PaddlePaddle統合を使用した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よく理解できるようになっています。この進歩を推進する重要な分野の1つがcomputer visionであり、視覚データに基づいて機械が解釈し、意思決定を行うことを可能にするAIのブランチです。

自動車による交通標識の認識から小売店の棚のチェックまで、コンピュータビジョンは現在、多くの日常的なツールの一部となっています。これらのタスクは、写真やビデオを素早くスキャンし、重要なものを特定できるビジョンAIモデルに依存しています。

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、ヘルスケア、セキュリティ、リテールなどの分野で役立つようになっています。たとえば、Ultralytics YOLO11は、さまざまなコンピュータビジョンタスクを高速かつ高精度で処理するために構築されたモデルです。物体の検出と分類、動きの追跡、およびボディポーズの推定を行うことができます。

コンピュータビジョンを研究から実世界のアプリケーションへと移行させる上で不可欠なのがデプロイメントです。モデルの学習が完了したら、次のステップは携帯電話、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モデルを実行することです。

図1. モデルのデプロイメントは、あらゆるコンピュータビジョンプロジェクトの重要な部分です。

これをサポートするため、YOLO11のようなUltralytics YOLO modelsは、ターゲットプラットフォームに応じてさまざまなフォーマットにエクスポートできます。そのフォーマットの1つがPaddlePaddleであり、幅広いデバイスやシステムでの効率的なモデルデプロイメントと推論を可能にするオープンソースのAIフレームワークです。

この記事では、さまざまなプラットフォーム全体での効率的なデプロイメントを可能にするためにUltralyticsがサポートするPaddlePaddle integrationを通じて、Ultralytics YOLO11をどのようにエクスポートできるかについて解説します。

PaddlePaddleとは？#

研究環境の外（モバイルデバイスやエッジハードウェアなど）でAIモデルをデプロイすることは、特に効率的に実行して最小限のリソースを使用する必要がある場合、時に困難を伴うことがあります。PaddlePaddleは、まさにそれを支援するために設計されたdeep learning frameworkです。

これは中国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（並列分散ディープラーニング）の頭文字をとったものです。AIおよびソフトウェアインフラ分野での取り組みで知られるBaiduによって開発されたPaddlePaddleは、研究目的だけでなく、実世界のアプリケーション向けに特別に作成されました。

開発者は、PaddlePaddleフォーマット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を含め、AI開発を簡素化するツールもサポートしています。このプラットフォームには470万人を超える強力な開発者コミュニティがあり、ヘルスケア、農業、製造、金融など、さまざまな業界で使用されています。

PaddlePaddleの主な特徴#

ここでは、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特徴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、より円滑で予測可能な実行が可能な固定バージョンに変換します。固定されたモデルは最適化が容易で、予測時に高速に動作します。
• 演算子融合: PaddlePaddleはモデル内の複数のステップ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削減され、実行速度が向上します。複数のタスクを単一のアクションに統合して時間を節約するようなものです。
• Quantization：これにより、より単純な数値（小数点以下を丸めるなど）を使用することでモデルが小さくなります。精度を大きく落とすことなく、スマートフォンやスマートカメラなどの電力に制限のあるデバイスでモデルを実行するのに役立ちます。

図2. PaddlePaddleを使用する利点。画像提供：著者。

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

UltralyticsがサポートするPaddlePaddle統合により、学習からデプロイメント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をワークフローに導入しやすくなります。

Ultralytics Pythonパッケージは、YOLO11モデルからPaddlePaddleフォーマットへの直接エクスポートをサポートしており、開発者は追加のツールや手動の変換手順なしでtrained modelsをデプロイできます。

エクスポートプロセスは、コマンドラインまたはPythonコードのいずれかを使用して実行できるため、開発者は自分のワークフローに最も適した方法を選択できます。これにより、物事がシンプルに保たれ、セットアップの問題の可能性が軽減されます。エクスポートされたモデルは、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computer vision tasksに使用できます。

これは、メモリが限られているデバイスや高速な処理が必要なデプロイメントシナリオにおいて優れた選択肢です。エクスポートされたモデルは、リソースが制限されたシステム上でも効率的に実行できるように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わずか数ステップです。

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 packageをインストールすることです。これを行うには、コマンドプロンプトまたはターミナルで「pip install ultralytics」コマンドを実行して開始します。

Ultralyticsパッケージは、さまざまなコンピュータビジョンタスクに向け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、およびデプロイメントの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、Common Issues guideを参照してトラブルシューティングのヒントを確認してください。

環境がセットアップされたら、以下のように「yolo11n.pt」などの事前学習済みYOLO11モデルを読み込んでエクスポートできます。自身でカスタム学習させたYOLO11モデルをエクスポートすることも可能です。

from ultralytics import YOLO

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

モデルがPaddlePaddleフォーマットに変換された後は、さまざまなタイプ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フォーマットにエクスポートされたUltralytics YOLO11モデルを読み込み、それを使用して予測を行っています。推論の実行として知られるこのプロセスは、単に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匹の犬が写っている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オブジェクトを検出する様子。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にはいくつかのデプロイメントツールが用意されており、それぞれがクラウド環境、組み込みシステム、ウェブアプリケーションなどのさまざまなデバイスやユースケースに適しています。以下に、主なdeployment optionsの一部を示します。

• Paddle Serving: モデルをREST APIとしてデプロイするのに役立ちます。バージョン管理やオンラインテストといった機能が必要なクラウドやサーバー環境に適した選択肢です。
• Paddle Inference API: モデルの実行方法をより細かく制御できるため、パフォーマンスを微調整したり、カスタムアプリケーションロジックを構築したりする場合に役立ちます。
• Paddle Lite: モバイルデバイス、タブレット、組み込みシステム向けの軽量なデプロイメント用に設計されています。より小さなモデルと、リソースが限られたハードウェア上での高速な推論のために最適化されています。
• Paddle.js: WebGLやWebAssemblyなどの技術を使用してWebブラウザで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ベースのツールに便利です。

図4. PaddlePaddleで可能になるデプロイメントオプション。画像提供：著者。

セットアップに適したツールを選択したら、エクスポートされたモデルを読み込むことができます。PaddlePaddleエンジンがその後のステップを処理します。モデルを読み込み、入力画像を処理し、結果を返します。

PaddlePaddle統合を選択すべきなのはどのような時ですか？#

Ultralytics Pythonパッケージは、他にもさまざまなexport formatsをサポートしているため、「PaddlePaddleが正しい選択となるのはいつだろうか？」という疑問が生じるかもしれません。

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、スマートカメラでのビジョンベースのモニタリング、クラウドサポートなしで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求められるリアルタイムアプリケーションにも最適です。

さらに、プロジェクトをオフライン環境や接続性が低い環境で実行する必要がある場合も、PaddlePaddle統合の使用を検討できます。製造現場での目視検査ツール、現場調査用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は、PaddlePaddleの軽量なランタイムと柔軟なデプロイメントオプションからメリットを得られます。

検討すべきPaddlePaddleの制限事項#

PaddlePaddleは興味深いデプロイメント機能を提供しますが、留意すべき制約要因がいくつかあります。

• 小規模なグローバルコミュニティ: 中国国外では、ユーザーおよびコントリビューターの基盤が比較的限られています。そのため、コミュニティによるサポート、GitHubで解決済みの問題、Stack Overflowでの回答を見つけるのが難しい場合があります。
• Baidu以外のツールに対する学習曲線の高さ: PaddlePaddleはBaiduのエコシステムと円滑に統合されますが、そのコンテキスト外で使用する場合は、追加の構成やセットアップ手順が必要になる可能性があります。
• Fewer integrations with mainstream ML tools: PaddlePaddleは、Hugging Face Transformers、MLflow、またはKubernetesネイティブのAIサービスなどの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、YOLO11モデルを様々なデバイスに簡単にエクスポートおよびデプロイできます。これは、モバイルアプリ、スマートカメラ、組み込みシステムなど、効率的なオンデバイスパフォーマンスを必要とす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導入できます。コンピュータビジョンが進歩し続ける中、YOLOやPaddlePaddleのようなツールにより、消費者向けデバイスから産業用ツールに至るまで、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。

今すぐ、拡大を続ける私たちのcommunityに参加しましょう！GitHub repositoryを探索して、AIについてさらに深く掘り下げてください。独自のコンピュータビジョンプロジェクトの構築をお考えですか？私たちのlicensing optionsをご覧ください。computer vision in healthcareがどのように効率を向上させているかを学び、ソリューションページにアクセスしてAI in retailの影響を確認してください。