16 maggio 2025
Scopri come esportare modelli Ultralytics YOLO come Ultralytics YOLO11 con PaddlePaddle per un'implementazione efficiente su piattaforme edge, mobile e cloud.
Con l'avanzare dell'intelligenza artificiale (IA), le macchine stanno diventando sempre più capaci di comprendere il mondo che le circonda. Un'area chiave che guida questo progresso è la computer vision, una branca dell'IA che consente alle macchine di interpretare e prendere decisioni basate su dati visivi.
Dall'aiutare le auto a riconoscere i segnali stradali al controllo degli scaffali nei negozi al dettaglio, la computer vision fa ora parte di molti strumenti di uso quotidiano. Queste attività si basano su modelli di Vision AI in grado di scansionare rapidamente una foto o un video e identificare ciò che è importante.
Nel tempo, questi modelli sono diventati più veloci e precisi, rendendoli utili in aree come l'agricoltura, la sanità, la sicurezza e la vendita al dettaglio. Ad esempio, Ultralytics YOLO11 è un modello creato per gestire una serie di attività di computer vision con velocità e precisione. Può rilevare e classificare oggetti, tracciare il movimento e stimare le pose del corpo.
Una parte fondamentale del passaggio dalla ricerca sulla computer vision alle applicazioni nel mondo reale è l'implementazione. Una volta che un modello è stato addestrato, il passo successivo è eseguirlo su dispositivi come telefoni, hardware edge o server cloud.
A supporto di ciò, i modelli Ultralytics YOLO come YOLO11 possono essere esportati in vari formati a seconda della piattaforma di destinazione. Uno di questi formati è PaddlePaddle, un framework AI open-source che consente l'implementazione e l'inferenza efficiente dei modelli su una vasta gamma di dispositivi e sistemi.
In questo articolo, esploreremo come Ultralytics YOLO11 può essere esportato tramite l'integrazione PaddlePaddle supportata da Ultralytics per consentire un'implementazione efficiente su varie piattaforme.
L'implementazione di modelli di IA al di fuori degli ambienti di ricerca, come su dispositivi mobili o hardware edge, può essere a volte complicata, soprattutto quando è necessario che funzionino in modo efficiente e utilizzino risorse minime. PaddlePaddle è un framework di deep learning progettato per aiutare proprio in questo.
È una piattaforma cinese open-source, con il suo nome che sta per Parallel Distributed Deep Learning. Sviluppato da Baidu, una società ben nota per il suo lavoro nell'intelligenza artificiale e nell'infrastruttura software, PaddlePaddle è stato creato appositamente per applicazioni reali, non solo per la ricerca.
Gli sviluppatori possono eseguire modelli in formato PaddlePaddle su server, dispositivi edge e persino hardware mobile. Supporta inoltre strumenti che semplificano lo sviluppo dell'IA, incluse opzioni low-code e no-code. La piattaforma vanta una solida community di sviluppatori con oltre 4,7 milioni di utenti ed è utilizzata in diversi settori, tra cui sanità, agricoltura, produzione e finanza.
Ecco alcune delle caratteristiche principali che aiutano PaddlePaddle a eseguire i modelli in modo più efficiente su dispositivi reali:
L'integrazione di PaddlePaddle supportata da Ultralytics semplifica il passaggio dall'addestramento alla distribuzione. Gli sviluppatori che già utilizzano gli strumenti PaddlePaddle possono integrare più facilmente YOLO11 nei loro flussi di lavoro.
Il pacchetto Python Ultralytics supporta l'esportazione diretta dei modelli YOLO11 nel formato PaddlePaddle, consentendo agli sviluppatori di effettuare il deployment dei modelli addestrati senza strumenti aggiuntivi o passaggi di conversione manuale.
Il processo di esportazione può essere eseguito utilizzando la riga di comando o il codice Python, in modo che gli sviluppatori possano scegliere il metodo più adatto al loro flusso di lavoro. Questo aiuta a mantenere le cose semplici e riduce la possibilità di problemi di configurazione. Una volta esportato, il modello può essere utilizzato per attività di computer vision come il rilevamento di oggetti, la classificazione di immagini, la stima della posa e la segmentazione di istanze.
È un'ottima opzione per scenari di deployment in cui i dispositivi hanno memoria limitata o richiedono un'elaborazione rapida. I modelli esportati sono ottimizzati per funzionare in modo efficiente, anche su sistemi con risorse limitate.
Sono necessari solo pochi passaggi per esportare YOLOv8 nel formato modello PaddlePaddle.
Il primo passo è installare il pacchetto Python Ultralytics utilizzando un gestore di pacchetti come ‘pip’. Questo può essere fatto eseguendo il comando “pip install ultralytics” nel prompt dei comandi o nel terminale per iniziare.
Il pacchetto Ultralytics fornisce strumenti per l'addestramento, la valutazione, la messa a punto, l'esportazione e il deployment di modelli per una vasta gamma di attività di computer vision. Se riscontri problemi durante l'installazione, consulta la guida ai problemi comuni per suggerimenti sulla risoluzione dei problemi.
Una volta configurato il tuo ambiente, puoi caricare ed esportare un modello YOLO11 pre-addestrato come “yolo11n.pt” come mostrato di seguito. Puoi anche esportare il tuo modello YOLO11 addestrato personalizzato.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")Dopo che il modello è stato convertito nel formato PaddlePaddle, può essere implementato in vari scenari su diversi tipi di hardware.
Ad esempio, nell'esempio seguente, stiamo caricando un modello YOLO11 che è stato esportato in formato PaddlePaddle e lo stiamo utilizzando per fare una previsione. Questo processo, noto come esecuzione di un'inferenza, significa semplicemente utilizzare il modello per analizzare nuovi dati. Qui, lo stiamo testando con un'immagine di due cani.
paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)Dopo aver eseguito il codice, l'immagine di output con le previsioni del modello verrà salvata automaticamente nella cartella “runs/detect/predict”.
PaddlePaddle offre diversi strumenti di implementazione, ognuno adatto a diversi dispositivi e casi d'uso come ambienti cloud, sistemi embedded e applicazioni web. Ecco alcune delle principali opzioni di implementazione:
Una volta scelto lo strumento giusto per la tua configurazione, puoi caricare il modello esportato. Il motore PaddlePaddle si occupa dei passaggi successivi. Carica il modello, elabora l'immagine di input e restituisce i risultati.
Il pacchetto Python Ultralytics supporta anche vari altri formati di esportazione, quindi potresti chiederti: quando PaddlePaddle è la scelta giusta?
PaddlePaddle è un'opzione affidabile quando si desidera implementare modelli su dispositivi con risorse limitate, come smartphone, sistemi embedded o hardware edge. È anche ottimo per applicazioni in tempo reale che necessitano di prestazioni rapide ed efficienti, come il rilevamento di oggetti in app mobili, il monitoraggio basato sulla visione in telecamere intelligenti o la stima della posa eseguita direttamente sul dispositivo senza supporto cloud.
Oltre a questo, se il progetto deve essere eseguito offline o in ambienti con connettività limitata, si può considerare l'utilizzo dell'integrazione PaddlePaddle. Applicazioni come gli strumenti di ispezione visiva nella produzione, i dispositivi portatili per i rilievi sul campo o gli scanner al dettaglio abilitati all'AI possono beneficiare del runtime leggero e delle opzioni di implementazione flessibili di PaddlePaddle.
Sebbene PaddlePaddle offra interessanti funzionalità di deployment, ecco alcuni fattori limitanti di cui essere consapevoli:
L'integrazione di PaddlePaddle supportata da Ultralytics semplifica l'esportazione e la distribuzione dei modelli YOLO11 su una vasta gamma di dispositivi. È particolarmente utile per i progetti che richiedono prestazioni efficienti sul dispositivo, come app mobili, smart camera o sistemi embedded.
Con pochi passaggi, puoi integrare potenti modelli di visione in applicazioni del mondo reale. Mentre la computer vision continua ad avanzare, strumenti come YOLO e PaddlePaddle stanno rendendo più facile che mai la creazione di sistemi veloci e intelligenti in ogni ambito, dai dispositivi consumer agli strumenti industriali.
Unisciti alla nostra community in crescita oggi stesso! Approfondisci la tua conoscenza dell'IA esplorando il nostro repository GitHub. Vuoi realizzare i tuoi progetti di computer vision? Esplora le nostre opzioni di licenza. Scopri come la computer vision nel settore sanitario sta migliorando l'efficienza ed esplora l'impatto dell'IA nel retail visitando le nostre pagine dedicate alle soluzioni!
.webp)
