16 мая 2025 г.
Узнайте, как экспортировать модели Ultralytics YOLO, такие как Ultralytics YOLO11, с помощью PaddlePaddle для эффективного развертывания на периферийных, мобильных и облачных платформах.
По мере развития искусственного интеллекта (ИИ) машины все лучше понимают окружающий мир. Одной из ключевых областей, определяющих этот прогресс, является компьютерное зрение, отрасль ИИ, которая позволяет машинам интерпретировать визуальные данные и принимать на их основе решения.
Компьютерное зрение, от помощи автомобилям в распознавании дорожных знаков до проверки полок в розничных магазинах, теперь является частью многих повседневных инструментов. Эти задачи опираются на модели Vision AI, которые могут быстро сканировать фотографию или видео и определять, что важно.
Со временем эти модели стали быстрее и точнее, что делает их полезными в таких областях, как сельское хозяйство, здравоохранение, безопасность и розничная торговля. Например, Ultralytics YOLO11 — это модель, созданная для выполнения широкого спектра задач компьютерного зрения со скоростью и точностью. Она может обнаруживать и классифицировать объекты, отслеживать движение и оценивать позы тела.
Важной частью переноса компьютерного зрения из исследований в реальные приложения является развертывание. После того, как модель была обучена, следующим шагом является ее запуск на таких устройствах, как телефоны, периферийное оборудование или облачные серверы.
Для поддержки этого, модели Ultralytics YOLO, такие как YOLO11, могут быть экспортированы в различные форматы в зависимости от целевой платформы. Одним из таких форматов является PaddlePaddle, AI-фреймворк с открытым исходным кодом, который обеспечивает эффективное развертывание моделей и инференс на широком спектре устройств и систем.
В этой статье мы рассмотрим, как Ultralytics YOLO11 может быть экспортирована через интеграцию PaddlePaddle, поддерживаемую Ultralytics, для обеспечения эффективного развертывания на различных платформах.
Развертывание AI-моделей вне исследовательских сред, например, на мобильных устройствах или периферийном оборудовании, иногда может быть сложным, особенно когда вам нужно, чтобы они работали эффективно и использовали минимум ресурсов. PaddlePaddle — это фреймворк глубокого обучения, разработанный специально для решения этой задачи.
Это китайская платформа с открытым исходным кодом, название которой расшифровывается как Parallel Distributed Deep Learning (параллельное распределенное глубокое обучение). PaddlePaddle, разработанная компанией Baidu, известной своей работой в области искусственного интеллекта и программной инфраструктуры, была создана специально для реальных приложений, а не только для исследований.
Разработчики могут запускать модели в формате PaddlePaddle на серверах, периферийных устройствах и даже на мобильном оборудовании. Он также поддерживает инструменты, упрощающие разработку AI, включая варианты с низким и нулевым кодом. Платформа имеет сильное сообщество разработчиков, насчитывающее более 4,7 миллиона пользователей, и используется в различных отраслях, включая здравоохранение, сельское хозяйство, производство и финансы.
Вот некоторые из ключевых особенностей, которые помогают PaddlePaddle более эффективно запускать модели на реальных устройствах:
Интеграция PaddlePaddle, поддерживаемая Ultralytics, упрощает переход от обучения к развертыванию. Разработчики, которые уже используют инструменты PaddlePaddle, могут легче интегрировать YOLO11 в свои рабочие процессы.
Python-пакет Ultralytics поддерживает прямой экспорт моделей YOLO11 в формат PaddlePaddle, что позволяет разработчикам развертывать обученные модели без дополнительных инструментов или этапов ручного преобразования.
Процесс экспорта можно выполнить с помощью командной строки или кода Python, поэтому разработчики могут выбрать метод, который лучше всего подходит для их рабочего процесса. Это помогает упростить задачу и снижает вероятность проблем с настройкой. После экспорта модель можно использовать для задач компьютерного зрения, таких как обнаружение объектов, классификация изображений, оценка позы и сегментация экземпляров.
Это отличный вариант для сценариев развертывания, где устройства имеют ограниченный объем памяти или требуют быстрой обработки. Экспортированные модели оптимизированы для эффективной работы даже на системах с ограниченными ресурсами.
Экспорт YOLO11 в формат модели PaddlePaddle занимает всего несколько шагов.
Первый шаг — установить Python-пакет Ultralytics с помощью менеджера пакетов, такого как “pip”. Это можно сделать, выполнив команду “pip install ultralytics” в командной строке или терминале, чтобы начать работу.
Пакет Ultralytics предоставляет инструменты для обучения, оценки, тонкой настройки, экспорта и развертывания моделей для решения широкого спектра задач компьютерного зрения. Если у вас возникнут какие-либо проблемы во время установки, обратитесь к руководству по распространенным проблемам для получения советов по устранению неполадок.
После настройки среды можно загрузить и экспортировать предварительно обученную модель YOLO11, такую как “yolo11n.pt”, как показано ниже. Вы также можете экспортировать свою собственную пользовательскую модель YOLO11.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")После преобразования модели в формат PaddlePaddle ее можно развернуть в различных сценариях на разных типах оборудования.
Например, в приведенном ниже примере мы загружаем модель YOLO11, экспортированную в формат PaddlePaddle, и используем ее для прогнозирования. Этот процесс, известный как выполнение инференса, просто означает использование модели для анализа новых данных. Здесь мы тестируем ее на изображении двух собак.
paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)После запуска кода выходное изображение с предсказаниями модели будет автоматически сохранено в папке “runs/detect/predict”.
PaddlePaddle предлагает несколько инструментов развертывания, каждый из которых подходит для различных устройств и вариантов использования, таких как облачные среды, встроенные системы и веб-приложения. Вот некоторые из основных вариантов развертывания:
После того как вы выбрали подходящий инструмент для вашей установки, вы можете загрузить экспортированную модель. Механизм PaddlePaddle берет на себя следующие шаги. Он загружает модель, обрабатывает входное изображение и возвращает результаты.
Python-пакет Ultralytics также поддерживает различные другие форматы экспорта, поэтому вы можете задаться вопросом: когда PaddlePaddle является правильным выбором?
PaddlePaddle — надежный вариант, когда вы хотите развернуть модели на устройствах с ограниченными ресурсами, таких как смартфоны, встроенные системы или периферийное оборудование. Он также отлично подходит для приложений реального времени, которым требуется быстрая и эффективная работа, таких как обнаружение объектов в мобильных приложениях, мониторинг на основе машинного зрения в интеллектуальных камерах или оценка позы, выполняемая непосредственно на устройстве без облачной поддержки.
Кроме того, если проект должен работать в автономном режиме или в средах с низкой связностью, вы можете рассмотреть возможность использования интеграции PaddlePaddle. Такие приложения, как инструменты визуального контроля на производстве, портативные устройства для полевых исследований или сканеры для розничной торговли с поддержкой ИИ, могут извлечь выгоду из облегченной среды выполнения и гибких вариантов развертывания PaddlePaddle.
Хотя PaddlePaddle предлагает интересные возможности развертывания, следует помнить о некоторых ограничивающих факторах:
Интеграция PaddlePaddle, поддерживаемая Ultralytics, упрощает экспорт и развертывание моделей YOLO11 на различных устройствах. Это особенно полезно для проектов, требующих эффективной работы на устройстве, таких как мобильные приложения, интеллектуальные камеры или встроенные системы.
Всего за несколько шагов вы можете внедрить мощные модели машинного зрения в реальные приложения. Поскольку компьютерное зрение продолжает развиваться, такие инструменты, как YOLO и PaddlePaddle, упрощают создание быстрых интеллектуальных систем для самых разных задач: от потребительских устройств до промышленных инструментов.
Присоединяйтесь к нашему растущему сообществу сегодня! Углубите свои знания в области ИИ, изучив наш репозиторий на GitHub. Хотите создать собственные проекты компьютерного зрения? Ознакомьтесь с нашими вариантами лицензирования. Узнайте, как компьютерное зрение в здравоохранении повышает эффективность, и изучите влияние ИИ в розничной торговле, посетив страницы наших решений!
.webp)
