PaddlePaddle 통합을 사용한 Ultralytics YOLO11 내보내기

인공지능(AI)이 발전함에 따라 기계는 주변 세계를 더 잘 이해하게 되었습니다. 이러한 발전을 견인하는 핵심 분야는 AI의 한 갈래인 컴퓨터 비전으로, 기계가 시각 데이터를 기반으로 해석하고 결정을 내릴 수 있도록 지원합니다.

자동차의 교통 표지판 인식부터 소매점의 선반 확인까지, 컴퓨터 비전은 이제 많은 일상 도구의 일부가 되었습니다. 이러한 작업은 사진이나 비디오를 빠르게 스캔하여 중요한 내용을 식별할 수 있는 비전 AI 모델에 의존합니다.

시간이 지남에 따라 이러한 모델은 더 빠르고 정확해졌으며, 농업, 의료, 보안, 소매 등 여러 분야에서 유용하게 사용되고 있습니다. 예를 들어, Ultralytics YOLO11은 속도와 정밀도를 바탕으로 다양한 컴퓨터 비전 작업을 수행하도록 구축된 모델입니다. 이 모델은 객체를 탐지 및 분류하고, 움직임을 추적하며, 신체 포즈를 추정할 수 있습니다.

컴퓨터 비전을 연구 단계에서 실제 응용 프로그램으로 전환하는 데 있어 배포는 매우 중요한 부분입니다. 모델 학습이 완료되면 다음 단계는 휴대폰, 엣지 하드웨어 또는 클라우드 서버와 같은 장치에서 해당 모델을 실행하는 것입니다.

그림 1. 모델 배포는 모든 컴퓨터 비전 프로젝트의 핵심 부분입니다.

이를 지원하기 위해 YOLO11과 같은 Ultralytics YOLO 모델은 대상 플랫폼에 따라 다양한 형식으로 내보낼 수 있습니다. 이러한 형식 중 하나는 광범위한 장치 및 시스템 전반에서 효율적인 모델 배포와 추론을 가능하게 하는 오픈 소스 AI 프레임워크인 PaddlePaddle입니다.

이 문서에서는 다양한 플랫폼에서 효율적인 배포를 구현하기 위해 Ultralytics가 지원하는 PaddlePaddle 통합을 통해 어떻게 Ultralytics YOLO11을 내보낼 수 있는지 살펴봅니다.

Link to this sectionPaddlePaddle이란 무엇인가요?#

연구 환경 외부(예: 모바일 장치나 엣지 하드웨어)에 AI 모델을 배포하는 것은 때때로 어려울 수 있으며, 특히 모델이 효율적으로 실행되고 최소한의 리소스를 사용해야 할 때는 더욱 그렇습니다. PaddlePaddle은 바로 이러한 요구를 돕기 위해 설계된 딥러닝 프레임워크입니다.

이는 Parallel Distributed Deep Learning(병렬 분산 딥러닝)의 약자를 딴 중국의 오픈 소스 플랫폼입니다. AI 및 소프트웨어 인프라 분야에서 잘 알려진 기업인 Baidu가 개발한 PaddlePaddle은 연구뿐만 아니라 실제 응용 분야를 위해 특별히 만들어졌습니다.

개발자는 PaddlePaddle 형식의 모델을 서버, 엣지 장치, 심지어 모바일 하드웨어에서도 실행할 수 있습니다. 또한 로우 코드 및 노 코드 옵션을 포함하여 AI 개발을 단순화하는 도구를 지원합니다. 이 플랫폼은 470만 명 이상의 강력한 개발자 커뮤니티를 보유하고 있으며 의료, 농업, 제조, 금융 등 다양한 산업 전반에서 사용됩니다.

Link to this sectionPaddlePaddle의 주요 특징#

PaddlePaddle이 실제 장치에서 모델을 보다 효율적으로 실행하도록 돕는 몇 가지 주요 특징은 다음과 같습니다:

• 동적-정적 그래프 변환: 이 기능은 유연한 모델을 더 원활하고 예측 가능하게 실행되는 고정 버전으로 바꿉니다. 고정된 모델은 최적화하기가 더 쉽고 예측을 수행할 때 더 빠릅니다.
• 연산자 융합: PaddlePaddle은 모델 내의 여러 단계를 하나로 결합할 수 있습니다. 이는 모델이 사용하는 메모리 양을 줄이고 실행 속도를 높이는 데 도움이 됩니다. 여러 작업을 단일 동작으로 결합하여 시간을 절약하는 것과 같습니다.
• 양자화: 이는 더 단순한 숫자(예: 소수점 이하 자릿수 반올림)를 사용하여 모델 크기를 줄입니다. 이는 정확도를 크게 잃지 않으면서 휴대폰이나 스마트 카메라와 같이 제한된 전력을 가진 장치에서 모델을 실행하는 데 도움이 됩니다.

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

Link to this sectionPaddlePaddle을 이용한 YOLO11 배포 개요#

Ultralytics가 지원하는 PaddlePaddle 통합은 학습에서 배포로의 전환을 더 쉽게 만들어 줍니다. 이미 PaddlePaddle 도구를 사용하는 개발자는 YOLO11을 자신의 워크플로에 더 쉽게 도입할 수 있습니다.

Ultralytics Python 패키지는 YOLO11 모델을 PaddlePaddle 형식으로 직접 내보내는 기능을 지원하여, 개발자가 별도의 도구나 수동 변환 단계 없이도 학습된 모델을 배포할 수 있도록 합니다.

내보내기 프로세스는 명령줄이나 Python 코드를 사용하여 수행할 수 있으므로 개발자는 자신의 워크플로에 가장 적합한 방법을 선택할 수 있습니다. 이는 작업을 단순하게 유지하고 설정 문제의 가능성을 줄이는 데 도움이 됩니다. 내보낸 모델은 객체 탐지, 이미지 분류, 포즈 추정 및 인스턴스 세그멘테이션과 같은 컴퓨터 비전 작업에 사용할 수 있습니다.

이는 메모리가 제한적이거나 빠른 처리가 필요한 장치 배포 시나리오에 적합한 훌륭한 옵션입니다. 내보낸 모델은 리소스가 제한된 시스템에서도 효율적으로 실행되도록 최적화되어 있습니다.

Link to this sectionYOLO11 모델을 PaddlePaddle 형식으로 내보내는 방법#

YOLO11을 PaddlePaddle 모델 형식으로 내보내는 과정은 몇 단계로 간단하게 완료됩니다.

첫 번째 단계는 'pip'와 같은 패키지 관리자를 사용하여 Ultralytics Python 패키지를 설치하는 것입니다. 명령 프롬프트나 터미널에서 "pip install ultralytics" 명령을 실행하여 시작할 수 있습니다.

Ultralytics 패키지는 다양한 컴퓨터 비전 작업을 위한 모델의 학습, 평가, 파인튜닝, 내보내기 및 배포 도구를 제공합니다. 설치 중 문제가 발생하면 공통 문제 가이드에서 문제 해결 팁을 확인하십시오.

환경이 설정되면 아래와 같이 사전 학습된 YOLO11 모델(예: "yolo11n.pt")을 로드하고 내보낼 수 있습니다. 또한 직접 학습시킨 커스텀 YOLO11 모델을 내보낼 수도 있습니다.

from ultralytics import YOLO

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

모델이 PaddlePaddle 형식으로 변환된 후에는 다양한 유형의 하드웨어에서 여러 시나리오에 배포할 수 있습니다.

예를 들어, 아래 예제에서는 PaddlePaddle 형식으로 내보낸 YOLO11 모델을 로드하여 예측을 수행합니다. 추론 실행이라고 알려진 이 과정은 단순히 모델을 사용하여 새로운 데이터를 분석하는 것을 의미합니다. 여기서는 두 마리의 개가 포함된 이미지로 테스트를 진행합니다.

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 포함된 출력 이미지가 "runs/detect/predict" 폴더에 자동으로 저장됩니다.

그림 3. 내보낸 YOLO11 모델을 사용하여 이미지 내 객체 탐지. 이미지 제공: 저자.

Link to this sectionPaddlePaddle 프레임워크를 사용한 YOLO11 배포#

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

• Paddle Serving: 모델을 REST API로 배포할 수 있도록 지원하며, 버전 관리나 온라인 테스트와 같은 기능이 필요한 클라우드 또는 서버 환경에 적합한 선택입니다.
• Paddle Inference API: 모델 실행 방식에 대한 제어 권한을 더 많이 제공하며, 성능을 파인튜닝하거나 사용자 정의 애플리케이션 로직을 구축해야 할 때 유용합니다.
• Paddle Lite: 모바일 장치, 태블릿 및 임베디드 시스템에서의 경량 배포를 위해 설계되었습니다. 리소스가 제한된 하드웨어에서 더 작은 모델과 더 빠른 추론을 위해 최적화되었습니다.
• Paddle.js: WebGL 및 WebAssembly와 같은 기술을 사용하여 웹 브라우저에서 AI 모델을 실행할 수 있게 해주며, 대화형 데모 및 브라우저 기반 도구에 유용합니다.

그림 4. PaddlePaddle로 활성화되는 배포 옵션. 이미지 제공: 저자.

환경에 적합한 도구를 선택하면 내보낸 모델을 로드할 수 있습니다. 그다음 단계는 PaddlePaddle 엔진이 담당합니다. 엔진이 모델을 로드하고, 입력 이미지를 처리하며, 결과를 반환합니다.

Link to this sectionPaddlePaddle 통합을 언제 선택해야 할까요?#

Ultralytics Python 패키지는 다양한 기타 내보내기 형식을 지원하므로, 언제 PaddlePaddle이 올바른 선택인지 궁금할 수 있습니다.

PaddlePaddle은 스마트폰, 임베디드 시스템, 엣지 하드웨어와 같이 리소스가 제한된 장치에 모델을 배포하려는 경우 신뢰할 수 있는 옵션입니다. 또한 모바일 앱 내 객체 탐지, 스마트 카메라의 비전 기반 모니터링, 클라우드 지원 없이 기기에서 직접 실행되는 포즈 추정과 같이 빠르고 효율적인 성능이 필요한 실시간 애플리케이션에 매우 좋습니다.

그 외에도 프로젝트를 오프라인이나 연결이 원활하지 않은 환경에서 실행해야 하는 경우, PaddlePaddle 통합 사용을 고려할 수 있습니다. 제조 분야의 시각적 검사 도구, 현장 조사를 위한 휴대용 장치 또는 AI 기반 소매 스캐너와 같은 애플리케이션은 PaddlePaddle의 가벼운 런타임과 유연한 배포 옵션을 활용할 수 있습니다.

Link to this section고려해야 할 PaddlePaddle의 제한 사항#

PaddlePaddle은 흥미로운 배포 기능을 제공하지만, 알아두어야 할 몇 가지 제약 요인이 있습니다:

• 더 작은 글로벌 커뮤니티: 중국 외 지역에서는 사용자 및 기여자 기반이 비교적 작습니다. 이로 인해 커뮤니티 지원, 해결된 GitHub 이슈 또는 Stack Overflow 답변을 찾기가 더 어려울 수 있습니다.
• Baidu 도구 외의 도구에 대한 더 가파른 학습 곡선: PaddlePaddle은 Baidu의 생태계와 원활하게 통합되지만, 그 외부에서 사용할 경우 추가적인 구성 및 설정 단계가 필요할 수 있습니다.
• 주류 ML 도구와의 통합 부족: PaddlePaddle은 Hugging Face Transformers, MLflow 또는 Kubernetes 기반 AI 서비스와 같은 일반적인 도구와의 호환성이 제한적입니다.

Link to this section핵심 요약#

Ultralytics가 지원하는 PaddlePaddle 통합을 통해 다양한 장치에서 YOLO11 모델을 쉽게 내보내고 배포할 수 있습니다. 특히 모바일 앱, 스마트 카메라 또는 임베디드 시스템과 같이 효율적인 온디바이스 성능이 필요한 프로젝트에 유용합니다.

몇 단계만 거치면 강력한 비전 모델을 실제 응용 분야에 도입할 수 있습니다. 컴퓨터 비전이 계속 발전함에 따라, YOLO 및 PaddlePaddle과 같은 도구는 소비자용 장치부터 산업용 도구에 이르기까지 빠르고 지능적인 시스템을 그 어느 때보다 쉽게 구축할 수 있도록 돕고 있습니다.

오늘 저희의 성장하는 커뮤니티에 참여하세요! GitHub 저장소를 탐색하여 AI에 대해 더 깊이 알아보세요. 자신만의 컴퓨터 비전 프로젝트를 구축하고 싶으신가요? 라이선스 옵션을 살펴보세요. 솔루션 페이지를 방문하여 의료 분야의 컴퓨터 비전이 어떻게 효율성을 향상시키고 있는지 알아보고 소매 분야의 AI의 영향력을 살펴보세요!