Esportare Ultralytics YOLO11 usando l’integrazione PaddlePaddle

Con i progressi dell’intelligenza artificiale (AI), le macchine diventano sempre più capaci di comprendere il mondo che le circonda. Un settore fondamentale alla base di questo progresso è la visione artificiale, una branca dell’AI che consente alle macchine di interpretare i dati visivi e prendere decisioni basate su di essi.

Dall’aiutare le auto a riconoscere i segnali stradali al controllare gli scaffali nei negozi, la visione artificiale è ormai integrata in molti strumenti di uso quotidiano. Queste attività si basano su modelli di AI visiva capaci di analizzare rapidamente una foto o un video e identificare gli elementi importanti.

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

Un aspetto fondamentale per portare la visione artificiale dalla ricerca alle applicazioni reali è la distribuzione. Dopo aver 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 questo, i modelli Ultralytics YOLO, come YOLO11, possono essere esportati in vari formati in base alla piattaforma di destinazione. Uno di questi è PaddlePaddle, un framework AI open source che consente di distribuire i modelli ed eseguire inferenze in modo efficiente su un’ampia gamma di dispositivi e sistemi.

In questo articolo vedremo come esportare Ultralytics YOLO11 tramite l’integrazione con 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 complicato, soprattutto quando devono funzionare in modo efficiente e usare 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, azienda nota per il suo lavoro nell’AI e nelle infrastrutture software, PaddlePaddle è stato creato appositamente per le applicazioni reali, non solo per la ricerca.

Gli sviluppatori possono eseguire modelli in formato PaddlePaddle su server, dispositivi edge e persino hardware mobile. La piattaforma supporta anche strumenti che semplificano lo sviluppo dell'IA, comprese opzioni low-code e no-code. Ha una solida community di sviluppatori ed è utilizzata in vari 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 su dispositivi reali:

• 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 ed è più veloce durante le previsioni.
• Fusione degli operatori: PaddlePaddle può combinare più passaggi del modello in uno solo. Questo riduce la quantità di memoria utilizzata dal modello e ne velocizza l’esecuzione. Immagina di unire diverse attività in un’unica azione per risparmiare tempo.
• Quantizzazione: rende il modello più piccolo usando numeri più semplici, ad esempio arrotondando a un minor numero di cifre decimali. Aiuta il modello a funzionare su dispositivi con potenza limitata, come telefoni o telecamere intelligenti, senza perdere molta precisione.

Fig 2. Vantaggi dell’uso di PaddlePaddle. Immagine dell’autore.

Panoramica della distribuzione di Ultralytics YOLO11 con PaddlePaddle#

L’integrazione con PaddlePaddle supportata da Ultralytics semplifica il passaggio dall’addestramento alla distribuzione. Gli sviluppatori che già usano gli strumenti PaddlePaddle possono integrare YOLO11 più facilmente nei propri flussi di lavoro.

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

Puoi eseguire l’esportazione dalla riga di comando oppure usando il codice Python, così gli sviluppatori possono scegliere il metodo più adatto al proprio flusso di lavoro. Questo semplifica il processo e riduce il rischio di problemi di configurazione. Una volta esportato, il modello può essere usato per attività di visione artificiale come il rilevamento degli oggetti, la segmentazione di istanze, la classificazione delle immagini e la stima della posa.

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#

Bastano pochi passaggi per esportare Ultralytics YOLO11 nel formato modello PaddlePaddle.

Il primo passaggio consiste nell’installare il pacchetto Python Ultralytics usando un gestore di pacchetti come pip. Per iniziare, esegui il comando pip install ultralytics nel prompt dei comandi o nel terminale.

Il pacchetto Ultralytics fornisce strumenti per addestrare, valutare, perfezionare, esportare e distribuire modelli per diverse attività di visione artificiale. Se riscontri problemi durante l’installazione, consulta la guida ai problemi comuni per suggerimenti sulla risoluzione.

Dopo aver configurato l’ambiente, puoi caricare ed esportare un modello YOLO11 preaddestrato, ad esempio YOLO11n (yolo11n.pt), come mostrato di seguito. Puoi anche esportare un tuo modello YOLO11 addestrato su dati personalizzati.

from ultralytics import YOLO

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

Dopo aver convertito il modello nel formato PaddlePaddle, puoi distribuirlo in diversi scenari e su vari tipi di hardware.

Ad esempio, nel codice qui sotto carichiamo un modello Ultralytics YOLO11 esportato nel formato PaddlePaddle e lo usiamo per fare una previsione. Questo processo, chiamato inferenza, consiste semplicemente nell’usare il modello per analizzare nuovi dati. In questo caso, lo proviamo su un’immagine con 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.

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

Distribuzione di Ultralytics YOLO11 con 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: consente di distribuire i modelli come REST API ed è quindi una buona scelta per ambienti cloud o server che richiedono funzionalità come il controllo delle versioni e i test online.
• Paddle Inference API: ti offre un maggiore controllo sull’esecuzione dei modelli, utile quando devi ottimizzare le prestazioni o creare una logica applicativa personalizzata.
• Paddle Lite: è progettato per una distribuzione leggera su dispositivi mobili, tablet e sistemi embedded. È ottimizzato per modelli più piccoli e inferenze più rapide su hardware con risorse limitate.
• Paddle.js: consente di eseguire modelli AI nei browser web usando tecnologie come WebGL e WebAssembly, utili per demo interattive e strumenti basati su browser.

Fig 4. Opzioni di distribuzione offerte da PaddlePaddle. Immagine dell’autore.

Dopo aver scelto lo strumento più adatto alla 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 scegliere l’integrazione con PaddlePaddle?#

Il pacchetto Python di Ultralytics supporta anche vari altri formati di esportazione, quindi potresti chiederti: quando conviene scegliere PaddlePaddle?

PaddlePaddle è una scelta affidabile quando vuoi distribuire modelli su dispositivi con risorse limitate, come smartphone, sistemi embedded o hardware edge. È anche 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 con telecamere intelligenti o la stima della posa eseguita direttamente sul dispositivo senza supporto cloud.

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

Limitazioni di PaddlePaddle da considerare#

Sebbene PaddlePaddle offra interessanti funzionalità di distribuzione, ecco alcuni fattori limitanti da tenere presenti:

• Community globale più ridotta: al di fuori della Cina, la base di utenti e collaboratori è relativamente piccola. Questo può rendere più difficile trovare supporto nella community, issue risolte su GitHub o risposte su Stack Overflow.
• Curva di apprendimento più ripida con gli strumenti non Baidu: PaddlePaddle si integra facilmente con l’ecosistema Baidu, ma usarlo al di fuori di questo contesto può richiedere passaggi aggiuntivi di configurazione e installazione.
• Meno integrazioni con gli strumenti ML più diffusi: PaddlePaddle ha una compatibilità limitata con strumenti comuni come Hugging Face Transformers, MLflow o servizi AI nativi di Kubernetes.

Punti chiave#

L’integrazione con PaddlePaddle supportata da Ultralytics semplifica l’esportazione e la distribuzione dei modelli YOLO11 su diversi dispositivi. È particolarmente utile per i progetti che richiedono prestazioni efficienti direttamente sul dispositivo, come app mobili, telecamere intelligenti o sistemi embedded.

Con pochi passaggi puoi integrare potenti modelli di visione in applicazioni reali. Con i continui progressi della visione artificiale, strumenti come YOLO e PaddlePaddle rendono più semplice che mai creare sistemi veloci e intelligenti, dai dispositivi di consumo 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 migliora l’efficienza e approfondisci l’impatto dell’AI nel commercio al dettaglio visitando le nostre pagine dedicate alle soluzioni!