Exportando Ultralytics YOLO11 usando a integração PaddlePaddle

Com o avanço da inteligência artificial (IA), as máquinas estão cada vez melhores em compreender o mundo ao seu redor. Uma área fundamental que impulsiona esse progresso é a computer vision, um ramo da IA que permite às máquinas interpretar e tomar decisões com base em dados visuais.

Desde ajudar carros a reconhecer placas de trânsito até verificar prateleiras em lojas de varejo, a visão computacional agora faz parte de muitas ferramentas do dia a dia. Essas tarefas dependem de modelos de visão artificial que podem analisar rapidamente uma foto ou vídeo e identificar o que é importante.

Com o tempo, esses modelos tornaram-se mais rápidos e precisos, tornando-se 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 de levar a visão computacional da pesquisa para aplicações do mundo real é a implantação. Assim que um modelo é treinado, o próximo passo é executá-lo em dispositivos como telefones, hardware de ponta ou servidores em nuvem.

Fig 1. A implantação de modelos é uma parte fundamental de qualquer projeto de visão computacional.

Para apoiar isso, os Ultralytics YOLO models como o YOLO11 podem ser exportados para vários formatos, dependendo da plataforma de destino. Um desses formatos é o PaddlePaddle, um framework de IA de código aberto que permite a implantação eficiente de modelos e inferência em uma ampla gama de dispositivos e sistemas.

Neste artigo, exploraremos como o Ultralytics YOLO11 pode ser exportado por meio da PaddlePaddle integration suportada pelo Ultralytics para permitir a implantação eficiente em várias plataformas.

O que é PaddlePaddle?#

Implantar 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. O PaddlePaddle é um deep learning framework projetado para ajudar exatamente com isso.

É uma plataforma chinesa de código aberto, com seu nome significando Parallel Distributed Deep Learning (Aprendizado Profundo Distribuído Paralelo). Desenvolvido pela Baidu, uma empresa bem conhecida pelo seu trabalho em IA e infraestrutura de software, o PaddlePaddle foi criado especialmente para aplicações do mundo real, não apenas para pesquisa.

Desenvolvedores podem executar modelos no formato PaddlePaddle em servidores, dispositivos de ponta e até mesmo em hardware móvel. Ele também oferece suporte a ferramentas que simplificam o desenvolvimento de IA, incluindo opções de baixo código (low-code) e sem código (no-code). 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.

Principais recursos do PaddlePaddle#

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

• Conversão de gráfico dinâmico para estático: Este recurso transforma um modelo flexível em uma 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: O PaddlePaddle pode combinar várias etapas do modelo em uma só. Isso reduz a quantidade de memória que o modelo usa e ajuda a executá-lo mais rapidamente. Pense nisso como combinar várias tarefas em uma única ação para economizar tempo.
• Quantization: Isso torna o modelo menor usando números mais simples (como arredondar para menos casas decimais). Ajuda o modelo a rodar em dispositivos com energia limitada, como celulares ou câmeras inteligentes, sem perder muita precisão.

Fig 2. Vantagens de usar o PaddlePaddle. Imagem pelo autor.

Uma visão geral do implantação do Ultralytics YOLO11 com o PaddlePaddle#

A integração PaddlePaddle suportada pelo Ultralytics torna mais fácil passar do treinamento para a implantação. Desenvolvedores que já usam ferramentas PaddlePaddle podem levar o YOLO11 para seus fluxos de trabalho com mais facilidade.

O pacote Python do Ultralytics suporta a exportação direta de modelos YOLO11 para o formato PaddlePaddle, permitindo que desenvolvedores implantem trained models sem ferramentas extras ou etapas de conversão manual.

O processo de exportação pode ser feito usando a linha de comando ou 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 computer vision tasks como detecção de objetos, classificação de imagens, estimativa de pose e segmentação de instâncias.

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

Como exportar modelos do Ultralytics YOLO11 para o formato PaddlePaddle#

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

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

O pacote Ultralytics fornece ferramentas para treinar, avaliar, ajustar finamente, exportar e implantar modelos para uma variedade de tarefas de visão computacional. Se você encontrar algum problema durante a instalação, consulte o Common Issues guide para dicas de solução de problemas.

Assim 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 personalizado e treinado.

from ultralytics import YOLO

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

Após o seu modelo ser convertido para o formato PaddlePaddle, ele pode ser implantado em vários cenários 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 usá-lo para fazer uma previsão. Este processo, conhecido como executar 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)

Após 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 exportado do Ultralytics YOLO11 para detectar objetos em uma imagem. Imagem do autor.

Implantando o Ultralytics YOLO11 usando o framework PaddlePaddle#

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 deployment options:

• Paddle Serving: Ajuda a implantar modelos como REST APIs, tornando-a uma boa escolha para ambientes de nuvem ou servidor que precisam de recursos como controle de versão e testes online.
• Paddle Inference API: Dá a você mais controle sobre como os modelos são executados, o que é útil quando você precisa ajustar o desempenho ou criar uma lógica de aplicação personalizada.
• Paddle Lite: É projetado para implantação 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 que você execute 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.

Fig 4. Opções de implantação habilitadas pelo PaddlePaddle. Imagem pelo autor.

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

Quando você deve escolher a integração PaddlePaddle?#

O pacote Python do Ultralytics também suporta vários outros export formats, então você pode se perguntar: Quando o PaddlePaddle é a escolha certa?

O PaddlePaddle é uma opção confiável quando você deseja implantar modelos em dispositivos com recursos limitados, como smartphones, sistemas embarcados ou hardware de ponta. 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 de nuvem.

Além disso, se o projeto precisar ser executado offline ou em ambientes com pouca conectividade, você pode considerar usar a integração PaddlePaddle. Aplicações como ferramentas de inspeção visual na fabricação, dispositivos portáteis para pesquisas de campo ou scanners de varejo habilitados por IA podem se beneficiar do tempo de execução leve e das opções flexíveis de implantação do PaddlePaddle.

Limitações do PaddlePaddle a serem consideradas#

Embora o PaddlePaddle ofereça capacidades de implantação interessantes, aqui estão alguns fatores limitantes a serem observados:

• Comunidade global menor: Fora da China, a base de usuários e colaboradores é relativamente pequena. Isso pode tornar mais difícil encontrar suporte da comunidade, problemas resolvidos no GitHub ou respostas no Stack Overflow.
• Curva de aprendizado mais acentuada para ferramentas não-Baidu: O PaddlePaddle se integra perfeitamente ao ecossistema da Baidu, mas usá-lo fora desse contexto pode envolver etapas extras de configuração e instalação.
• Menos integrações com ferramentas principais de ML: O PaddlePaddle tem compatibilidade limitada com ferramentas comuns como Hugging Face Transformers, MLflow ou serviços de IA nativos do Kubernetes.

Principais pontos#

A integração PaddlePaddle suportada pelo 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 avançando, ferramentas como YOLO e PaddlePaddle estão tornando mais fácil do que nunca construir sistemas rápidos e inteligentes, desde dispositivos de consumo até ferramentas industriais.

Junte-se à nossa crescente community hoje! Mergulhe mais fundo em IA explorando nosso GitHub repository. Quer construir seus próprios projetos de visão computacional? Explore nossas licensing options. Aprenda como computer vision in healthcare está melhorando a eficiência e explore o impacto de AI in retail visitando nossas páginas de soluções!