Exportação do Ultralytics YOLO11 utilizando a integração PaddlePaddle

À medida que a inteligência artificial (IA) avança, as máquinas estão ficando melhores em entender o mundo ao seu redor. Uma área chave que impulsiona esse progresso é a visão computacional, um ramo da IA que permite que as máquinas interpretem e tomem decisões com base em dados visuais.

Desde ajudar carros a reconhecer sinais de trânsito até verificar prateleiras em lojas de varejo, a visão computacional agora faz parte de muitas ferramentas cotidianas. Essas tarefas dependem de modelos de Visão de IA que podem escanear rapidamente uma foto ou vídeo e identificar o que é importante.

Ao longo do tempo, estes modelos tornaram-se mais rápidos e mais precisos, tornando-os úteis em áreas como a agricultura, os cuidados de saúde, a segurança e o retalho. Por exemplo, Ultralytics YOLO11 é um modelo criado para lidar com uma série de tarefas de visão computacional com velocidade e precisão. Pode detect e classify objectos, track movimentos e estimar poses corporais.

Uma parte vital da transição da visão computacional da pesquisa para aplicações no mundo real é a implantação. Depois que um modelo é treinado, o próximo passo é executá-lo em dispositivos como telefones, hardware de borda ou servidores em nuvem. 

‍

Para o efeito, os modelosUltralytics YOLO , como o YOLO11 , podem ser exportados para vários formatos, consoante a plataforma de destino. Um desses formatos é o PaddlePaddle, uma estrutura de IA de código aberto que permite a implementação e inferência eficientes de modelos numa vasta gama de dispositivos e sistemas.

Neste artigo, vamos explorar a forma como Ultralytics YOLO11 pode ser exportado através da integraçãoPaddlePaddle suportada pelo Ultralytics para permitir uma implementação eficiente em várias plataformas.

O que é o PaddlePaddle? 

A implementação de modelos de IA fora dos ambientes de investigação, como em dispositivos móveis ou hardware de ponta, pode por vezes ser complicada, especialmente quando é necessário que funcionem de forma eficiente e utilizem o mínimo de recursos. PaddlePaddle é uma estrutura de aprendizagem profunda concebida para ajudar exatamente nisso.

Trata-se de uma plataforma chinesa de código aberto, cujo nome significa Parallel Distributed Deep Learning. Desenvolvida pela Baidu, uma empresa bem conhecida pelo seu trabalho em IA e infra-estruturas de software, PaddlePaddle foi criada especialmente para aplicações do mundo real e não apenas para investigação.

Os programadores podem executar modelos no formato PaddlePaddle em servidores, dispositivos de ponta e até mesmo em hardware móvel. Também suporta ferramentas que simplificam o desenvolvimento de IA, incluindo opções de baixo código e sem código. A plataforma tem uma forte comunidade de programadores com mais de 4,7 milhões de utilizadores e é utilizada numa variedade de sectores, incluindo os cuidados de saúde, a agricultura, a indústria transformadora e as finanças.

Principais caraterísticas do PaddlePaddle

Aqui estão algumas das principais caraterísticas que ajudam PaddlePaddle a executar modelos de forma mais eficiente em dispositivos do mundo real:

• Conversão de grafo dinâmico para estático: Esta funcionalidade transforma um modelo flexível numa versão fixa que funciona de forma mais suave e previsível. Um modelo fixo é mais fácil de otimizar e mais rápido ao fazer previsões.
  ‍
• Fusão de operadores: PaddlePaddle pode combinar vários passos do modelo num só. Isto reduz a quantidade de memória que o modelo utiliza e ajuda-o a funcionar mais rapidamente. Pense nisso como combinar várias tarefas em uma única ação para economizar tempo.
  ‍
• Quantização: Isso torna o modelo menor usando números mais simples (como arredondar para menos casas decimais). Ajuda o modelo a ser executado em dispositivos com energia limitada, como telefones ou câmeras inteligentes, sem perder muita precisão.

‍

Uma visão geral da implementação YOLO11 com o PaddlePaddle

A integração PaddlePaddle suportada pelo Ultralytics facilita a passagem da formação para a implementação. Os programadores que já utilizam as ferramentas PaddlePaddle podem integrar mais facilmente YOLO11 nos seus fluxos de trabalho.

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

O processo de exportação pode ser efectuado utilizando a linha de comandos ou o código Python , pelo que os programadores podem escolher o método que melhor se adequa ao seu fluxo de trabalho. Isto ajuda a manter as coisas simples e reduz a possibilidade de problemas de configuração. Uma vez exportado, o modelo pode ser utilizado para tarefas de visão por computador, como deteção de objectos, classificação de imagens, estimativa de pose e segmentação de instâncias.

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

Como exportar modelos YOLO11 para o formato PaddlePaddle

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

O primeiro passo é instalar o pacoteUltralytics Python usando um gerenciador de pacotes como o 'pip'. Isto pode ser feito executando o comando "pip install ultralytics" no seu prompt de comando ou terminal para começar.

O pacote Ultralytics fornece ferramentas para treinamento, avaliação, ajuste fino, exportação e implantação de modelos para uma variedade de tarefas de visão computacional. Se tiver algum problema durante a instalação, consulte o guia Problemas comuns para obter dicas de solução de problemas.

Uma vez configurado o ambiente, pode carregar e exportar um modelo YOLO11 pré-treinado, como o "yolo11n.pt", como se mostra abaixo. Também pode exportar o seu próprio modelo YOLO11 treinado à medida.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="paddle")

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

Por exemplo, no exemplo abaixo, estamos a carregar um modelo YOLO11 que foi exportado para o formato PaddlePaddle e a utilizá-lo para fazer uma previsão. Esse processo, conhecido como execução de uma inferência, significa simplesmente usar o modelo para analisar novos dados. Aqui, 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 executar o código, a imagem de saída com as previsões do modelo será guardada automaticamente na pasta "detect".

‍

Implantação do YOLO11 usando o framework PaddlePaddle

PaddlePaddle oferece várias ferramentas de implementação, cada uma delas adequada a diferentes dispositivos e casos de utilização, como ambientes de nuvem, sistemas incorporados e aplicações Web. Aqui estão algumas das principais opções de implantação:

• Paddle Serving: Ajuda a implementar modelos como APIs REST, tornando-o uma boa escolha para ambientes de nuvem ou servidor que precisam de recursos como controle de versão e testes online.
  ‍
• Inference API de pás: Dá-lhe mais controlo sobre a forma como os modelos são executados, o que é útil quando precisa de ajustar o desempenho ou criar uma lógica de aplicação personalizada.
  ‍
• Paddle Lite: Projetado para implementação leve em dispositivos móveis, tablets e sistemas embarcados. É otimizado para modelos menores e inferência mais rápida em hardware com recursos limitados.
  ‍
• Paddle.js: Permite executar modelos de IA em navegadores da web usando tecnologias como WebGL e WebAssembly, o que é útil para demonstrações interativas e ferramentas baseadas em navegador.

‍

Depois de escolher a ferramenta certa para a sua configuração, pode carregar o modelo exportado. O motor PaddlePaddle encarrega-se dos passos seguintes. Carrega o modelo, processa a imagem de entrada e devolve os resultados.

Quando é que deve escolher a integração PaddlePaddle ?

O pacote Ultralytics Python também suporta vários outros formatos de exportação, pelo que poderá dar por si a perguntar: Quando é que PaddlePaddle é a escolha certa?

PaddlePaddle é uma opção fiável quando se pretende implementar modelos em dispositivos com recursos limitados, como smartphones, sistemas incorporados ou hardware de ponta. Também é excelente para aplicações em tempo real que necessitam de um desempenho rápido e eficiente, como a deteção de objectos em aplicações móveis, a monitorização baseada na visão em câmaras inteligentes ou a estimativa de pose executada diretamente no dispositivo sem suporte na nuvem.

Além disso, se o projeto precisar de ser executado offline ou em ambientes de baixa conetividade, pode considerar a utilização da integração PaddlePaddle . Aplicações como ferramentas de inspeção visual no fabrico, dispositivos portáteis para inquéritos de campo ou scanners de retalho com IA podem beneficiar do tempo de execução leve e das opções de implementação flexíveis do PaddlePaddle. 

Limitações PaddlePaddle a considerar

Embora PaddlePaddle ofereça capacidades de utilização interessantes, existem alguns factores restritivos que devem ser tidos em conta:

• Comunidade global menor: Fora da China, a base de usuários e colaboradores é relativamente pequena. Isso pode dificultar a busca por suporte da comunidade, problemas resolvidos no GitHub ou respostas no Stack Overflow.
  ‍
• Curva de aprendizagem mais acentuada para ferramentas não-Baidu: PaddlePaddle integra-se sem problemas no ecossistema da Baidu, mas a sua utilização fora desse contexto pode implicar passos adicionais de configuração e instalação.
  ‍
• Menos integrações com as principais ferramentas de ML: PaddlePaddle tem compatibilidade limitada com ferramentas comuns, como Hugging Face Transformers, MLflow ou serviços de IA nativos do Kubernetes.

Principais conclusões

A integração PaddlePaddle suportada pelo Ultralytics facilita a exportação e a implementação de modelos YOLO11 numa série de dispositivos. É especialmente útil para projectos que requerem um desempenho eficiente e no dispositivo - como aplicações móveis, câmaras inteligentes ou sistemas incorporados.

Com apenas alguns passos, é possível trazer modelos de visão poderosos para aplicações do mundo real. À medida que a visão computacional continua a avançar, ferramentas como o YOLO e PaddlePaddle estão a tornar mais fácil do que nunca a construção de sistemas rápidos e inteligentes em tudo, desde dispositivos de consumo a ferramentas industriais.

Junte-se à nossa crescente comunidade hoje mesmo! Aprofunde-se em IA explorando o nosso repositório no GitHub. Quer construir seus próprios projetos de visão computacional? Explore nossas opções de licenciamento. Saiba como a visão computacional na área da saúde está melhorando a eficiência e explore o impacto da IA no varejo visitando nossas páginas de soluções!