PaddlePaddleインテグレーションを使用したUltralytics YOLO11のエクスポート

人工知能（AI）の進歩に伴い、機械は周囲の世界をより適切に理解できるようになっています。この進歩を支える重要な分野の一つがコンピュータービジョンです。これは、視覚データに基づいて機械が情報を解釈し、判断できるようにするAIの一分野です。

車による交通標識の認識から、小売店の棚の確認まで、コンピュータービジョンは今や多くの日常的なツールに活用されています。こうしたタスクでは、画像や動画をすばやくスキャンし、重要な情報を識別できるビジョンAIモデルが使われています。

こうしたモデルは時間とともに高速化・高精度化し、農業、医療、セキュリティ、小売などの分野で役立つようになりました。たとえば、Ultralytics YOLO11は、さまざまなコンピュータービジョンタスクを高速かつ高精度に処理できるように設計されたモデルです。物体の検出と分類、動きの追跡、人体姿勢の推定が可能です。

コンピュータービジョンを研究から実用的なアプリケーションへと移行させるうえで、デプロイは欠かせない要素です。モデルのトレーニングが完了したら、次はスマートフォン、エッジハードウェア、クラウドサーバーなどのデバイス上で実行します。

図1。モデルのデプロイは、あらゆるコンピュータービジョンプロジェクトに欠かせない要素です。

これを支援するため、YOLO11などのUltralytics YOLOモデルは、対象プラットフォームに応じてさまざまな形式にエクスポートできます。その形式の一つがPaddlePaddleです。PaddlePaddleはオープンソースのAIフレームワークで、幅広いデバイスやシステムにおける効率的なモデルのデプロイと推論を可能にします。

この記事では、さまざまなプラットフォームへの効率的なデプロイを可能にするため、UltralyticsがサポートするPaddlePaddle統合を使用してUltralytics YOLO11をエクスポートする方法を紹介します。

PaddlePaddleとは何ですか？#

モバイルデバイスやエッジハードウェアなど、研究環境以外にAIモデルをデプロイするのは、効率的に実行し、リソースの使用量を最小限に抑える必要がある場合、難しいことがあります。PaddlePaddleは、まさにそのために設計されたディープラーニングフレームワークです。

PaddlePaddleは中国発のオープンソースプラットフォームで、その名前は「Parallel Distributed Deep Learning」を意味します。AIやソフトウェアインフラストラクチャの取り組みで広く知られる企業Baiduが開発したPaddlePaddleは、研究だけでなく、実際のアプリケーション向けに特化して作られました。

開発者は、サーバー、エッジデバイス、さらにはモバイルハードウェア上でPaddlePaddle形式のモデルを実行できます。また、ローコードやノーコードの選択肢など、AI開発を簡素化するツールもサポートしています。強固な開発者コミュニティを持ち、医療、農業、製造、金融など、さまざまな業界で利用されています。

PaddlePaddleの主な機能#

PaddlePaddleが実際のデバイス上でモデルをより効率的に実行するための主な機能をいくつか紹介します。

• 動的グラフから静的グラフへの変換: この機能は、柔軟なモデルを、よりスムーズかつ予測可能に実行できる固定形式に変換します。固定形式のモデルは最適化しやすく、予測も高速になります。
• 演算子の融合: PaddlePaddleでは、モデル内の複数の処理を一つにまとめることができます。これにより、モデルのメモリ使用量が減り、実行速度が向上します。時間を節約するために、複数のタスクを一つの動作にまとめるようなものです。
• 量子化: より単純な数値（小数点以下の桁数を減らす丸め処理など）を使って、モデルのサイズを小さくします。精度を大きく損なうことなく、スマートフォンやスマートカメラなど、処理能力に制約のあるデバイス上でモデルを実行しやすくなります。

図2。PaddlePaddleを使用するメリット。画像提供：著者。

PaddlePaddleを使用したUltralytics YOLO11のデプロイの概要#

UltralyticsがサポートするPaddlePaddle統合により、トレーニングからデプロイへの移行が容易になります。すでにPaddlePaddleツールを使用している開発者は、YOLO11をワークフローに簡単に取り入れることができます。

Ultralytics Pythonパッケージは、YOLO11モデルをPaddlePaddle形式に直接エクスポートできます。これにより、開発者は追加ツールや手動変換の手順を使わずにトレーニング済みモデルをデプロイできます。

エクスポートはコマンドラインまたはPythonコードから実行できるため、開発者はワークフローに最適な方法を選べます。これによりプロセスがシンプルになり、セットアップの問題が起きる可能性も低くなります。エクスポートしたモデルは、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定などのコンピュータービジョンタスクに利用できます。

メモリが限られているデバイスや、高速処理が必要なデプロイ環境に適した選択肢です。エクスポートされたモデルは、リソースに制約のあるシステム上でも効率的に実行できるよう最適化されています。

Ultralytics YOLO11モデルをPaddlePaddle形式にエクスポートする方法#

Ultralytics YOLO11をPaddlePaddleモデル形式にエクスポートする手順は、数ステップで完了します。

最初に、pipなどのパッケージマネージャーを使ってUltralytics Pythonパッケージをインストールします。コマンドプロンプトまたはターミナルでpip install ultralyticsを実行すれば、準備は完了です。

Ultralyticsパッケージには、幅広いコンピュータービジョンタスクに対応したモデルのトレーニング、評価、ファインチューニング、エクスポート、デプロイ用のツールが含まれています。インストール中に問題が発生した場合は、トラブルシューティングのヒントが記載された一般的な問題のガイドをご確認ください。

環境のセットアップが完了したら、以下のようにYOLO11n（yolo11n.pt）などの事前トレーニング済みYOLO11モデルを読み込み、エクスポートできます。独自にカスタムトレーニングしたYOLO11モデルもエクスポートできます。

from ultralytics import YOLO

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

モデルをPaddlePaddle形式に変換すると、さまざまなハードウェアを使用する多様な環境にデプロイできます。

たとえば、以下の例では、PaddlePaddle形式にエクスポートしたUltralytics YOLO11モデルを読み込み、予測に使用しています。推論とも呼ばれるこのプロセスは、モデルを使って新しいデータを分析することです。ここでは、犬が2匹写った画像でテストしています。

paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)

コードを実行すると、モデルの予測結果を含む出力画像がruns/detect/predictフォルダーに自動的に保存されます。

図3。エクスポートしたUltralytics YOLO11モデルを使用した画像内の物体検出。画像提供：著者。

PaddlePaddleフレームワークを使用したUltralytics YOLO11のデプロイ#

PaddlePaddleには、クラウド環境、組み込みシステム、Webアプリケーションなど、さまざまなデバイスやユースケースに適した複数のデプロイツールがあります。主なデプロイオプションを紹介します。

• Paddle Serving: モデルをREST APIとしてデプロイできます。バージョン管理やオンラインテストなどの機能が必要なクラウド環境やサーバー環境に適しています。
• Paddle Inference API: モデルの実行方法をより細かく制御できます。性能の微調整やカスタムアプリケーションロジックの構築が必要な場合に役立ちます。
• Paddle Lite: モバイルデバイス、タブレット、組み込みシステムへの軽量なデプロイ向けに設計されています。小規模なモデルや、リソースに制約のあるハードウェア上での高速な推論に最適化されています。
• Paddle.js: WebGLやWebAssemblyなどの技術を使って、Webブラウザー上でAIモデルを実行できます。インタラクティブなデモやブラウザーベースのツールに役立ちます。

図4。PaddlePaddleで利用できるデプロイオプション。画像提供：著者。

環境に適したツールを選んだら、エクスポートしたモデルを読み込めます。その後の処理はPaddlePaddleエンジンが実行します。モデルを読み込み、入力画像を処理して、結果を返します。

PaddlePaddle統合を選ぶべきなのはどのような場合ですか？#

Ultralytics Pythonパッケージは、ほかにもさまざまなエクスポート形式に対応しています。そのため、PaddlePaddleが適切なのはどのような場合か、疑問に思うかもしれません。

スマートフォン、組み込みシステム、エッジハードウェアなど、リソースが限られたデバイスにモデルをデプロイする場合、PaddlePaddleは信頼性の高い選択肢です。また、モバイルアプリでの物体検出、スマートカメラによるビジョンベースの監視、クラウドに接続せずデバイス上で直接実行する姿勢推定など、高速かつ効率的な処理が必要なリアルタイムアプリケーションにも適しています。

さらに、プロジェクトをオフライン環境や接続性の低い環境で実行する必要がある場合は、PaddlePaddle統合を検討できます。製造業の外観検査ツール、現地調査用のハンドヘルドデバイス、AI搭載の小売スキャナーなどのアプリケーションでは、PaddlePaddleの軽量ランタイムと柔軟なデプロイオプションが役立ちます。

考慮すべきPaddlePaddleの制限事項#

PaddlePaddleには便利なデプロイ機能がありますが、次のような制約にも注意が必要です。

• 世界的なコミュニティが比較的小規模: 中国以外では、ユーザーやコントリビューターの数が比較的少ないため、コミュニティのサポートや解決済みのGitHubの問題、Stack Overflowの回答を見つけにくい場合があります。
• Baidu以外のツールとの連携には習熟が必要: PaddlePaddleはBaiduのエコシステムとスムーズに連携しますが、そのエコシステム以外で使用する場合は、追加の設定やセットアップが必要になることがあります。
• 主流のMLツールとの連携が限定的: PaddlePaddleは、Hugging Face Transformers、MLflow、KubernetesネイティブのAIサービスなど、一般的なツールとの互換性が限られています。

重要なポイント#

UltralyticsがサポートするPaddlePaddle統合により、幅広いデバイス向けにYOLO11モデルを簡単にエクスポートしてデプロイできます。特に、モバイルアプリ、スマートカメラ、組み込みシステムなど、デバイス上で効率的に処理する必要があるプロジェクトに役立ちます。

わずか数ステップで、高性能なビジョンモデルを実用的なアプリケーションに導入できます。コンピュータービジョンの進歩に伴い、YOLOやPaddlePaddleなどのツールによって、コンシューマーデバイスから産業用ツールまで、さまざまな用途に対応する高速でインテリジェントなシステムをこれまで以上に簡単に構築できるようになっています。

成長を続けるコミュニティにぜひご参加ください！GitHubリポジトリを探索して、AIについてさらに詳しく学びましょう。独自のコンピュータービジョンプロジェクトを構築したい方は、ライセンスオプションをご覧ください。ソリューションページで、医療分野におけるコンピュータービジョンが効率向上にどう役立つかを学び、小売業におけるAIの影響をご確認ください。