Esportazione di Ultralytics YOLO11 utilizzando l'integrazione PaddlePaddle

Con l'avanzare dell'intelligenza artificiale (IA), le macchine stanno diventando sempre più abili nel comprendere il mondo che le circonda. Un'area chiave che guida questo progresso è la computer vision, un ramo dell'IA che consente alle macchine di interpretare e prendere decisioni basate su dati visivi.

Dall'aiuto alle auto nel riconoscere i segnali stradali al controllo degli scaffali nei negozi al dettaglio, la computer vision è ormai parte di molti strumenti quotidiani. Questi compiti si basano su modelli di visione AI in grado di scansionare rapidamente una foto o un video e identificare ciò che è importante.

Nel corso del tempo, questi modelli sono diventati più veloci e accurati, risultando utili in settori come l'agricoltura, la sanità, la sicurezza e la vendita al dettaglio. Ad esempio, Ultralytics YOLO11 è un modello progettato per gestire una serie di attività di computer vision con velocità e precisione. Può rilevare e classificare oggetti, tracciare movimenti e stimare pose corporee.

Una parte vitale per portare la computer vision dalla ricerca alle applicazioni nel mondo reale è il deployment. Una volta addestrato un modello, il passo successivo consiste nell'eseguirlo su dispositivi come telefoni, hardware edge o server cloud.

Fig 1. Il deployment del modello è una parte fondamentale di ogni progetto di computer vision.

Per supportare tutto ciò, i Ultralytics YOLO models come YOLO11 possono essere esportati in vari formati a seconda della piattaforma di destinazione. Uno di questi formati è PaddlePaddle, un framework di IA open-source che consente la distribuzione e l'inferenza efficienti dei modelli su un'ampia gamma di dispositivi e sistemi.

In questo articolo esploreremo come Ultralytics YOLO11 può essere esportato tramite la PaddlePaddle integration supportata da Ultralytics per consentire una distribuzione efficiente su varie piattaforme.

Cos'è PaddlePaddle?#

Distribuire modelli di IA al di fuori degli ambienti di ricerca, come su dispositivi mobili o hardware edge, può a volte essere complesso, soprattutto quando è necessario che vengano eseguiti in modo efficiente e utilizzino risorse minime. PaddlePaddle è un deep learning framework progettato esattamente per questo scopo.

È una piattaforma cinese open-source, il cui nome sta per Parallel Distributed Deep Learning. Sviluppato da Baidu, un'azienda ben nota per il suo lavoro nell'AI e nell'infrastruttura software, PaddlePaddle è stato creato appositamente per applicazioni del mondo reale, non solo per la ricerca.

Gli sviluppatori possono eseguire modelli nel formato PaddlePaddle su server, dispositivi edge e persino hardware mobile. Supporta anche strumenti che semplificano lo sviluppo di AI, incluse opzioni low-code e no-code. La piattaforma vanta una solida comunità di sviluppatori con oltre 4,7 milioni di utenti ed è utilizzata in una varietà di settori, tra cui sanità, agricoltura, produzione e finanza.

Caratteristiche principali di PaddlePaddle#

Ecco alcune delle caratteristiche principali che aiutano PaddlePaddle a eseguire i modelli in modo più efficiente sui dispositivi reali:

• Conversione da grafico dinamico a statico: Questa funzionalità trasforma un modello flessibile in una versione fissa che viene eseguita in modo più fluido e prevedibile. Un modello fisso è più facile da ottimizzare e più veloce durante l'esecuzione delle previsioni.
• Fusione degli operatori: PaddlePaddle può combinare più passaggi nel modello in uno solo. Ciò riduce la quantità di memoria utilizzata dal modello e ne favorisce la velocità di esecuzione. Pensala come la combinazione di diverse attività in un'unica azione per risparmiare tempo.
• Quantization: questo processo rende il modello più piccolo utilizzando numeri più semplici (come l'arrotondamento a un minor numero di decimali). Aiuta il modello a funzionare su dispositivi con energia limitata, come telefoni o telecamere smart, senza perdere molta accuratezza.

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

Una panoramica del deployment di Ultralytics YOLO11 con PaddlePaddle#

L'integrazione PaddlePaddle supportata da Ultralytics rende più semplice passare dall'addestramento al deployment. Gli sviluppatori che utilizzano già gli strumenti PaddlePaddle possono integrare YOLO11 nei loro flussi di lavoro più facilmente.

Il pacchetto Python di Ultralytics supporta l'esportazione diretta dei modelli YOLO11 nel formato PaddlePaddle, consentendo agli sviluppatori di distribuire trained models senza strumenti extra 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 che meglio si adatta al proprio flusso di lavoro. Questo aiuta a mantenere le cose semplici e riduce la probabilità di problemi di configurazione. Una volta esportato, il modello può essere utilizzato per computer vision tasks 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 essere eseguiti 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 Ultralytics Python package utilizzando un gestore di pacchetti come 'pip'. Puoi farlo eseguendo il comando "pip install ultralytics" nel tuo prompt dei comandi o terminale per iniziare.

Il pacchetto Ultralytics fornisce strumenti per l'addestramento, la valutazione, il fine-tuning, l'esportazione e la distribuzione di modelli per una serie di attività di computer vision. Se riscontri problemi durante l'installazione, consulta la Common Issues guide per suggerimenti sulla risoluzione dei problemi.

Una volta configurato l'ambiente, puoi caricare ed esportare un modello YOLO11 pre-addestrato come “yolo11n.pt” come mostrato di seguito. Puoi anche esportare il tuo modello YOLO11 personalizzato.

from ultralytics import YOLO

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

Dopo che il tuo modello è stato convertito nel formato PaddlePaddle, può essere distribuito in vari scenari su diversi tipi di hardware.

Ad esempio, nell'esempio seguente, carichiamo un modello Ultralytics YOLO11 esportato nel formato PaddlePaddle e lo utilizziamo per effettuare una previsione. Questo processo, noto come esecuzione di un'inferenza, significa semplicemente utilizzare il modello per analizzare nuovi dati. Qui lo testiamo con l'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”.

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

Deployment di Ultralytics YOLO11 tramite il framework PaddlePaddle#

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

• Paddle Serving: aiuta a distribuire i modelli come REST API, rendendolo un'ottima scelta per ambienti cloud o server che necessitano di funzionalità come il controllo delle versioni e i test online.
• Paddle Inference API: ti offre un maggiore controllo su come vengono eseguiti i modelli, il che è utile quando devi ottimizzare le prestazioni o creare una logica applicativa personalizzata.
• Paddle Lite: è progettato per un deployment leggero 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: ti consente di eseguire modelli AI nei browser web utilizzando tecnologie come WebGL e WebAssembly, il che è utile per demo interattive e strumenti basati su browser.

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

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 fornisce i risultati.

Quando dovresti scegliere l'integrazione PaddlePaddle?#

Il pacchetto Python di Ultralytics supporta anche vari altri export formats, quindi potresti chiederti: quando PaddlePaddle è la scelta giusta?

PaddlePaddle è un'opzione affidabile quando cerchi di distribuire 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 veloci ed efficienti, come il rilevamento di oggetti in app mobili, il monitoraggio basato sulla visione in smart camera 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 a bassa connettività, puoi considerare di utilizzare l'integrazione PaddlePaddle. Applicazioni come strumenti di ispezione visiva nella produzione, dispositivi portatili per rilievi sul campo o scanner retail dotati di AI possono trarre vantaggio dal runtime leggero e dalle opzioni di deployment flessibili di PaddlePaddle.

Limitazioni di PaddlePaddle da considerare#

Sebbene PaddlePaddle offra interessanti capacità di deployment, ecco alcuni fattori limitanti di cui essere consapevoli:

• Comunità globale più piccola: Al di fuori della Cina, la base di utenti e contributori è relativamente piccola. Questo può rendere più difficile trovare supporto dalla comunità, problemi risolti su GitHub o risposte su Stack Overflow.
• Curva di apprendimento più ripida per strumenti non Baidu: PaddlePaddle si integra perfettamente con l'ecosistema di Baidu, ma utilizzarlo al di fuori di tale contesto può richiedere passaggi di configurazione e impostazione aggiuntivi.
• Fewer integrations with mainstream ML tools: PaddlePaddle ha una compatibilità limitata con strumenti comuni come Hugging Face Transformers, MLflow o servizi IA nativi di Kubernetes.

Punti chiave#

L'integrazione PaddlePaddle supportata da Ultralytics rende facile esportare e distribuire modelli YOLO11 su una vasta gamma di dispositivi. È particolarmente utile per 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. Poiché la computer vision continua ad avanzare, strumenti come YOLO e PaddlePaddle stanno rendendo più facile che mai costruire sistemi veloci e intelligenti, che spaziano dai dispositivi di consumo agli strumenti industriali.

Unisciti alla nostra crescente community oggi stesso! Approfondisci l'IA esplorando il nostro GitHub repository. Vuoi creare i tuoi progetti di computer vision? Esplora le nostre licensing options. Scopri come computer vision in healthcare sta migliorando l'efficienza ed esplora l'impatto di AI in retail visitando le pagine delle nostre soluzioni!