16 de maio de 2025
Descubra como exportar modelos Ultralytics YOLO, como o Ultralytics YOLO11, com PaddlePaddle para implantação eficiente em plataformas edge, móveis e em nuvem.
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.
Com o tempo, esses modelos se tornaram mais rápidos e precisos, tornando-os úteis em áreas como agricultura, saúde, segurança e varejo. Por exemplo, o Ultralytics YOLO11 é um modelo construído para lidar com uma variedade de tarefas de visão computacional com velocidade e precisão. Ele pode detectar e classificar objetos, rastrear 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 suportar isto, os modelos Ultralytics YOLO, como o YOLO11, podem ser exportados para vários formatos, dependendo da plataforma de destino. Um destes formatos é o PaddlePaddle, uma framework de IA de código aberto que permite a implementação e a 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 PaddlePaddle suportada pela Ultralytics para permitir uma implantação eficiente em várias plataformas.
Implementar modelos de IA fora de ambientes de pesquisa, como em dispositivos móveis ou hardware de borda, pode ser complicado às vezes, especialmente quando você precisa que eles sejam executados de forma eficiente e usem recursos mínimos. PaddlePaddle é uma estrutura de aprendizado profundo projetada para ajudar exatamente com isso.
É uma plataforma chinesa de código aberto, cujo nome significa Parallel Distributed Deep Learning. Desenvolvida pela Baidu, uma empresa conhecida pelo seu trabalho em IA e infraestrutura de software, a PaddlePaddle foi criada especialmente para aplicações do mundo real, e não apenas para investigação.
Os desenvolvedores podem executar modelos no formato PaddlePaddle em servidores, dispositivos de borda e até mesmo hardware móvel. Ele também oferece suporte a ferramentas que simplificam o desenvolvimento de IA, incluindo opções de baixo código e sem código. A plataforma tem uma forte comunidade de desenvolvedores com mais de 4,7 milhões de usuários e é usada em diversos setores, incluindo saúde, agricultura, manufatura e finanças.
Aqui estão alguns dos principais recursos que ajudam o PaddlePaddle a executar modelos de forma mais eficiente em dispositivos do mundo real:
A integração do PaddlePaddle suportada pela Ultralytics facilita a transição do treinamento para a implantação. Os desenvolvedores que já usam as ferramentas do PaddlePaddle podem trazer o YOLO11 para seus fluxos de trabalho com mais facilidade.
O pacote Python Ultralytics oferece suporte à exportação direta de modelos YOLO11 para o formato PaddlePaddle, permitindo que os desenvolvedores implantem modelos treinados sem ferramentas extras ou etapas de conversão manual.
O processo de exportação pode ser feito usando a linha de comando ou o código Python, para que os desenvolvedores possam escolher o método que melhor se adapta ao seu fluxo de trabalho. Isso ajuda a manter as coisas simples e reduz a chance de problemas de configuração. Uma vez exportado, o modelo pode ser usado para tarefas de visão computacional, como detecção de objetos, 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.
São necessários apenas alguns passos para exportar o YOLO11 para o formato de modelo PaddlePaddle.
O primeiro passo é instalar o pacote Python Ultralytics usando um gerenciador de pacotes como o ‘pip’. Isso pode ser feito executando o comando “pip install ultralytics” em seu prompt de comando ou terminal para começar.
O pacote Ultralytics fornece ferramentas para treinar, avaliar, ajustar, exportar e implantar modelos para uma variedade de tarefas de visão computacional. Se você encontrar algum problema durante a instalação, consulte o guia de problemas comuns para obter dicas de solução de problemas.
Depois que seu ambiente estiver configurado, você pode carregar e exportar um modelo YOLO11 pré-treinado, como “yolo11n.pt”, conforme mostrado abaixo. Você também pode exportar seu próprio modelo YOLO11 treinado de forma personalizada.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")Depois que seu modelo for convertido para o formato PaddlePaddle, ele poderá ser implantado em vários cenários em diferentes tipos de hardware.
Por exemplo, no exemplo abaixo, estamos carregando um modelo YOLO11 que foi exportado para o formato PaddlePaddle e usando-o para fazer uma previsão. Este processo, conhecido como execução de uma inferência, significa simplesmente usar o modelo para analisar novos dados. Aqui, estamos testando-o 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)Após executar o código, a imagem de saída com as previsões do modelo será salva automaticamente na pasta “runs/detect/predict”.
O PaddlePaddle oferece várias ferramentas de implantação, cada uma adequada para diferentes dispositivos e casos de uso, como ambientes de nuvem, sistemas embarcados e aplicações web. Aqui estão algumas das principais opções de implantação:
Depois de escolher a ferramenta certa para sua configuração, você pode carregar o modelo exportado. O motor PaddlePaddle cuida dos próximos passos. Ele carrega o modelo, processa a imagem de entrada e retorna os resultados.
O pacote Python Ultralytics também oferece suporte a vários outros formatos de exportação, então você pode se perguntar: quando o PaddlePaddle é a escolha certa?
O PaddlePaddle é uma opção confiável quando você está procurando implantar modelos em dispositivos com recursos limitados, como smartphones, sistemas embarcados ou hardware de borda. Também é ótimo para aplicações em tempo real que precisam de desempenho rápido e eficiente, como detecção de objetos em aplicativos móveis, monitoramento baseado em visão em câmeras inteligentes ou estimativa de pose executada diretamente no dispositivo, sem suporte na nuvem.
Além disso, se o projeto precisar ser executado offline ou em ambientes de baixa conectividade, você pode considerar o uso da integração do PaddlePaddle. Aplicações como ferramentas de inspeção visual na fabricação, dispositivos portáteis para pesquisas de campo ou scanners de varejo habilitados para IA podem se beneficiar do tempo de execução leve e das opções de implantação flexíveis do PaddlePaddle.
Embora o PaddlePaddle ofereça capacidades de implantação interessantes, aqui estão alguns fatores limitantes a serem observados:
A integração do PaddlePaddle suportada pela Ultralytics facilita a exportação e a implantação de modelos YOLO11 em uma variedade de dispositivos. É especialmente útil para projetos que exigem desempenho eficiente no dispositivo - como aplicativos móveis, câmeras inteligentes ou sistemas embarcados.
Com apenas alguns passos, você pode trazer modelos de visão poderosos para aplicações do mundo real. À medida que a visão computacional continua a avançar, ferramentas como o YOLO e o PaddlePaddle estão tornando mais fácil do que nunca construir sistemas rápidos e inteligentes em tudo, desde dispositivos de consumo até 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!
.webp)
