Exportar o Ultralytics YOLO11 utilizando a integração com PaddlePaddle

À medida que a inteligência artificial (AI) avança, as máquinas estão a tornar-se melhores a compreender o mundo à sua volta. Uma área fundamental que impulsiona este progresso é a visão computacional, um ramo da AI que permite às máquinas interpretar dados visuais e tomar decisões com base neles.

Desde ajudar os automóveis a reconhecer sinais de trânsito até verificar prateleiras em lojas de retalho, a visão computacional já faz parte de muitas ferramentas do dia a dia. Estas tarefas dependem de modelos de AI para visão que conseguem analisar rapidamente uma fotografia ou um vídeo e identificar o que é importante.

Com o tempo, estes modelos tornaram-se mais rápidos e precisos, o que os torna úteis em áreas como agricultura, saúde, segurança e retalho. Por exemplo, o Ultralytics YOLO11 é um modelo concebido para lidar com várias tarefas de visão computacional com rapidez e precisão. Consegue detetar e classificar objetos, acompanhar movimentos e estimar poses corporais.

Uma parte essencial da transição da visão computacional da investigação para aplicações do mundo real é a implementação. Depois de um modelo ser treinado, o passo seguinte é executá-lo em dispositivos como telemóveis, hardware de edge ou servidores na cloud.

Fig. 1. A implementação de modelos é uma parte essencial de qualquer projeto de visão computacional.

Para apoiar este processo, os modelos YOLO da Ultralytics, como o YOLO11, podem ser exportados para vários formatos, dependendo da plataforma de destino. Um desses formatos é o PaddlePaddle, uma framework de AI de código aberto que permite uma implementação e inferência eficientes de modelos numa vasta gama de dispositivos e sistemas.

Neste artigo, vamos explorar como o Ultralytics YOLO11 pode ser exportado através da integração com o PaddlePaddle suportada pela Ultralytics, permitindo uma implementação eficiente em várias plataformas.

O que é o PaddlePaddle?#

Implementar modelos de AI fora de ambientes de investigação, por exemplo em dispositivos móveis ou hardware de edge, pode ser por vezes complicado, especialmente quando é necessário executá-los de forma eficiente e com o mínimo de recursos. O PaddlePaddle é uma framework de aprendizagem profunda concebida precisamente para ajudar nessa tarefa.

É uma plataforma chinesa de código aberto, cujo nome significa Aprendizagem Profunda Distribuída em Paralelo. Desenvolvido pela Baidu, uma empresa conhecida pelo seu trabalho em AI e infraestrutura de software, o PaddlePaddle foi criado especialmente para aplicações do mundo real, e não apenas para investigação.

Os programadores podem executar modelos no formato PaddlePaddle em servidores, dispositivos de edge e até hardware móvel. A plataforma também suporta ferramentas que simplificam o desenvolvimento de AI, incluindo opções de low-code e no-code. A plataforma tem uma forte comunidade de programadores, com mais de 4,7 milhões de utilizadores, e é utilizada em vários setores, incluindo saúde, agricultura, indústria e finanças.

Principais funcionalidades do PaddlePaddle#

Eis algumas das principais funcionalidades que ajudam o PaddlePaddle a executar modelos de forma mais eficiente em dispositivos do mundo real:

• Conversão de grafos dinâmicos em estáticos: Esta funcionalidade transforma um modelo flexível numa versão fixa que é executada de forma mais fluida e previsível. Um modelo fixo é mais fácil de otimizar e mais rápido durante as previsões.
• Fusão de operadores: O PaddlePaddle pode combinar vários passos do modelo num só. Isto reduz a quantidade de memória utilizada pelo modelo e ajuda-o a ser executado mais rapidamente. Pense nisto como combinar várias tarefas numa única ação para poupar tempo.
• Quantização: torna o modelo mais pequeno através da utilização de números mais simples, como o arredondamento para menos casas decimais. Ajuda o modelo a ser executado em dispositivos com potência limitada, como telemóveis ou câmaras inteligentes, sem perder muita precisão.

Fig. 2. Vantagens da utilização do PaddlePaddle. Imagem do autor.

Uma visão geral da implementação do Ultralytics YOLO11 com o PaddlePaddle#

A integração com o PaddlePaddle suportada pela Ultralytics facilita a transição do treino para a implementação. Os programadores que já utilizam ferramentas PaddlePaddle podem integrar o YOLO11 mais facilmente nos seus fluxos de trabalho.

O pacote Python da Ultralytics suporta a exportação direta de modelos YOLO11 para o formato PaddlePaddle, permitindo aos programadores implementar modelos treinados sem ferramentas adicionais ou passos de conversão manuais.

O processo de exportação pode ser realizado através da linha de comandos ou de código Python, pelo que os programadores podem escolher o método que melhor se adapta ao seu fluxo de trabalho. Isto ajuda a simplificar o processo e reduz a probabilidade de problemas de configuração. Depois de exportado, o modelo pode ser utilizado para tarefas de visão computacional, como deteção de objetos, classificação de imagens, estimação de poses e segmentação de instâncias.

É uma excelente opção para cenários de implementação em que os dispositivos têm memória limitada ou necessitam de processamento rápido. Os modelos exportados são otimizados para serem executados de forma eficiente, mesmo em sistemas com recursos limitados.

Como exportar modelos Ultralytics YOLO11 para o formato PaddlePaddle#

São necessários apenas alguns passos para exportar o Ultralytics YOLO11 para o formato de modelo PaddlePaddle.

O primeiro passo é instalar o pacote Python da Ultralytics utilizando um gestor de pacotes como o ‘pip’. Para começar, basta executar o comando “pip install ultralytics” na linha de comandos ou no terminal.

O pacote Ultralytics fornece ferramentas para treinar, avaliar, ajustar, exportar e implementar modelos para várias tarefas de visão computacional. Se tiveres algum problema durante a instalação, consulta o guia de Problemas comuns para obter sugestões de resolução.

Depois de configurares o ambiente, podes carregar e exportar um modelo YOLO11 pré-treinado, como “yolo11n.pt”, conforme mostrado abaixo. Também podes exportar o teu próprio modelo YOLO11 treinado à medida.

from ultralytics import YOLO

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

Depois de o modelo ser convertido para o formato PaddlePaddle, pode ser implementado em vários cenários e em diferentes tipos de hardware.

Por exemplo, no exemplo abaixo, estamos a carregar um modelo Ultralytics YOLO11 que foi exportado para o formato PaddlePaddle e a utilizá-lo para fazer uma previsão. Este processo, conhecido como execução de uma inferência, significa simplesmente utilizar o modelo para analisar novos dados. Neste caso, estamos a testá-lo com uma imagem de dois cães.

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

Depois de executares o código, a imagem de saída com as previsões do modelo será guardada automaticamente na pasta “runs/detect/predict”.

Fig. 3. Utilização do modelo Ultralytics YOLO11 exportado para detetar objetos numa imagem. Imagem do autor.

Implementar o Ultralytics YOLO11 utilizando a framework PaddlePaddle#

O PaddlePaddle oferece várias ferramentas de implementação, cada uma adequada a diferentes dispositivos e casos de utilização, como ambientes na cloud, sistemas incorporados e aplicações web. Eis algumas das principais opções de implementação:

• Paddle Serving: Ajuda a implementar modelos como REST APIs, sendo uma boa escolha para ambientes de cloud ou de servidor que necessitam de funcionalidades como controlo de versões e testes online.
• Paddle Inference API: Dá-te mais controlo sobre a forma como os modelos são executados, o que é útil quando precisas de ajustar o desempenho ou criar lógica de aplicação personalizada.
• Paddle Lite: Foi concebido para uma implementação leve em dispositivos móveis, tablets e sistemas incorporados. É otimizado para modelos mais pequenos e inferência mais rápida em hardware com recursos limitados.
• Paddle.js: Permite executar modelos de AI em navegadores web utilizando tecnologias como WebGL e WebAssembly, o que é útil para demonstrações interativas e ferramentas baseadas no navegador.

Fig. 4. Opções de implementação disponibilizadas pelo PaddlePaddle. Imagem do autor.

Depois de escolheres a ferramenta adequada à tua configuração, podes carregar o modelo exportado. O motor PaddlePaddle trata dos passos seguintes. Carrega o modelo, processa a imagem de entrada e devolve os resultados.

Quando deves escolher a integração com o PaddlePaddle?#

O pacote Python da Ultralytics também suporta vários outros formatos de exportação, pelo que podes perguntar-te: quando é que o PaddlePaddle é a escolha certa?

O PaddlePaddle é uma opção fiável quando procuras implementar modelos em dispositivos com recursos limitados, como smartphones, sistemas incorporados ou hardware de edge. Também é uma excelente escolha para aplicações em tempo real que necessitam de um desempenho rápido e eficiente, como a deteção de objetos em aplicações móveis, a monitorização baseada em visão em câmaras inteligentes ou a estimação de poses executada diretamente no dispositivo, sem suporte da cloud.

Além disso, se o projeto tiver de ser executado offline ou em ambientes com conectividade limitada, podes considerar a utilização da integração com o PaddlePaddle. Aplicações como ferramentas de inspeção visual na indústria, dispositivos portáteis para levantamentos no terreno ou scanners de retalho com AI podem beneficiar do runtime leve do PaddlePaddle e das suas opções flexíveis de implementação.

Limitações do PaddlePaddle a considerar#

Embora o PaddlePaddle ofereça capacidades de implementação interessantes, eis alguns fatores limitativos que deves ter em conta:

• Comunidade global mais pequena: Fora da China, a base de utilizadores e contribuidores é relativamente pequena. Isto pode dificultar a obtenção de apoio da comunidade, de respostas para problemas no GitHub ou de respostas no Stack Overflow.
• Curva de aprendizagem mais acentuada para ferramentas que não são da Baidu: O PaddlePaddle integra-se facilmente com o ecossistema da Baidu, mas a sua utilização fora desse contexto pode envolver passos adicionais de configuração.
• Menos integrações com ferramentas de ML convencionais: O PaddlePaddle tem compatibilidade limitada com ferramentas comuns, como Hugging Face Transformers, MLflow ou serviços de AI nativos do Kubernetes.

Principais conclusões#

A integração com o PaddlePaddle suportada pela Ultralytics facilita a exportação e a implementação de modelos YOLO11 numa vasta gama de dispositivos. É especialmente útil para projetos que exigem um desempenho eficiente no dispositivo, como aplicações móveis, câmaras inteligentes ou sistemas incorporados.

Com apenas alguns passos, podes integrar modelos de visão avançados em aplicações do mundo real. À medida que a visão computacional continua a evoluir, ferramentas como YOLO e PaddlePaddle tornam mais fácil do que nunca criar sistemas rápidos e inteligentes, desde dispositivos de consumo até ferramentas industriais.

Junta-te hoje à nossa crescente comunidade! Aprofunda os teus conhecimentos sobre AI explorando o nosso repositório no GitHub. Queres criar os teus próprios projetos de visão computacional? Explora as nossas opções de licenciamento. Descobre como a visão computacional na área da saúde está a melhorar a eficiência e explora o impacto da AI no retalho visitando as nossas páginas de soluções!