Export Ultralytics YOLO11 bằng tích hợp PaddlePaddle

Khi trí tuệ nhân tạo (AI) phát triển, máy móc ngày càng hiểu rõ hơn 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 hỗ trợ ô tô nhận diện biển báo giao thông đến kiểm tra kệ hàng trong cửa hàng bán lẻ, thị giác máy tính hiện diện trong nhiều công cụ thường ngày. Các tác vụ này dựa vào 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 ngày càng nhanh và chính xác hơn, 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.

Triển khai là một phần thiết yếu để đưa thị giác máy tính từ nghiên cứu vào ứng dụng thực tế. Sau khi huấn luyện model, 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, có thể xuất các model Ultralytics YOLO như YOLO11 sang nhiều định dạng khác nhau tùy theo nền tảng mục tiêu. Một trong những định dạng đó là PaddlePaddle, framework AI mã nguồn mở cho phép triển khai và suy luận 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 do Ultralytics hỗ trợ để triển khai hiệu quả trên nhiều nền tảng.

PaddlePaddle là gì?#

Triển khai model AI ngoài môi trường nghiên cứu, chẳng hạn trên thiết bị di động hoặc phần cứng edge, đôi khi có thể khó khăn, nhất là khi cần model chạy hiệu quả và dùng ít tài nguyên. PaddlePaddle là một framework deep learning được thiết kế để giải quyết chính vấn đề đó.

Đây là nền tảng mã nguồn mở của Trung Quốc, tên gọi là viết tắt của Parallel Distributed Deep Learning. Được phát triển bởi Baidu, công ty nổi tiếng với hoạt động trong lĩnh vực AI và hạ tầng phần mềm, PaddlePaddle được tạo ra chủ yếu cho các ứng dụng thực tế chứ không chỉ phục vụ nghiên cứu.

Nhà phát triển có thể chạy model ở định dạng PaddlePaddle trên máy chủ, thiết bị biên và cả phần cứng di động. Nền tảng cũng hỗ trợ các công cụ đơn giản hóa quá trình phát triển AI, bao gồm lựa chọn low-code và no-code. Nền tảng có cộng đồng nhà phát triển năng động và được sử dụng trong nhiều ngành, 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 model linh hoạt thành phiên bản cố định, giúp model chạy mượt mà và ổn định hơn. Model cố định dễ tối ưu hơn và dự đoán nhanh hơn.
• Hợp nhất toán tử: PaddlePaddle có thể kết hợp nhiều bước trong model thành một. Cách này giảm mức sử dụng bộ nhớ của model và giúp model chạy nhanh hơn. Có thể hình dung như gộp nhiều tác vụ thành một thao tác duy nhất để tiết kiệm thời gian.
• Lượng tử hóa: Phương pháp này làm model nhỏ hơn bằng cách sử dụng các số đơn giản hơn (chẳng hạn làm tròn để giảm số chữ số thập phân). Nhờ đó, model có thể chạy trên thiết bị có công suất hạn chế như điện thoại hoặc camera thông minh mà không làm giảm nhiều độ chính xác.

Hình 2. Ưu điểm của PaddlePaddle. Ảnh do tác giả cung cấp.

Tổng quan về triển khai Ultralytics YOLO11 với PaddlePaddle#

Tích hợp PaddlePaddle do Ultralytics hỗ trợ giúp quá trình chuyển từ huấn luyện sang triển khai trở nên dễ dàng hơn. Nhà phát triển đã sử dụng các công cụ PaddlePaddle có thể đưa YOLO11 vào quy trình làm việc dễ dàng hơn.

Gói Python của Ultralytics hỗ trợ xuất trực tiếp model YOLO11 sang định dạng PaddlePaddle, cho phép nhà phát triển triển khai model đã huấn luyện mà không cần công cụ bổ sung hoặc các bước chuyển đổi thủ công.

Có thể thực hiện quy trình xuất bằng dòng lệnh hoặc code Python, nhờ đó nhà phát triển có thể chọn phương thức phù hợp nhất với workflow của mình. Điều này giúp quy trình đơn giản hơn và giảm nguy cơ gặp sự cố khi thiết lập. Sau khi xuất, model có thể được dùng cho các tác vụ thị giác máy tính như phát hiện đối tượng, phân đoạn đối tượng, phân loại ảnh và ước lượng tư thế.

Đây là lựa chọn phù hợp cho các tình huống triển khai trên thiết bị có bộ nhớ hạn chế hoặc cần xử lý nhanh. Các model đã xuất được tối ưu để chạy hiệu quả, ngay cả trên hệ thống có tài nguyên hạn chế.

Cách xuất 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 Ultralytics Python bằng trình quản lý package như pip. Bạn có thể bắt đầu bằng cách chạy lệnh pip install ultralytics trong command prompt hoặc terminal.

Gói 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 mẹo khắc phục.

Sau khi thiết lập môi trường, bạn có thể tải và xuất model YOLO11 được huấn luyện trước, chẳng hạn như YOLO11n (yolo11n.pt), như minh họa bên dưới. Bạn cũng có thể xuất model YOLO11 đã được huấn luyện tùy chỉnh của riêng mình.

from ultralytics import YOLO

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

Sau khi chuyển đổi model sang định dạng PaddlePaddle, bạn có thể triển khai model trong nhiều tình huống trên các loại phần cứng khác nhau.

Ví dụ, đoạn code bên dưới tải một model Ultralytics YOLO11 đã được xuất sang định dạng PaddlePaddle và dùng model đó để đưa ra dự đoán. Quy trình này, được gọi là chạy suy luận, đơn giản là dùng model để phân tích dữ liệu mới. Ở đây, chúng ta kiểm thử model bằng 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 cùng các dự đoán của model sẽ tự động được lưu trong thư mục runs/detect/predict.

Hình 3. Sử dụng model Ultralytics YOLO11 đã xuất để phát hiện đối tượng trong ảnh. Ảnh do tác giả cung cấp.

Triển khai Ultralytics YOLO11 bằng framework PaddlePaddle#

PaddlePaddle cung cấp một số công cụ triển khai, mỗi công cụ phù hợp với 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, phù hợp với 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 bạn kiểm soát cách model chạy nhiều hơn, hữu ích khi cần tinh chỉnh hiệu năng hoặc xây dựng logic ứng dụng tùy chỉnh.
• Paddle Lite: Công cụ này được thiết kế để triển khai gọn nhẹ trên thiết bị di động, máy tính bảng và hệ thống nhúng. Công cụ được tối ưu cho model nhỏ hơn và suy luận 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 bản demo tương tác và công cụ chạy trên trình duyệt.

Hình 4. Các tùy chọn triển khai do PaddlePaddle cung cấp. Ảnh do tác giả cung cấp.

Sau khi chọn công cụ phù hợp với cấu hình của mình, bạn có thể tải model đã xuất. Engine PaddlePaddle sẽ xử lý các bước tiếp theo: tải model, xử lý ảnh đầu vào và trả về kết quả.

Khi nào nên chọn tích hợp PaddlePaddle?#

Gói 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 lựa chọn đáng tin cậy khi bạn muốn triển khai model trên thiết bị có tài nguyên hạn chế như điện thoại thông minh, hệ thống nhúng hoặc phần cứng edge. Nền tảng này cũng phù hợp với các ứng dụng thời gian thực cần hiệu năng nhanh và hiệu quả, chẳng hạn phát hiện đối tượng trong ứng dụng di động, giám sát bằng thị giác trên camera thông minh hoặc ước tính tư thế 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 kết nối yếu, bạn có thể cân nhắc tích hợp PaddlePaddle. Các ứng dụng như công cụ kiểm tra bằng hình ảnh 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 gọn nhẹ và các tùy chọn triển khai linh hoạt của PaddlePaddle.

Những hạn chế cần cân nhắc của PaddlePaddle#

Mặc dù PaddlePaddle cung cấp các khả năng triển khai đáng chú ý, bạn cần lưu ý một số yếu tố hạn chế sau:

• Cộng đồng toàn cầu nhỏ hơn: Bên ngoài Trung Quốc, lượng người dùng và người đóng góp tương đối ít. Điều này có thể khiến việc tìm hỗ trợ từ cộng đồng, các vấn đề GitHub đã được giải quyết hoặc câu trả lời trên Stack Overflow trở nên khó khăn hơn.
• Khó làm quen hơn khi dùng công cụ ngoài Baidu: PaddlePaddle tích hợp mượt mà với hệ sinh thái Baidu, nhưng việc sử dụng ngoài hệ sinh thái 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 dịch vụ AI gốc Kubernetes.

Điểm chính cần ghi nhớ#

Tích hợp PaddlePaddle do Ultralytics hỗ trợ giúp dễ dàng xuất và triển khai model YOLO11 trên nhiều loại thiết bị. Tích hợp này đặc biệt hữu ích cho các dự án cần hiệu năng hiệu quả ngay trên thiết bị, chẳng hạn 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, các công cụ như YOLO và PaddlePaddle giúp việc xây dựng hệ thống nhanh, thông minh trên mọi loại thiết bị, từ thiết bị tiêu dùng đến công cụ công nghiệp, trở nên dễ dàng hơn bao giờ hết.

Tham gia cộng đồng đang phát triển của chúng tôi ngay hôm nay! Tìm hiểu sâu hơn về AI bằng cách khám phá kho GitHub của chúng tôi. Bạn muốn xây dựng dự án thị giác máy tính của riêng mình? Khám phá các tùy chọn cấp phép của chúng tôi. Tìm hiểu cách thị giác máy tính trong y tế cải thiện hiệu quả và khám phá tác động của AI trong ngành bán lẻ bằng cách truy cập các trang giải pháp của chúng tôi!