Export Ultralytics YOLO11 bằng tích hợp PaddlePaddle
Tìm hiểu cách export các model Ultralytics YOLO như Ultralytics YOLO11 với PaddlePaddle để triển khai hiệu quả trên các nền tảng edge, mobile và cloud.
Khi trí tuệ nhân tạo (AI) phát triển, máy móc ngày càng hiểu rõ hơn về thế giới xung quanh. Một lĩnh vực then chốt thúc đẩy tiến bộ này là thị giác máy tính, một nhánh của AI cho phép máy móc diễn giải và đưa ra quyết định dựa trên dữ liệu hình ảnh.
Từ việc giúp ô tô nhận diện biển báo giao thông đến kiểm tra các kệ hàng trong cửa hàng bán lẻ, thị giác máy tính hiện là một phần của nhiều công cụ hằng ngày. Những tác vụ này dựa vào các model AI thị giác có thể nhanh chóng quét ảnh hoặc video và xác định những gì quan trọng.
Theo thời gian, các model này trở nên nhanh hơn và chính xác hơn, khiến chúng hữu ích trong những lĩnh vực như nông nghiệp, y tế, an ninh và bán lẻ. Ví dụ, Ultralytics YOLO11 là một model được xây dựng để xử lý nhiều tác vụ thị giác máy tính với tốc độ và độ chính xác cao. Model có thể phát hiện và phân loại đối tượng, theo dõi chuyển động và ước tính tư thế cơ thể.
Một phần thiết yếu để đưa thị giác máy tính từ nghiên cứu vào các ứng dụng thực tế là triển khai. Sau khi model được huấn luyện, bước tiếp theo là chạy model trên các thiết bị như điện thoại, phần cứng edge hoặc máy chủ đám mây.
Hình 1. Triển khai model là một phần quan trọng của mọi dự án thị giác máy tính.
Để hỗ trợ việc này, các model YOLO của Ultralytics như YOLO11 có thể được xuất sang nhiều định dạng khác nhau tùy thuộc vào nền tảng đích. Một trong những định dạng đó là PaddlePaddle, một framework AI mã nguồn mở cho phép triển khai và inference model hiệu quả trên nhiều loại thiết bị và hệ thống.
Trong bài viết này, chúng ta sẽ tìm hiểu cách xuất Ultralytics YOLO11 thông qua tích hợp PaddlePaddle được Ultralytics hỗ trợ để triển khai hiệu quả trên nhiều nền tảng.
PaddlePaddle là gì?#
Việc triển khai các model AI bên ngoài môi trường nghiên cứu, chẳng hạn trên thiết bị di động hoặc phần cứng edge, đôi khi có thể phức tạp, đặc biệt khi bạn cần chúng hoạt động hiệu quả và sử dụng tối thiểu tài nguyên. PaddlePaddle là một framework deep learning được thiết kế để giải quyết chính xác vấn đề đó.
Đây là một nền tảng mã nguồn mở của Trung Quốc, với tên gọi là viết tắt của Parallel Distributed Deep Learning. Được phát triển bởi Baidu, một công ty nổi tiếng với các hoạt động trong lĩnh vực AI và hạ tầng phần mềm, PaddlePaddle được tạo ra đặc biệt cho các ứng dụng thực tế, không chỉ cho nghiên cứu.
Các developer có thể chạy model ở định dạng PaddlePaddle trên máy chủ, thiết bị edge và thậm chí cả phần cứng di động. Nền tảng này cũng hỗ trợ các công cụ đơn giản hóa quá trình phát triển AI, bao gồm cả các tùy chọn low-code và no-code. Nền tảng có cộng đồng developer lớn với hơn 4,7 triệu người dùng và được sử dụng trong nhiều ngành khác nhau, bao gồm y tế, nông nghiệp, sản xuất và tài chính.
Các tính năng chính của PaddlePaddle#
Dưới đây là một số tính năng chính giúp PaddlePaddle chạy model hiệu quả hơn trên các thiết bị thực tế:
- Chuyển đổi đồ thị động sang tĩnh: Tính năng này chuyển một model linh hoạt thành phiên bản cố định, giúp model chạy mượt mà và ổn định hơn. Model cố định cũng dễ tối ưu hơn và cho tốc độ dự đoán nhanh hơn.
- Hợp nhất operator: PaddlePaddle có thể kết hợp nhiều bước trong model thành một bước duy nhất. Điều này làm giảm lượng bộ nhớ model sử dụng và giúp model chạy nhanh hơn. Có thể hình dung như việc gộp nhiều tác vụ thành một hành động duy nhất để tiết kiệm thời gian.
- Lượng tử hóa: Tính năng này làm model nhỏ hơn bằng cách sử dụng các số đơn giản hơn, chẳng hạn như làm tròn đến ít chữ số thập phân hơn. Tính năng giúp model chạy trên các thiết bị có công suất hạn chế, như điện thoại hoặc camera thông minh, mà không làm giảm đáng kể độ chính xác.
Hình 2. Các ưu điểm khi sử dụng PaddlePaddle. Hình ảnh của tác giả.
Tổng quan về việc triển khai Ultralytics YOLO11 với PaddlePaddle#
Tích hợp PaddlePaddle được Ultralytics hỗ trợ giúp đơn giản hóa quá trình chuyển từ huấn luyện sang triển khai. Các developer đã sử dụng công cụ PaddlePaddle có thể dễ dàng đưa YOLO11 vào workflow của mình hơn.
Package Python của Ultralytics hỗ trợ xuất trực tiếp các model YOLO11 sang định dạng PaddlePaddle, cho phép developer triển khai các model đã huấn luyện mà không cần công cụ bổ sung hoặc các bước chuyển đổi thủ công.
Có thể thực hiện quá trình xuất bằng command line hoặc code Python, vì vậy developer có thể chọn phương pháp phù hợp nhất với workflow của mình. Điều này giúp đơn giản hóa quy trình và giảm khả năng phát sinh sự cố khi thiết lập. Sau khi được xuất, model có thể được sử dụng cho các tác vụ thị giác máy tính như phát hiện đối tượng, phân loại ảnh, ước tính tư thế và phân đoạn instance.
Đây là một lựa chọn tuyệt vời cho các tình huống triển khai trong đó thiết bị có bộ nhớ hạn chế hoặc yêu cầu xử lý nhanh. Các model đã xuất được tối ưu để chạy hiệu quả, ngay cả trên những hệ thống bị giới hạn về tài nguyên.
Cách xuất các model Ultralytics YOLO11 sang định dạng PaddlePaddle#
Chỉ cần vài bước để xuất Ultralytics YOLO11 sang định dạng model PaddlePaddle.
Bước đầu tiên là cài đặt package Python Ultralytics bằng một package manager như ‘pip’. Bạn có thể thực hiện việc này bằng cách chạy lệnh “pip install ultralytics” trong command prompt hoặc terminal để bắt đầu.
Package Ultralytics cung cấp các công cụ để huấn luyện, đánh giá, fine-tune, xuất và triển khai model cho nhiều tác vụ thị giác máy tính. Nếu gặp sự cố trong quá trình cài đặt, hãy xem hướng dẫn Các sự cố thường gặp để biết các mẹo khắc phục.
Sau khi thiết lập xong môi trường, bạn có thể tải và xuất một model YOLO11 đã được huấn luyện trước, chẳng hạn như “yolo11n.pt”, như minh họa bên dưới. Bạn cũng có thể xuất model YOLO11 được huấn luyện tùy chỉnh của riêng mình.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")Sau khi model được chuyển đổi sang định dạng PaddlePaddle, model có thể được triển khai trong nhiều tình huống trên các loại phần cứng khác nhau.
Ví dụ, trong đoạn code dưới đây, chúng ta tải một model Ultralytics YOLO11 đã được xuất sang định dạng PaddlePaddle và sử dụng model để đưa ra dự đoán. Quá trình này, được gọi là chạy inference, đơn giản có nghĩa là sử dụng model để phân tích dữ liệu mới. Ở đây, chúng ta kiểm thử model bằng một ảnh có hai chú chó.
paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)Sau khi chạy code, ảnh đầu ra chứa các dự đoán của model sẽ tự động được lưu vào thư mục “runs/detect/predict”.
Hình 3. Sử dụng model Ultralytics YOLO11 đã xuất để phát hiện đối tượng trong ảnh. Hình ảnh của tác giả.
Triển khai Ultralytics YOLO11 bằng framework PaddlePaddle#
PaddlePaddle cung cấp nhiều công cụ triển khai, mỗi công cụ phù hợp với các thiết bị và trường hợp sử dụng khác nhau như môi trường đám mây, hệ thống nhúng và ứng dụng web. Dưới đây là một số tùy chọn triển khai chính:
- Paddle Serving: Công cụ này giúp triển khai model dưới dạng REST API, là lựa chọn phù hợp cho môi trường đám mây hoặc máy chủ cần các tính năng như quản lý phiên bản và kiểm thử trực tuyến.
- Paddle Inference API: Công cụ này cho phép kiểm soát tốt hơn cách model chạy, hữu ích khi bạn cần tinh chỉnh hiệu năng hoặc xây dựng logic ứng dụng tùy chỉnh.
- Paddle Lite: Công cụ này được thiết kế để triển khai nhẹ trên thiết bị di động, máy tính bảng và hệ thống nhúng. Công cụ được tối ưu cho các model nhỏ hơn và inference nhanh hơn trên phần cứng có tài nguyên hạn chế.
- Paddle.js: Công cụ này cho phép chạy model AI trong trình duyệt web bằng các công nghệ như WebGL và WebAssembly, hữu ích cho các bản demo tương tác và công cụ chạy trên trình duyệt.
Hình 4. Các tùy chọn triển khai được PaddlePaddle hỗ trợ. Hình ảnh của tác giả.
Sau khi chọn công cụ phù hợp với thiết lập của mình, bạn có thể tải model đã xuất. Engine PaddlePaddle sẽ xử lý các bước tiếp theo. Engine tải model, xử lý ảnh đầu vào và trả về kết quả.
Khi nào nên chọn tích hợp PaddlePaddle?#
Package Python Ultralytics cũng hỗ trợ nhiều định dạng xuất khác, vì vậy bạn có thể tự hỏi: Khi nào PaddlePaddle là lựa chọn phù hợp?
PaddlePaddle là một lựa chọn đáng tin cậy khi bạn muốn triển khai model trên các thiết bị có tài nguyên hạn chế, chẳng hạn như smartphone, hệ thống nhúng hoặc phần cứng edge. Đây cũng là lựa chọn tuyệt vời cho các ứng dụng thời gian thực cần hiệu năng nhanh và hiệu quả, như phát hiện đối tượng trong ứng dụng di động, giám sát dựa trên thị giác bằng camera thông minh hoặc ước tính tư thế chạy trực tiếp trên thiết bị mà không cần hỗ trợ từ đám mây.
Ngoài ra, nếu dự án cần chạy ngoại tuyến hoặc trong môi trường có kết nối hạn chế, bạn có thể cân nhắc sử dụng tích hợp PaddlePaddle. Các ứng dụng như công cụ kiểm tra trực quan trong sản xuất, thiết bị cầm tay phục vụ khảo sát thực địa hoặc máy quét bán lẻ tích hợp AI có thể tận dụng runtime nhẹ và các tùy chọn triển khai linh hoạt của PaddlePaddle.
Những hạn chế của PaddlePaddle cần cân nhắc#
Mặc dù PaddlePaddle cung cấp các khả năng triển khai đáng chú ý, dưới đây là một số yếu tố hạn chế cần lưu ý:
- Cộng đồng toàn cầu nhỏ hơn: Bên ngoài Trung Quốc, cộng đồng người dùng và contributor tương đối nhỏ. Điều này có thể khiến việc tìm kiếm hỗ trợ từ cộng đồng, các issue GitHub đã được giải quyết hoặc câu trả lời trên Stack Overflow trở nên khó khăn hơn.
- Đường cong học tập dốc hơn khi sử dụng các công cụ không thuộc Baidu: PaddlePaddle tích hợp liền mạch với hệ sinh thái của Baidu, nhưng việc sử dụng nền tảng này bên ngoài bối cảnh đó có thể cần thêm các bước cấu hình và thiết lập.
- Ít tích hợp hơn với các công cụ ML phổ biến: PaddlePaddle có khả năng tương thích hạn chế với các công cụ thông dụng như Hugging Face Transformers, MLflow hoặc các dịch vụ AI gốc Kubernetes.
Những điểm chính#
Tích hợp PaddlePaddle được Ultralytics hỗ trợ giúp dễ dàng xuất và triển khai các model YOLO11 trên nhiều loại thiết bị. Tích hợp này đặc biệt hữu ích cho các dự án yêu cầu hiệu năng hiệu quả trên thiết bị, chẳng hạn như ứng dụng di động, camera thông minh hoặc hệ thống nhúng.
Chỉ với vài bước, bạn có thể đưa các model thị giác mạnh mẽ vào ứng dụng thực tế. Khi thị giác máy tính tiếp tục phát triển, những công cụ như YOLO và PaddlePaddle đang giúp việc xây dựng các hệ thống nhanh và thông minh trở nên dễ dàng hơn bao giờ hết, từ thiết bị tiêu dùng đến công cụ công nghiệp.
Hãy tham gia cộng đồng đang phát triển của chúng tôi ngay hôm nay! Tìm hiểu sâu hơn về AI bằng cách khám phá repository GitHub của chúng tôi. Bạn muốn xây dựng các dự án thị giác máy tính của riêng mình? Hãy khám phá các tùy chọn cấp phép của chúng tôi. Tìm hiểu cách thị giác máy tính trong y tế đang cải thiện hiệu quả và khám phá tác động của AI trong bán lẻ bằng cách truy cập các trang giải pháp của chúng tôi!
