Esportazione di Ultralytics YOLO11 utilizzando l’integrazione PaddlePaddle

Con il progresso dell'intelligenza artificiale (AI), le macchine stanno diventando sempre più capaci di comprendere il mondo che le circonda. Un'area fondamentale alla base di questo progresso è la visione artificiale, un ramo dell'AI che consente alle macchine di interpretare i dati visivi e prendere decisioni sulla base di essi.

Dall'aiutare le automobili a riconoscere i segnali stradali al controllare gli scaffali nei negozi al dettaglio, la visione artificiale fa ormai parte di molti strumenti di uso quotidiano. Queste attività si basano su modelli di AI per la visione che possono analizzare rapidamente una foto o un video e individuare ciò che è importante.

Nel tempo, questi modelli sono diventati più veloci e accurati, rendendoli utili in ambiti come agricoltura, sanità, sicurezza e commercio al dettaglio. Ad esempio, Ultralytics YOLO11 è un modello progettato per gestire un'ampia gamma di attività di visione artificiale con velocità e precisione. Può rilevare e classificare oggetti, tracciare i movimenti e stimare le pose del corpo.

Una parte fondamentale del passaggio della visione artificiale dalla ricerca alle applicazioni del mondo reale è la distribuzione. Una volta addestrato un modello, il passo successivo consiste nell'eseguirlo su dispositivi come telefoni, hardware edge o server cloud.

Fig. 1. La distribuzione del modello è una parte fondamentale di qualsiasi progetto di visione artificiale.

Per supportare questo processo, i modelli YOLO di Ultralytics come YOLO11 possono essere esportati in diversi formati a seconda della piattaforma di destinazione. Uno di questi formati è PaddlePaddle, un framework AI open source che consente una distribuzione e un'inferenza efficienti dei modelli su un'ampia gamma di dispositivi e sistemi.

In questo articolo esploreremo come esportare Ultralytics YOLO11 tramite l'integrazione PaddlePaddle supportata da Ultralytics, per consentire una distribuzione efficiente su diverse piattaforme.

Che cos'è PaddlePaddle?#

Distribuire modelli AI al di fuori degli ambienti di ricerca, ad esempio su dispositivi mobili o hardware edge, può essere talvolta complesso, soprattutto quando è necessario che funzionino in modo efficiente utilizzando risorse minime. PaddlePaddle è un framework di deep learning progettato proprio per aiutarti in questo.

È una piattaforma open source cinese, il cui nome sta per Parallel Distributed Deep Learning. Sviluppato da Baidu, un'azienda nota per il suo lavoro nell'ambito dell'AI e dell'infrastruttura software, PaddlePaddle è stato creato appositamente per le applicazioni del mondo reale, 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 di soluzioni AI, 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.

Funzionalità principali di PaddlePaddle#

Ecco alcune delle funzionalità principali che aiutano PaddlePaddle a eseguire i modelli in modo più efficiente sui dispositivi del mondo reale:

• Conversione da grafo dinamico a statico: questa funzionalità trasforma un modello flessibile in una versione fissa che funziona in modo più fluido e prevedibile. Un modello fisso è più facile da ottimizzare e più veloce durante le predizioni.
• Fusione degli operatori: PaddlePaddle può combinare più passaggi del modello in uno solo. Questo riduce la quantità di memoria utilizzata dal modello e ne aumenta la velocità di esecuzione. È come combinare diverse attività in un'unica azione per risparmiare tempo.
• Quantizzazione: rende il modello più piccolo utilizzando numeri più semplici, ad esempio arrotondando a un numero inferiore di cifre decimali. Aiuta il modello a funzionare su dispositivi con potenza limitata, come telefoni o fotocamere intelligenti, senza perdere molta accuratezza.

Fig. 2. Vantaggi dell'utilizzo di PaddlePaddle. Immagine dell'autore.

Panoramica della distribuzione di Ultralytics YOLO11 con PaddlePaddle#

L'integrazione PaddlePaddle supportata da Ultralytics semplifica il passaggio dall'addestramento alla distribuzione. Gli sviluppatori che utilizzano già gli strumenti PaddlePaddle possono integrare YOLO11 nei propri workflow più facilmente.

Il pacchetto Python di Ultralytics supporta l'esportazione diretta dei modelli YOLO11 nel formato PaddlePaddle, consentendo agli sviluppatori di distribuire modelli addestrati senza strumenti aggiuntivi o passaggi di conversione manuali.

Il processo di esportazione può essere eseguito utilizzando la riga di comando o codice Python, così puoi scegliere il metodo più adatto al tuo workflow. Questo aiuta a mantenere le operazioni semplici e riduce la probabilità di problemi di configurazione. Una volta esportato, il modello può essere utilizzato per attività di visione artificiale come il rilevamento degli oggetti, la classificazione delle immagini, la stima delle pose e la segmentazione delle istanze.

È un'ottima opzione per gli scenari di distribuzione 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.

Come esportare i modelli Ultralytics YOLO11 nel formato PaddlePaddle#

Per esportare Ultralytics YOLO11 nel formato del modello PaddlePaddle bastano pochi passaggi.

Il primo passaggio consiste nell'installare il pacchetto Python di Ultralytics utilizzando un gestore di pacchetti come ‘pip’. Per iniziare, puoi eseguire il comando “pip install ultralytics” nel prompt dei comandi o nel terminale.

Il pacchetto Ultralytics fornisce strumenti per l'addestramento, la valutazione, il fine-tuning, l'esportazione e la distribuzione di modelli per un'ampia gamma di attività di visione artificiale. Se riscontri problemi durante l'installazione, consulta la guida ai problemi comuni per suggerimenti sulla risoluzione dei problemi.

Dopo aver configurato l'ambiente, puoi caricare ed esportare un modello YOLO11 preaddestrato, come “yolo11n.pt”, come mostrato di seguito. Puoi anche esportare un 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 distribuito in diversi scenari e su vari tipi di hardware.

Ad esempio, nell'esempio seguente carichiamo un modello Ultralytics YOLO11 esportato nel formato PaddlePaddle e lo utilizziamo per effettuare una predizione. Questo processo, noto come esecuzione di un'inferenza, consiste semplicemente nell'utilizzare il modello per analizzare nuovi dati. In questo caso, lo testiamo 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 predizioni del modello verrà salvata automaticamente nella cartella “runs/detect/predict”.

Fig. 3. Utilizzo del modello Ultralytics YOLO11 esportato per rilevare oggetti in un'immagine. Immagine dell'autore.

Distribuzione di Ultralytics YOLO11 utilizzando il framework PaddlePaddle#

PaddlePaddle offre diversi strumenti di distribuzione, ciascuno adatto a dispositivi e casi d'uso differenti, come ambienti cloud, sistemi embedded e applicazioni web. Ecco alcune delle principali opzioni di distribuzione:

• Paddle Serving: aiuta a distribuire i modelli come REST API, rappresentando una scelta valida per ambienti cloud o server che richiedono funzionalità come il controllo delle versioni e i test online.
• Paddle Inference API: offre un maggiore controllo sul funzionamento dei modelli, risultando utile quando devi ottimizzare le prestazioni o creare una logica applicativa personalizzata.
• Paddle Lite: è progettato per la distribuzione leggera su dispositivi mobili, tablet e sistemi embedded. È ottimizzato per modelli più piccoli e un'inferenza più rapida su hardware con risorse limitate.
• Paddle.js: consente di eseguire modelli AI nei browser web utilizzando tecnologie come WebGL e WebAssembly, risultando utile per demo interattive e strumenti basati sul browser.

Fig. 4. Opzioni di distribuzione abilitate da PaddlePaddle. Immagine dell'autore.

Dopo aver 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.

Quando dovresti scegliere l'integrazione PaddlePaddle?#

Il pacchetto Python di Ultralytics supporta anche diversi altri formati di esportazione, quindi potresti chiederti: quando PaddlePaddle è la scelta giusta?

PaddlePaddle è un'opzione affidabile quando vuoi distribuire modelli su dispositivi con risorse limitate, come smartphone, sistemi embedded o hardware edge. È inoltre ideale per applicazioni in tempo reale che richiedono prestazioni rapide ed efficienti, come il rilevamento degli oggetti nelle app mobili, il monitoraggio basato sulla visione nelle fotocamere intelligenti o la stima delle pose eseguita direttamente sul dispositivo senza supporto cloud.

Inoltre, se il progetto deve funzionare offline o in ambienti con connettività ridotta, puoi valutare l'utilizzo dell'integrazione PaddlePaddle. Applicazioni come gli strumenti di ispezione visiva nella produzione, i dispositivi portatili per i rilevamenti sul campo o gli scanner per il commercio al dettaglio dotati di AI possono trarre vantaggio dal runtime leggero di PaddlePaddle e dalle sue opzioni di distribuzione flessibili.

Limitazioni di PaddlePaddle da considerare#

Sebbene PaddlePaddle offra interessanti funzionalità di distribuzione, ecco alcuni fattori limitanti di cui devi essere consapevole:

• Community globale più ristretta: al di fuori della Cina, la base di utenti e contributori è relativamente ridotta. Questo può rendere più difficile trovare supporto dalla community, problemi GitHub già risolti o risposte su Stack Overflow.
• Curva di apprendimento più ripida per gli strumenti non Baidu: PaddlePaddle si integra perfettamente con l'ecosistema Baidu, ma utilizzarlo al di fuori di tale contesto può richiedere configurazioni e passaggi di setup aggiuntivi.
• Meno integrazioni con gli strumenti ML più diffusi: PaddlePaddle offre una compatibilità limitata con strumenti comuni come Hugging Face Transformers, MLflow o i servizi AI nativi di Kubernetes.

Punti chiave#

L'integrazione PaddlePaddle supportata da Ultralytics semplifica l'esportazione e la distribuzione dei modelli YOLO11 su un'ampia gamma di dispositivi. È particolarmente utile per i progetti che richiedono prestazioni efficienti direttamente sul dispositivo, come app mobili, fotocamere intelligenti o sistemi embedded.

Con pochi passaggi puoi portare potenti modelli di visione nelle applicazioni del mondo reale. Con il continuo progresso della visione artificiale, strumenti come YOLO e PaddlePaddle rendono più semplice che mai creare sistemi rapidi e intelligenti, dai dispositivi consumer agli strumenti industriali.

Unisciti oggi alla nostra community in crescita! Approfondisci l'AI esplorando il nostro repository GitHub. Vuoi creare i tuoi progetti di visione artificiale? Scopri le nostre opzioni di licenza. Scopri come la visione artificiale nella sanità sta migliorando l'efficienza ed esplora l'impatto dell'AI nel commercio al dettaglio visitando le nostre pagine dedicate alle soluzioni!