PaddlePaddle統合を使用したUltralytics YOLO11のエクスポート

人工知能（AI）が進歩するにつれて、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、機械が視覚データに基づいて解釈し、意思決定できるようにするAIの一分野です。

自動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現在、多くの日常的なツールで利用されています。これらのタスクでは、写真や動画をすばやくスキャンし、重要なものを識別できるビジョンAIモデルが使用されます。

時間の経過とともに、これらのモデルはより高速かつ高精度になり、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。例えば、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するよう構築されたモデルです。物体の検出と分類、動きの追跡、人体ポーズの推定を実行できます。

コンピュータービジョンを研究から実世界のアプリケーションへ移行するうえで、デプロイは重要な要素です。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. コンピュータービジョンプロジェクトではモデルのデプロイが重要です。

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。これ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、UltralyticsがサポートするPaddlePaddle統合を使用してUltralytics YOLO11をエクスポートし、さまざまなプラットフォームに効率的にデプロイする方法を説明します。

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、研究環境以外でAIモデルをデプロイする場合、効率的に実行し、リソース使用量を最小限に抑える必要があるため、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、その名称はParallel Distributed Deep Learningを意味します。AIとソフトウェアインフラストラクチャの分野で広く知られる企業であるBaiduが開発したPaddlePaddleは、研究だけでなく、実世界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、PaddlePaddle形式のモデルをサーバー、エッジデバイス、さらにはモバイルハードウェア上で実行できます。また、ローコードやノーコードのオプションなど、AI開発を簡素化するツールにも対応しています。このプラットフォームには470万人を超えるユーザーからなる強力な開発者コミュニティがあり、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が実世界のデバイス上でモデルをより効率的に実行するのに役立つ主な機能を紹介します。

• 動的グラフから静的グラフへの変換: 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バージョンへ変換します。固定モデルは最適化しやすく、予測時の速度も向上します。
• 演算子融合: PaddlePaddle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。複数のタスクを一つのアクションにまとめて時間を節約するようなものです。
• 量子化: より単純な数値（小数点以下の桁数を減らす丸めなど）を使用して、モデルを小型化します。精度をほとんど損なうことなく、スマートフォンやスマートカメラなど、電力に制限のあるデバイス上でモデルを実行しやすくします。

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までの移行が容易になります。すでにPaddlePaddleのツールを使用している開発者は、YOLO11をより簡単にワークフローへ組み込めます。

Ultralytics Pythonパッケージは、YOLO11モデルをPaddlePaddle形式へ直接エクスポートする機能をサポートしているため、開発者は追加のツールや手動変換の手順なしでトレーニング済みモデルをデプロイできます。

エクスポート処理はコマンドラインまたはPythonコードを使用して実行できるため、開発者はワークフローに最適な方法を選択できます。これにより作業がシンプルになり、セットアップの問題が発生する可能性も減ります。エクスポート後のモデルは、物体検出、画像分類、ポーズ推定、インスタンスセグメンテーションなどのコンピュータービジョンタスクに使用できます。

デバイスのメモリが限られている場合や、高速な処理が必要なデプロイシナリオ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モデル形式へエクスポートするには、数ステップしかかかりません。

最初のステップは、「pip」のようなパッケージマネージャーを使用してUltralytics Pythonパッケージをインストールすることです。コマンドプロンプトまたはターミナルで「pip install ultralytics」コマンドを実行すると、開始できます。

Ultralyticsパッケージは、さまざまなコンピュータービジョンタスク向けの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、デプロイを行うためのツールを提供します。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掲載された一般的な問題のガイドを確認してください。

環境のセットアップが完了したら、以下に示すように「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。独自にトレーニングしたカスタム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、さまざまな種類のハードウェア上で、多様なシナリオにデプロイできます。

例えば、以下の例では、PaddlePaddle形式にエクスポートされたUltralytics YOLO11モデルを読み込み、予測に使用しています。この処理は推論の実行と呼ばれ、モデルを使用して新しいデータを分析することを意味します。ここでは、2匹の犬が写った画像でテストします。

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モデルを使用して画像内の物体を検出する。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用途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。パフォーマンスのファインチューニングや、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。小型モデルと、リソースに制限のあるハードウェア上での高速な推論向けに最適化されています。
• Paddle.js: WebGLやWebAssemblyなどのテクノロジーを使用して、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択したら、エクスポートしたモデルを読み込めます。以降の処理はPaddlePaddleエンジンが担当します。エンジンはモデルを読み込み、入力画像を処理し、結果を返します。

PaddlePaddle統合を選択すべきタイミング#

Ultralytics Pythonパッケージは、その他のさまざまなエクスポート形式にも対応しているため、PaddlePaddleが適している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、リソースに制限のあるデバイスにモデルをデプロイする場合、PaddlePaddleは信頼できる選択肢です。また、モバイルアプリでの物体検出、スマートカメラでのビジョンベースの監視、クラウドに依存せずデバイス上で直接実行するポーズ推定など、高速で効率的なパフォーマンス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または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対応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を活用できます。

考慮すべきPaddlePaddleの制限事項#

PaddlePaddleは興味深いデプロイ機能を提供しますが、以下の制約要因に注意してください。

• グローバルコミュニティが比較的小さい: 中国以外では、ユーザーおよびコントリビューターの基盤が比較的小規模です。そのため、コミュニティのサポート、解決済みのGitHub issue、Stack Overflowの回答を見つけることが難しい場合があります。
• Baidu以外のツールでは学習曲線がより急になる: PaddlePaddleはBaiduのエコシステムとスムーズに統合できますが、その環境以外で使用する場合は、追加の設定やセットアップ手順が必要になることがあります。
• 主要なMLツールとの統合が少ない: 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。

主なポイント#

UltralyticsがサポートするPaddlePaddle統合により、さまざまなデバイス向けにYOLO11モデルを簡単にエクスポートしてデプロイできます。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なパフォーマンスが求められるプロジェクトに特に役立ちます。

わずか数ステップで、強力なビジョンモデルを実世界のアプリケーションに組み込めます。コンピュータービジョンが進歩し続ける中、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、さまざまな領域で高速かつ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。

今すぐ成長を続けるコミュニティに参加してください。GitHubリポジトリを探索して、AIについてさらに深く学びましょう。独自のコンピュータービジョンプロジェクトの構築をお考えですか？ライセンスオプションをご確認ください。医療分野におけるコンピュータービジョンが効率を向上させている方法を学び、ソリューションページで小売分野におけるAIの影響をご確認ください。