PaddlePaddle 통합을 사용하여 Ultralytics YOLO11 export하기

인공지능(AI)이 발전함에 따라 기계는 주변 세계를 더 잘 이해하게 되고 있습니다. 이러한 발전을 이끄는 핵심 분야 중 하나는 컴퓨터 비전으로, 시각 데이터를 기반으로 기계가 해석하고 의사 결정을 내릴 수 있도록 하는 AI의 한 분야입니다.

자동차가 교통 표지판을 인식하도록 돕는 것부터 소매점의 진열대를 확인하는 것까지, 컴퓨터 비전은 이제 많은 일상적인 도구에 활용되고 있습니다. 이러한 작업은 사진이나 동영상을 빠르게 스캔하고 중요한 대상을 식별할 수 있는 비전 AI 모델에 의존합니다.

시간이 지나면서 이러한 모델은 더 빠르고 정확해졌으며, 농업, 의료, 보안, 소매와 같은 분야에서 유용하게 사용되고 있습니다. 예를 들어 Ultralytics YOLO11은 다양한 컴퓨터 비전 작업을 빠르고 정밀하게 처리하도록 설계된 모델입니다. 객체를 탐지하고 분류하며, 움직임을 추적하고, 신체 자세를 추정할 수 있습니다.

컴퓨터 비전을 연구에서 실제 애플리케이션으로 전환하는 데 배포는 매우 중요한 부분입니다. 모델을 학습한 후에는 휴대폰, 엣지 하드웨어 또는 클라우드 서버와 같은 디바이스에서 모델을 실행해야 합니다.

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 하나가 PaddlePaddle입니다. PaddlePaddle은 다양한 디바이스와 시스템에서 효율적인 모델 배포와 추론을 지원하는 오픈 소스 AI 프레임워크입니다.

이 글에서는 Ultralytics가 지원하는 PaddlePaddle 통합을 통해 Ultralytics YOLO11을 내보내고 다양한 플랫폼에 효율적으로 배포하는 방법을 살펴봅니다.

PaddlePaddle이란 무엇인가요?#

모바일 디바이스나 엣지 하드웨어와 같이 연구 환경 외부에서 AI 모델을 배포하는 일은 때때로 까다로울 수 있으며, 특히 모델을 효율적으로 실행하면서 리소스 사용량을 최소화해야 하는 경우 더욱 그렇습니다. PaddlePaddle은 바로 이러한 목적을 지원하도록 설계된 딥 러닝 프레임워크입니다.

PaddlePaddle은 Parallel Distributed Deep Learning을 의미하는 이름을 가진 중국의 오픈 소스 플랫폼입니다. AI와 소프트웨어 인프라 분야에서 활발히 활동해 온 기업 Baidu가 개발한 PaddlePaddle은 단순한 연구가 아니라 실제 애플리케이션을 위해 특별히 제작되었습니다.

개발자는 서버, 엣지 디바이스, 심지어 모바일 하드웨어에서도 PaddlePaddle 형식의 모델을 실행할 수 있습니다. 또한 로우 코드 및 노 코드 옵션을 포함하여 AI 개발을 간소화하는 도구를 지원합니다. 이 플랫폼은 470만 명이 넘는 강력한 개발자 커뮤니티를 보유하고 있으며, 의료, 농업, 제조, 금융을 비롯한 다양한 산업에서 사용되고 있습니다.

PaddlePaddle의 주요 기능#

다음은 PaddlePaddle이 실제 디바이스에서 모델을 더 효율적으로 실행하도록 지원하는 주요 기능입니다.

• 동적 그래프에서 정적 그래프로의 변환: 이 기능은 유연한 모델을 더 원활하고 예측 가능하게 실행되는 고정된 버전으로 변환합니다. 고정된 모델은 최적화하기 쉽고 예측 시 더 빠르게 실행됩니다.
• 연산자 융합: PaddlePaddle은 모델의 여러 단계를 하나로 결합할 수 있습니다. 이를 통해 모델의 메모리 사용량을 줄이고 더 빠르게 실행할 수 있습니다. 시간을 절약하기 위해 여러 작업을 하나의 동작으로 결합하는 것과 같습니다.
• 양자화: 더 단순한 숫자(예: 소수점 이하 자릿수를 줄이는 반올림)를 사용하여 모델을 더 작게 만듭니다. 정확도를 크게 떨어뜨리지 않으면서 휴대폰이나 스마트 카메라처럼 전력이 제한된 디바이스에서 모델을 실행하는 데 도움이 됩니다.

그림 2. PaddlePaddle 사용의 장점. 이미지 작성자 제공.

PaddlePaddle을 사용한 Ultralytics YOLO11 배포 개요#

Ultralytics가 지원하는 PaddlePaddle 통합을 사용하면 학습에서 배포로 전환하기가 더 쉬워집니다. 이미 PaddlePaddle 도구를 사용하는 개발자는 YOLO11을 워크플로에 더 쉽게 통합할 수 있습니다.

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

내보내기 프로세스는 명령줄 또는 Python 코드를 사용하여 수행할 수 있으므로, 개발자는 자신의 워크플로에 가장 적합한 방법을 선택할 수 있습니다. 이를 통해 작업을 간소화하고 설정 문제의 가능성을 줄일 수 있습니다. 내보낸 모델은 객체 탐지, 이미지 분류, 자세 추정, 인스턴스 세그멘테이션과 같은 컴퓨터 비전 작업에 사용할 수 있습니다.

메모리가 제한된 디바이스나 빠른 처리가 필요한 배포 시나리오에 적합한 옵션입니다. 내보낸 모델은 리소스가 제한된 시스템에서도 효율적으로 실행되도록 최적화됩니다.

Ultralytics YOLO11 모델을 PaddlePaddle 형식으로 내보내는 방법#

Ultralytics YOLO11을 PaddlePaddle 모델 형식으로 내보내는 데는 몇 단계만 필요합니다.

첫 번째 단계는 ‘pip’와 같은 패키지 관리자를 사용하여 Ultralytics Python 패키지를 설치하는 것입니다. 시작하려면 명령 프롬프트나 터미널에서 “pip install ultralytics” 명령을 실행하면 됩니다.

Ultralytics 패키지는 다양한 컴퓨터 비전 작업을 위한 모델 학습, 평가, 파인 튜닝, 내보내기, 배포 도구를 제공합니다. 설치 중 문제가 발생하면 문제 해결 팁을 확인할 수 있는 일반적인 문제 가이드를 참조하세요.

환경을 설정한 후에는 아래와 같이 “yolo11n.pt”와 같은 사전 학습된 YOLO11 모델을 로드하고 내보낼 수 있습니다. 직접 커스텀 학습한 YOLO11 모델을 내보낼 수도 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 예제에서는 PaddlePaddle 형식으로 내보낸 Ultralytics YOLO11 모델을 로드하고 이를 사용하여 예측을 수행합니다. 추론 실행이라고 하는 이 프로세스는 간단히 말해 모델을 사용하여 새로운 데이터를 분석하는 것입니다. 여기서는 두 마리의 개가 있는 이미지로 테스트합니다.

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

코드를 실행하면 모델의 예측이 포함된 출력 이미지가 “runs/detect/predict” 폴더에 자동으로 저장됩니다.

그림 3. 내보낸 Ultralytics YOLO11 모델을 사용하여 이미지에서 객체 탐지. 이미지 작성자 제공.

PaddlePaddle 프레임워크를 사용한 Ultralytics YOLO11 배포#

PaddlePaddle은 클라우드 환경, 임베디드 시스템, 웹 애플리케이션 등 다양한 디바이스와 사용 사례에 적합한 여러 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 더욱 세밀하게 제어할 수 있어 성능을 미세 조정하거나 커스텀 애플리케이션 로직을 구축해야 할 때 유용합니다.
• Paddle Lite: 모바일 디바이스, 태블릿, 임베디드 시스템에서 경량 배포를 수행하도록 설계되었습니다. 소형 모델과 리소스가 제한된 하드웨어에서의 빠른 추론에 최적화되어 있습니다.
• Paddle.js: WebGL 및 WebAssembly와 같은 기술을 사용하여 웹 브라우저에서 AI 모델을 실행할 수 있도록 하므로, 대화형 데모와 브라우저 기반 도구에 유용합니다.

그림 4. PaddlePaddle이 지원하는 배포 옵션. 이미지 작성자 제공.

설정에 적합한 도구를 선택한 후에는 내보낸 모델을 로드할 수 있습니다. 이후 단계는 PaddlePaddle 엔진이 처리합니다. 엔진은 모델을 로드하고 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 또는 엣지 하드웨어와 같이 리소스가 제한된 디바이스에 모델을 배포하려는 경우 PaddlePaddle은 신뢰할 수 있는 옵션입니다. 또한 모바일 앱의 객체 탐지, 스마트 카메라의 비전 기반 모니터링, 클라우드 지원 없이 디바이스에서 직접 실행되는 자세 추정과 같이 빠르고 효율적인 성능이 필요한 실시간 애플리케이션에도 적합합니다.

이와 더불어 프로젝트를 오프라인 또는 연결성이 낮은 환경에서 실행해야 한다면 PaddlePaddle 통합을 고려할 수 있습니다. 제조 분야의 시각 검사 도구, 현장 조사를 위한 휴대용 디바이스, AI를 지원하는 소매 스캐너와 같은 애플리케이션은 PaddlePaddle의 경량 런타임과 유연한 배포 옵션을 활용할 수 있습니다.

고려해야 할 PaddlePaddle의 제한 사항#

PaddlePaddle은 다양한 배포 기능을 제공하지만, 다음과 같은 제약 요인을 고려해야 합니다.

• 더 작은 글로벌 커뮤니티: 중국 외 지역에서는 사용자 및 기여자 기반이 상대적으로 작습니다. 이로 인해 커뮤니티 지원, 해결된 GitHub 이슈 또는 Stack Overflow 답변을 찾기가 더 어려울 수 있습니다.
• Baidu 이외의 도구를 사용할 때 더 가파른 학습 곡선: PaddlePaddle은 Baidu 생태계와 원활하게 통합되지만, 해당 생태계 외부에서 사용하려면 추가 구성 및 설정 단계가 필요할 수 있습니다.
• 주요 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 디바이스에서 YOLO11 모델을 쉽게 내보내고 배포할 수 있습니다. 특히 모바일 앱, 스마트 카메라, 임베디드 시스템과 같이 디바이스에서 효율적인 성능이 필요한 프로젝트에 유용합니다.

몇 단계만 거치면 강력한 비전 모델을 실제 애플리케이션에 도입할 수 있습니다. 컴퓨터 비전이 계속 발전함에 따라 YOLO와 PaddlePaddle 같은 도구는 소비자용 디바이스부터 산업용 도구에 이르기까지 다양한 환경에서 빠르고 지능적인 시스템을 그 어느 때보다 쉽게 구축할 수 있도록 지원하고 있습니다.

오늘 성장하고 있는 커뮤니티에 참여하세요! GitHub 저장소를 살펴보며 AI에 대해 더 깊이 알아보세요. 직접 컴퓨터 비전 프로젝트를 구축하고 싶으신가요? 라이선스 옵션을 살펴보세요. 의료 분야의 컴퓨터 비전이 효율성을 어떻게 향상시키는지 알아보고, 솔루션 페이지를 방문하여 소매 분야의 AI가 미치는 영향을 살펴보세요!