Exportation d'Ultralytics YOLO11 en utilisant l'intégration PaddlePaddle

À mesure que l'intelligence artificielle (IA) progresse, les machines s'améliorent pour comprendre le monde qui les entoure. Un domaine clé qui stimule cette progression est la computer vision, une branche de l'IA qui permet aux machines d'interpréter et de prendre des décisions basées sur des données visuelles.

Qu'il s'agisse d'aider les voitures à reconnaître les panneaux de signalisation ou de vérifier les rayons dans les magasins de détail, la vision par ordinateur fait désormais partie de nombreux outils du quotidien. Ces tâches reposent sur des modèles d'IA visuelle capables d'analyser rapidement une photo ou une vidéo pour identifier ce qui est important.

Au fil du temps, ces modèles sont devenus plus rapides et plus précis, ce qui les rend utiles dans des domaines tels que l'agriculture, la santé, la sécurité et la vente au détail. Par exemple, Ultralytics YOLO11 est un modèle conçu pour gérer une gamme de tâches de vision par ordinateur avec vitesse et précision. Il peut détecter et classifier des objets, suivre des mouvements et estimer des poses corporelles.

Une partie essentielle du passage de la recherche en vision par ordinateur aux applications réelles est le déploiement. Une fois qu'un modèle a été 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 de modèles est un élément clé de tout projet de vision par ordinateur.

Pour soutenir cela, les Ultralytics YOLO models comme YOLO11 peuvent être exportés vers différents formats selon la plateforme cible. L'un de ces formats est PaddlePaddle, un framework d'IA open-source qui permet un déploiement et une inférence de modèles efficaces sur un large éventail d'appareils et de systèmes.

Dans cet article, nous allons explorer comment Ultralytics YOLO11 peut être exporté via l'PaddlePaddle integration prise en charge par Ultralytics pour permettre un déploiement efficace sur diverses plateformes.

Qu'est-ce que PaddlePaddle ?#

Déployer des modèles d'IA en dehors des environnements de recherche, comme sur des appareils mobiles ou du matériel de périphérie, peut parfois s'avérer délicat, surtout lorsque tu as besoin qu'ils s'exécutent efficacement et utilisent un minimum de ressources. PaddlePaddle est un deep learning framework conçu précisément pour cela.

C'est une plateforme chinoise open-source, dont le nom signifie Parallel Distributed Deep Learning. Développé par Baidu, une entreprise bien connue pour son travail dans l'IA et l'infrastructure logicielle, PaddlePaddle a été créé spécialement pour des applications réelles, et pas seulement pour la recherche.

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

Principales fonctionnalités de PaddlePaddle#

Voici quelques-unes des fonctionnalités clés qui aident PaddlePaddle à exécuter les modèles plus efficacement sur des appareils réels :

• Conversion de graphe dynamique vers statique : Cette fonctionnalité transforme un modèle flexible en une version fixe qui s'exécute de manière plus fluide et prévisible. Un modèle fixe est plus facile à optimiser et plus rapide lors de la réalisation de 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. Vois cela comme la combinaison de plusieurs tâches en une seule action pour gagner du temps.
• Quantization : cela rend le modèle plus petit en utilisant des nombres plus simples (comme l'arrondi à un plus petit nombre de décimales). Cela aide le modèle à s'exécuter sur des appareils à puissance limitée, comme les téléphones ou les caméras intelligentes, sans perdre beaucoup en précision.

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

Un aperçu 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 des outils PaddlePaddle peuvent intégrer plus facilement YOLO11 dans leurs flux de travail.

Le package Python d'Ultralytics prend en charge l'exportation directe des modèles YOLO11 vers le format PaddlePaddle, permettant aux développeurs de déployer des trained models sans outils supplémentaires ni étapes de conversion manuelles.

Le processus d'exportation peut être effectué à l'aide de la ligne de commande ou du code Python, de sorte que tu puisses choisir la méthode qui s'intègre le mieux à ton flux de travail. Cela aide à garder les choses simples et réduit le risque de problèmes de configuration. Une fois exporté, le modèle peut être utilisé pour des computer vision tasks telles que la détection d'objets, la classification d'images, l'estimation de pose et la segmentation d'instances.

C'est une excellente option pour les scénarios de déploiement où les appareils ont 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 des modèles Ultralytics YOLO11 au format PaddlePaddle#

Il ne faut que quelques étapes pour exporter Ultralytics YOLO11 vers le format de modèle PaddlePaddle.

La première étape consiste à installer le Ultralytics Python package à l'aide d'un gestionnaire de paquets comme « pip ». Tu peux le faire en exécutant la commande « pip install ultralytics » dans ton invite de commande ou ton terminal pour commencer.

Le package Ultralytics fournit des outils pour l'entraînement, l'évaluation, le réglage fin, l'exportation et le déploiement de modèles pour une gamme de tâches de vision par ordinateur. Si tu rencontres des problèmes lors de l'installation, consulte le Common Issues guide pour obtenir des conseils de dépannage.

Une fois ton environnement configuré, tu peux charger et exporter un modèle YOLO11 pré-entraîné tel que « yolo11n.pt » comme indiqué ci-dessous. Tu peux également exporter ton propre modèle YOLO11 personnalisé.

from ultralytics import YOLO

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

Une fois ton modèle converti au format PaddlePaddle, il peut être déployé dans divers scénarios sur différents types de matériel.

Par exemple, dans l'exemple ci-dessous, nous chargeons un modèle Ultralytics YOLO11 exporté au format PaddlePaddle et l'utilisons pour faire une prédiction. Ce processus, connu sous le nom d'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 avoir exécuté le code, l'image de sortie avec 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.

Déploiement d'Ultralytics YOLO11 en utilisant le framework PaddlePaddle#

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

• Paddle Serving : Il aide à déployer des modèles en tant qu'API REST, ce qui en fait un bon choix pour les environnements cloud ou serveur qui ont besoin de fonctionnalités comme le contrôle de version et les tests en ligne.
• Paddle Inference API : Il te donne plus de contrôle sur la façon dont les modèles s'exécutent, ce qui est utile lorsque tu as besoin d'affiner les performances ou de créer une logique d'application personnalisée.
• Paddle Lite : Il est conçu pour un déploiement léger sur des appareils mobiles, des tablettes et des systèmes embarqués. Il est optimisé pour des 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 en utilisant des technologies comme WebGL et WebAssembly, ce qui est utile pour les démonstrations interactives et les outils basés sur le navigateur.

Fig 4. Options de déploiement activées par PaddlePaddle. Image de l'auteur.

Une fois que tu as choisi le bon outil pour 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 devrais-tu choisir l'intégration PaddlePaddle ?#

Le package Python d'Ultralytics prend également en charge divers autres export formats, tu pourrais donc te demander : quand PaddlePaddle est-il le bon choix ?

PaddlePaddle est une option fiable lorsque tu cherches à déployer des modèles sur des appareils aux ressources limitées, tels que des smartphones, des systèmes embarqués ou du matériel « edge ». Il est également idéal pour les applications en temps réel qui nécessitent des performances rapides et efficaces, comme la détection d'objets dans les applications mobiles, la surveillance basée sur la vision dans les caméras intelligentes ou l'estimation de pose s'exécutant directement sur l'appareil sans support cloud.

Au-delà de cela, si le projet doit s'exécuter hors ligne ou dans des environnements à faible connectivité, 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 enquêtes sur le terrain ou les scanners de vente au détail basés sur l'IA peuvent bénéficier du runtime léger et des options de déploiement flexibles de PaddlePaddle.

Limites de PaddlePaddle à prendre en compte#

Bien que PaddlePaddle offre des capacités 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 petite. Cela peut rendre plus difficile la recherche de support communautaire, d'issues GitHub résolues ou de réponses sur Stack Overflow.
• Courbe d'apprentissage plus abrupte pour les outils non-Baidu : PaddlePaddle s'intègre en douceur avec l'écosystème de Baidu, mais l'utiliser en dehors de ce contexte peut impliquer des étapes de configuration et de mise en place supplémentaires.
• Moins d'intégrations avec les principaux outils de ML : PaddlePaddle a une compatibilité limitée avec les outils courants tels que Hugging Face Transformers, MLflow ou les services d'IA natifs de Kubernetes.

Points clés#

L'intégration PaddlePaddle prise en charge par Ultralytics facilite l'exportation et le déploiement des modèles YOLO11 sur toute une gamme d'appareils. C'est particulièrement utile pour les projets qui nécessitent 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 dans des applications réelles. À mesure que la vision par ordinateur continue de progresser, des outils comme YOLO et PaddlePaddle rendent plus facile que jamais la création de systèmes rapides et intelligents sur tout, des appareils grand public aux outils industriels.

Rejoins notre community en pleine croissance dès aujourd'hui ! Plonge plus profondément dans l'IA en explorant notre GitHub repository. Tu souhaites créer tes propres projets de vision par ordinateur ? Explore nos licensing options. Découvre comment computer vision in healthcare améliore l'efficacité et explore l'impact de AI in retail en visitant nos pages de solutions !