PaddlePaddle 통합을 사용한 Ultralytics YOLO11 내보내기

인공지능(AI)이 발전하면서 기계는 주변 세계를 더 잘 이해하게 되었습니다. 이러한 발전을 이끄는 핵심 분야 중 하나는 기계가 시각 데이터를 바탕으로 해석하고 의사 결정을 내리도록 하는 AI의 한 분야인 컴퓨터 비전입니다.

자동차가 교통 표지판을 인식하도록 돕는 일부터 소매점의 진열대를 확인하는 일까지, 컴퓨터 비전은 이제 일상적인 여러 도구에 활용됩니다. 이러한 작업에는 사진이나 동영상을 빠르게 분석하고 중요한 대상을 식별할 수 있는 비전 AI 모델이 사용됩니다.

시간이 지나면서 이러한 모델은 더 빠르고 정확해져 농업, 의료, 보안, 소매업 등 다양한 분야에서 유용하게 활용되고 있습니다. 예를 들어, Ultralytics YOLO11은 여러 컴퓨터 비전 작업을 빠르고 정확하게 처리하도록 설계된 모델입니다. 객체를 감지하고 분류하며, 움직임을 추적하고, 자세를 추정할 수 있습니다.

컴퓨터 비전을 연구에서 실제 애플리케이션으로 전환하는 데 중요한 과정은 배포입니다. 모델 학습을 마친 후에는 휴대폰, 엣지 하드웨어 또는 클라우드 서버와 같은 디바이스에서 모델을 실행해야 합니다.

그림 1. 컴퓨터 비전 프로젝트에서 모델 배포는 중요한 과정입니다.

이를 지원하기 위해 YOLO11과 같은 Ultralytics YOLO 모델을 대상 플랫폼에 따라 다양한 형식으로 내보낼 수 있습니다. 이러한 형식 중 하나인 PaddlePaddle은 다양한 디바이스와 시스템에서 효율적으로 모델을 배포하고 추론할 수 있도록 하는 오픈 소스 AI 프레임워크입니다.

이 문서에서는 Ultralytics가 지원하는 PaddlePaddle 통합을 통해 Ultralytics YOLO11을 내보내고 여러 플랫폼에 효율적으로 배포하는 방법을 살펴봅니다.

PaddlePaddle이란 무엇인가요?#

모바일 디바이스나 엣지 하드웨어와 같은 연구 환경 이외의 곳에 AI 모델을 배포하는 일은 때때로 까다로울 수 있습니다. 특히 모델을 효율적으로 실행하면서 리소스 사용량을 최소화해야 하는 경우 더욱 그렇습니다. PaddlePaddle은 바로 이러한 목적을 위해 설계된 딥러닝 프레임워크입니다.

PaddlePaddle은 중국의 오픈 소스 플랫폼으로, 이름은 병렬 분산 딥러닝(Parallel Distributed Deep Learning)을 뜻합니다. AI 및 소프트웨어 인프라 분야에서 잘 알려진 기업인 Baidu가 개발한 PaddlePaddle은 연구뿐 아니라 실제 애플리케이션에 활용할 수 있도록 특별히 만들어졌습니다.

개발자는 서버, 엣지 디바이스, 모바일 하드웨어에서 PaddlePaddle 형식의 모델을 실행할 수 있습니다. 또한 로우코드 및 노코드 옵션을 비롯해 AI 개발을 간소화하는 도구도 지원합니다. 이 플랫폼은 개발자 커뮤니티가 활발하며 의료, 농업, 제조, 금융 등 다양한 산업 분야에서 사용됩니다.

PaddlePaddle의 주요 기능#

PaddlePaddle이 실제 디바이스에서 모델을 더 효율적으로 실행하도록 지원하는 주요 기능은 다음과 같습니다.

• 동적 그래프의 정적 그래프 변환: 이 기능은 유연한 모델을 더 원활하고 예측 가능하게 실행되는 고정된 모델로 변환합니다. 고정된 모델은 최적화하기 쉽고 예측 속도도 더 빠릅니다.
• 연산자 융합: PaddlePaddle은 모델의 여러 단계를 하나로 결합할 수 있습니다. 이렇게 하면 모델의 메모리 사용량이 줄고 실행 속도가 빨라집니다. 시간을 절약하기 위해 여러 작업을 하나의 동작으로 합치는 것과 같습니다.
• 양자화: 더 단순한 숫자 형식(예: 소수점 이하 자릿수를 줄이는 방식)을 사용해 모델 크기를 줄입니다. 정확도를 크게 떨어뜨리지 않으면서 휴대폰이나 스마트 카메라처럼 전력이 제한된 디바이스에서 모델을 실행할 수 있도록 지원합니다.

그림 2. PaddlePaddle 사용의 이점. 이미지 제공: 저자.

PaddlePaddle을 활용한 Ultralytics YOLO11 배포 개요#

Ultralytics가 지원하는 PaddlePaddle 통합을 사용하면 학습에서 배포로 더 쉽게 전환할 수 있습니다. 이미 PaddlePaddle 도구를 사용하는 개발자는 YOLO11을 기존 워크플로에 더 쉽게 도입할 수 있습니다.

Ultralytics Python 패키지는 YOLO11 모델을 PaddlePaddle 형식으로 직접 내보내는 기능을 지원하므로, 개발자는 추가 도구나 수동 변환 과정 없이 학습된 모델을 배포할 수 있습니다.

내보내기 과정은 명령줄 또는 Python 코드를 사용해 수행할 수 있으므로 개발자는 워크플로에 가장 적합한 방법을 선택할 수 있습니다. 이 방식은 작업을 간소화하고 설정 문제의 발생 가능성을 줄입니다. 내보낸 모델은 객체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정과 같은 컴퓨터 비전 작업에 사용할 수 있습니다.

메모리가 제한되어 있거나 빠른 처리가 필요한 디바이스의 배포 시나리오에 적합한 선택입니다. 내보낸 모델은 리소스가 제한된 시스템에서도 효율적으로 실행되도록 최적화됩니다.

Ultralytics YOLO11 모델을 PaddlePaddle 형식으로 내보내는 방법#

Ultralytics YOLO11을 PaddlePaddle 모델 형식으로 내보내는 과정은 몇 단계만 거치면 됩니다.

먼저 pip과 같은 패키지 관리자를 사용해 Ultralytics Python 패키지를 설치합니다. 명령 프롬프트나 터미널에서 pip install ultralytics 명령을 실행하면 시작할 수 있습니다.

Ultralytics 패키지는 다양한 컴퓨터 비전 작업을 위한 모델 학습, 평가, 미세 조정, 내보내기, 배포 도구를 제공합니다. 설치 중 문제가 발생하면 문제 해결 팁이 담긴 일반적인 문제 가이드를 참조하세요.

환경 설정을 마치면 아래와 같이 YOLO11n (yolo11n.pt)과 같은 사전 학습된 YOLO11 모델을 불러와 내보낼 수 있습니다. 직접 커스텀 학습한 YOLO11 모델도 내보낼 수 있습니다.

from ultralytics import YOLO

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

모델을 PaddlePaddle 형식으로 변환한 후에는 다양한 하드웨어에서 여러 시나리오에 배포할 수 있습니다.

예를 들어 아래 코드에서는 PaddlePaddle 형식으로 내보낸 Ultralytics YOLO11 모델을 불러와 예측에 사용합니다. 추론이라고도 하는 이 과정은 모델을 사용해 새로운 데이터를 분석하는 것을 의미합니다. 여기서는 개 두 마리가 나온 이미지로 모델을 테스트합니다.

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

코드를 실행하면 모델의 예측 결과가 표시된 출력 이미지가 runs/detect/predict 폴더에 자동으로 저장됩니다.

그림 3. 내보낸 Ultralytics YOLO11 모델로 이미지의 객체를 감지하는 모습. 이미지 제공: 저자.

PaddlePaddle 프레임워크를 사용한 Ultralytics YOLO11 배포#

PaddlePaddle은 클라우드 환경, 임베디드 시스템, 웹 애플리케이션 등 다양한 디바이스와 사용 사례에 적합한 배포 도구를 제공합니다. 주요 배포 옵션은 다음과 같습니다.

• Paddle Serving: 모델을 REST API로 배포할 수 있도록 지원하므로, 버전 관리와 온라인 테스트 같은 기능이 필요한 클라우드 또는 서버 환경에 적합합니다.
• Paddle Inference API: 모델 실행 방식을 더 세밀하게 제어할 수 있어 성능을 미세 조정하거나 사용자 지정 애플리케이션 로직을 구축할 때 유용합니다.
• Paddle Lite: 모바일 디바이스, 태블릿, 임베디드 시스템에 경량 모델을 배포하도록 설계되었습니다. 리소스가 제한된 하드웨어에서 더 빠르게 추론하도록 소형 모델에 최적화되어 있습니다.
• Paddle.js: WebGL 및 WebAssembly와 같은 기술을 사용해 웹 브라우저에서 AI 모델을 실행할 수 있도록 하므로, 대화형 데모와 브라우저 기반 도구에 유용합니다.

그림 4. PaddlePaddle에서 지원하는 배포 옵션. 이미지 제공: 저자.

환경에 적합한 도구를 선택하면 내보낸 모델을 불러올 수 있습니다. 이후 단계는 PaddlePaddle 엔진이 처리합니다. 엔진은 모델을 불러오고 입력 이미지를 처리한 다음 결과를 반환합니다.

PaddlePaddle 통합은 언제 선택해야 하나요?#

Ultralytics Python 패키지는 다양한 내보내기 형식도 지원하므로, PaddlePaddle이 적합한 선택인지 궁금할 수 있습니다.

스마트폰, 임베디드 시스템, 엣지 하드웨어처럼 리소스가 제한된 디바이스에 모델을 배포하려는 경우 PaddlePaddle은 신뢰할 수 있는 선택입니다. 또한 모바일 앱의 객체 감지, 스마트 카메라의 비전 기반 모니터링, 클라우드 지원 없이 디바이스에서 직접 수행하는 자세 추정처럼 빠르고 효율적인 성능이 필요한 실시간 애플리케이션에도 적합합니다.

이외에도 프로젝트를 오프라인 또는 네트워크 연결이 불안정한 환경에서 실행해야 한다면 PaddlePaddle 통합을 고려할 수 있습니다. 제조업의 시각 검사 도구, 현장 조사를 위한 휴대용 디바이스, AI 기반 소매점 스캐너와 같은 애플리케이션은 PaddlePaddle의 경량 런타임과 유연한 배포 옵션을 활용할 수 있습니다.

고려해야 할 PaddlePaddle의 한계#

PaddlePaddle은 유용한 배포 기능을 제공하지만, 다음과 같은 제약 요소를 유의해야 합니다.

• 상대적으로 작은 글로벌 커뮤니티: 중국 이외 지역에서는 사용자와 기여자 기반이 비교적 작습니다. 따라서 커뮤니티 지원, 해결된 GitHub 이슈, Stack Overflow 답변을 찾기가 더 어려울 수 있습니다.
• Baidu 도구를 사용하지 않을 때의 가파른 학습 곡선: PaddlePaddle은 Baidu 생태계와 원활하게 통합되지만, 해당 환경 밖에서 사용하려면 추가 구성 및 설정 단계가 필요할 수 있습니다.
• 주류 ML 도구와의 통합 부족: PaddlePaddle은 Hugging Face Transformers, MLflow 또는 Kubernetes 네이티브 AI 서비스와 같은 일반적인 도구와의 호환성이 제한적입니다.

핵심 요점#

Ultralytics가 지원하는 PaddlePaddle 통합을 사용하면 다양한 디바이스에 YOLO11 모델을 간편하게 내보내고 배포할 수 있습니다. 특히 모바일 앱, 스마트 카메라, 임베디드 시스템과 같이 디바이스에서 효율적인 성능을 발휘해야 하는 프로젝트에 유용합니다.

몇 단계만 거치면 강력한 비전 모델을 실제 애플리케이션에 적용할 수 있습니다. 컴퓨터 비전이 계속 발전하면서 YOLO 및 PaddlePaddle과 같은 도구는 소비자 디바이스부터 산업용 도구에 이르기까지 다양한 환경에서 빠르고 지능적인 시스템을 더 쉽게 구축하도록 지원합니다.

지금 성장 중인 커뮤니티에 참여하세요! GitHub 저장소를 살펴보며 AI에 대해 더 자세히 알아보세요. 직접 컴퓨터 비전 프로젝트를 구축하고 싶으신가요? 라이선스 옵션을 확인해 보세요. 솔루션 페이지를 방문해 의료 분야의 컴퓨터 비전이 효율성을 어떻게 높이는지 알아보고, 소매업의 AI가 미치는 영향도 살펴보세요!