Hugging Face Transformers, MLflow ou les services d’AI 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 un large éventail d’appareils. Elle est particulièrement utile pour les projets nécessitant 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. À mesure que la vision par ordinateur continue de progresser, des outils comme YOLO et PaddlePaddle facilitent plus que jamais la création de systèmes rapides et intelligents, depuis les appareils grand public jusqu’aux outils industriels.

Rejoins notre communauté grandissante dès aujourd’hui ! Approfondis tes connaissances en AI en explorant notre dépôt GitHub. Tu souhaites 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 l’impact de l’AI dans le commerce de détail en consultant nos pages consacrées aux solutions !