Exportando o Ultralytics YOLO11 usando a integração do PaddlePaddle

À medida que a inteligência artificial (IA) avança, as máquinas ficam cada vez melhores em compreender o mundo ao seu redor. Uma área fundamental para esse progresso é a visão computacional, um ramo da IA que permite às máquinas interpretar dados visuais e tomar decisões com base neles.

De ajudar carros a reconhecer placas de trânsito a verificar prateleiras em lojas, a visão computacional já faz parte de muitas ferramentas do dia a dia. Essas tarefas dependem de modelos de IA de visão que conseguem analisar rapidamente uma foto ou um vídeo e identificar o que é importante.

Com o tempo, esses modelos ficaram mais rápidos e precisos, tornando-se úteis em áreas como agricultura, saúde, segurança e varejo. Por exemplo, o Ultralytics YOLO11 é um modelo desenvolvido para executar diversas tarefas de visão computacional com velocidade e precisão. Ele pode detectar e classificar objetos, rastrear movimentos e estimar poses corporais.

Uma etapa essencial para levar a visão computacional da pesquisa a aplicações no mundo real é a implantação. Depois que um modelo é treinado, a próxima etapa é executá-lo em dispositivos como celulares, hardware de borda ou servidores na nuvem.

Fig. 1. A implantação de modelos é uma etapa essencial de qualquer projeto de visão computacional.

Para isso, os modelos Ultralytics YOLO, como o YOLO11, podem ser exportados para diversos formatos, de acordo com a plataforma de destino. Um desses formatos é o PaddlePaddle, uma estrutura de IA de código aberto que permite a implantação e a inferência eficientes de modelos em uma ampla variedade de dispositivos e sistemas.

Neste artigo, vamos explorar como exportar o Ultralytics YOLO11 por meio da integração com PaddlePaddle oferecida pela Ultralytics, permitindo uma implantação eficiente em várias plataformas.

O que é PaddlePaddle?#

Implantar modelos de IA fora do ambiente de pesquisa, por exemplo, em dispositivos móveis ou hardware de borda, pode ser complicado, especialmente quando eles precisam funcionar com eficiência e consumir poucos recursos. O PaddlePaddle é uma estrutura de deep learning desenvolvida justamente para isso.

É uma plataforma chinesa de código aberto, cujo nome significa aprendizado profundo distribuído em paralelo. Desenvolvido pela Baidu, uma empresa conhecida pelo trabalho em IA e infraestrutura de software, o PaddlePaddle foi criado especialmente para aplicações no mundo real, não apenas para pesquisa.

Desenvolvedores podem executar modelos no formato PaddlePaddle em servidores, dispositivos de borda e até mesmo em hardware móvel. A plataforma também oferece suporte a ferramentas que simplificam o desenvolvimento de IA, incluindo opções de pouco código e sem código. Conta com uma forte comunidade de desenvolvedores e é usada em diversos setores, incluindo saúde, agricultura, manufatura e finanças.

Principais recursos do PaddlePaddle#

Veja alguns dos principais recursos que ajudam o PaddlePaddle a executar modelos com mais eficiência em dispositivos do mundo real:

• Conversão de grafo dinâmico em estático: Esse recurso transforma um modelo flexível em uma versão fixa, que é executada de forma mais fluida e previsível. Um modelo fixo é mais fácil de otimizar e faz predições mais rapidamente.
• Fusão de operadores: O PaddlePaddle pode combinar várias etapas do modelo em uma só. Isso reduz o uso de memória do modelo e ajuda a acelerar sua execução. Pense nisso como combinar várias tarefas em uma única ação para economizar tempo.
• Quantização: Esse processo reduz o tamanho do modelo usando números mais simples (por exemplo, arredondando para menos casas decimais). Isso ajuda o modelo a funcionar em dispositivos com recursos limitados, como celulares ou câmeras inteligentes, sem perder muita precisão.

Fig. 2. Vantagens de usar PaddlePaddle. Imagem do autor.

Visão geral da implantação do Ultralytics YOLO11 com PaddlePaddle#

A integração com PaddlePaddle oferecida pela Ultralytics facilita a transição do treinamento para a implantação. Desenvolvedores que já usam ferramentas PaddlePaddle podem incorporar o YOLO11 aos seus fluxos de trabalho com mais facilidade.

O pacote Python da Ultralytics oferece suporte à exportação direta de modelos YOLO11 para o formato PaddlePaddle, permitindo que os desenvolvedores implantem modelos treinados sem ferramentas adicionais ou etapas de conversão manual.

Você pode exportar usando a linha de comando ou código Python, para que os desenvolvedores escolham o método que melhor se adapta ao fluxo de trabalho. Isso simplifica o processo e reduz a chance de problemas de configuração. Depois de exportado, o modelo pode ser usado em tarefas de visão computacional, como detecção de objetos, segmentação de instâncias, classificação de imagens e estimativa de pose.

É uma ótima opção para cenários de implantação em que os dispositivos têm pouca memória ou precisam processar dados rapidamente. Os modelos exportados são otimizados para funcionar com eficiência, mesmo em sistemas com recursos limitados.

Como exportar modelos Ultralytics YOLO11 para o formato PaddlePaddle#

Exportar o Ultralytics YOLO11 para o formato de modelo PaddlePaddle requer apenas algumas etapas.

O primeiro passo é instalar o pacote Python Ultralytics usando um gerenciador de pacotes como pip. Para começar, basta executar o comando pip install ultralytics no prompt de comando ou no terminal.

O pacote Ultralytics oferece ferramentas para treinar, avaliar, ajustar, exportar e implantar modelos em diversas tarefas de visão computacional. Se você tiver algum problema durante a instalação, consulte o guia de problemas comuns para ver dicas de solução de problemas.

Depois de configurar o ambiente, você pode carregar e exportar um modelo YOLO11 pré-treinado, como YOLO11n (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 de converter o modelo para o formato PaddlePaddle, você pode implantá-lo em diversos cenários e tipos de hardware.

Por exemplo, no trecho de código abaixo, carregamos um modelo Ultralytics YOLO11 exportado para o formato PaddlePaddle e o usamos para fazer uma previsão. Esse processo, conhecido como execução de inferência, consiste simplesmente em usar o modelo para analisar dados novos. 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)

Depois de executar o código, a imagem de saída com as previsões do modelo será salva automaticamente na pasta runs/detect/predict.

Fig. 3. Usando o modelo Ultralytics YOLO11 exportado para detectar objetos em uma imagem. Imagem do autor.

Implantação do Ultralytics YOLO11 com a estrutura PaddlePaddle#

O PaddlePaddle oferece várias ferramentas de implantação, cada uma adequada a diferentes dispositivos e casos de uso, como ambientes de nuvem, sistemas embarcados e aplicações web. Estas são algumas das principais opções de implantação:

• Paddle Serving: Ajuda a implantar modelos como APIs REST, sendo uma boa opção para ambientes de nuvem ou servidores que precisam de recursos como controle de versões e testes on-line.
• Paddle Inference API: Oferece mais controle sobre a execução dos modelos, o que é útil quando você precisa ajustar o desempenho ou criar uma lógica personalizada para a aplicação.
• Paddle Lite: Foi desenvolvido para implantações leves 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 web com tecnologias como WebGL e WebAssembly, o que é útil para demonstrações interativas e ferramentas baseadas no navegador.

Fig. 4. Opções de implantação disponíveis com PaddlePaddle. Imagem do autor.

Depois de escolher a ferramenta certa para sua configuração, você pode carregar o modelo exportado. O mecanismo PaddlePaddle cuida das próximas etapas: carrega o modelo, processa a imagem de entrada e retorna os resultados.

Quando escolher a integração com PaddlePaddle?#

O pacote Python da Ultralytics também oferece suporte a vários outros formatos de exportação, então talvez você se pergunte: quando o PaddlePaddle é a opção certa?

O PaddlePaddle é uma opção confiável quando você quer 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 com câmeras inteligentes ou estimativa de pose executada diretamente no dispositivo, sem suporte da nuvem.

Além disso, se o projeto precisar funcionar off-line ou em ambientes com conectividade limitada, você pode considerar a integração com PaddlePaddle. Aplicações como ferramentas de inspeção visual na indústria, dispositivos portáteis para pesquisas de campo ou leitores de varejo com IA podem se beneficiar do ambiente de execução leve e das opções flexíveis de implantação do PaddlePaddle.

Limitações do PaddlePaddle a considerar#

Embora o PaddlePaddle ofereça recursos interessantes de implantação, estes são alguns fatores limitantes que você deve conhecer:

• 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 aprendizado mais íngreme para quem usa ferramentas que não são da Baidu: O PaddlePaddle se integra facilmente ao ecossistema da Baidu, mas usá-lo fora desse contexto pode exigir etapas adicionais de configuração.
• Menos integrações com ferramentas de ML populares: O PaddlePaddle tem compatibilidade limitada com ferramentas comuns, como Hugging Face Transformers, MLflow ou serviços de IA nativos do Kubernetes.

Principais conclusões#

A integração com PaddlePaddle oferecida pela Ultralytics facilita a exportação e a implantação de modelos YOLO11 em diversos dispositivos. Ela é especialmente útil para projetos que exigem desempenho eficiente no próprio dispositivo, como aplicativos móveis, câmeras inteligentes ou sistemas embarcados.

Com apenas algumas etapas, você pode levar modelos de visão poderosos para aplicações do mundo real. À medida que a visão computacional avança, ferramentas como YOLO e PaddlePaddle tornam mais fácil do que nunca criar sistemas rápidos e inteligentes para tudo, desde dispositivos de consumo até ferramentas industriais.

Junte-se hoje à nossa crescente comunidade! Aprofunde-se em IA explorando nosso repositório do GitHub. Quer desenvolver 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!