Xuất Ultralytics YOLO11 bằng tích hợp PaddlePaddle

Khi trí tuệ nhân tạo (AI) ngày càng phát triển, máy móc ngày càng hiểu rõ hơn về thế giới xung quanh. Một lĩnh vực quan trọng thúc đẩy sự 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 trực quan.

Từ việc giúp xe hơi nhận diện biển báo giao thông đến kiểm tra hàng hóa trên kệ trong các cửa hàng bán lẻ, thị giác máy tính (computer vision) hiện là một phần của nhiều công cụ hàng ngày. Các tác vụ này dựa trên các mô hình Vision AI có thể nhanh chóng quét ảnh hoặc video và xác định những gì quan trọng.

Theo thời gian, các mô hình này đã trở nên nhanh hơn và chính xác hơn, khiến chúng trở nên hữu ích trong các lĩnh vực như nông nghiệp, chăm sóc sức khỏe, an ninh và bán lẻ. Ví dụ: Ultralytics YOLO11 là một mô hình được xây dựng để xử lý một loạt các tác vụ thị giác máy tính với tốc độ và độ chính xác. Nó có thể phát hiện và phân loại các đối tượng, theo dõi chuyển động và ước tính tư thế cơ thể.

Một phần quan trọng của việc chuyển computer vision từ nghiên cứu sang các ứng dụng thực tế là triển khai. Sau khi một mô hình đã được huấn luyện, bước tiếp theo là chạy nó trên các thiết bị như điện thoại, phần cứng biên hoặc máy chủ đám mây. 

‍

Để hỗ trợ điều này, các mô hình Ultralytics YOLO như YOLO11 có thể được xuất sang nhiều định dạng khác nhau tùy thuộc vào nền tảng mục tiêu. Một trong những định dạng này là PaddlePaddle, một framework AI mã nguồn mở cho phép triển khai và suy luận mô hình hiệu quả trên nhiều loại thiết bị và hệ thống.

Trong bài viết này, chúng ta sẽ khám phá cách Ultralytics YOLO11 có thể được xuất thông qua tích hợp PaddlePaddle được hỗ trợ bởi Ultralytics để cho phép triển khai hiệu quả trên nhiều nền tảng khác nhau.

PaddlePaddle là gì? 

Việc triển khai các mô hình AI bên ngoài môi trường nghiên cứu, chẳng hạn như trên thiết bị di động hoặc phần cứng biên, đôi khi có thể phức tạp, đặc biệt khi bạn cần chúng chạy hiệu quả và sử dụng tối thiểu tài nguyên. PaddlePaddle là một framework học sâu được thiết kế để trợ giúp chính xác điều đó.

Đây là một nền tảng mã nguồn mở của Trung Quốc, với tên gọi là viết tắt của Parallel Distributed Deep Learning (học sâu phân tán song song). Được phát triển bởi Baidu, một công ty nổi tiếng với các công trình về AI và cơ sở hạ tầng phần mềm, PaddlePaddle được tạo ra đặc biệt cho các ứng dụng thực tế, không chỉ cho nghiên cứu.

Các nhà phát triển có thể chạy các mô hình ở định dạng PaddlePaddle trên máy chủ, thiết bị biên và thậm chí cả phần cứng di động. Nó cũng hỗ trợ các công cụ đơn giản hóa việc phát triển AI, bao gồm các tùy chọn low-code và no-code. Nền tảng này có một cộng đồng nhà phát triển mạnh mẽ với hơn 4,7 triệu người dùng và được sử dụng trong nhiều ngành công nghiệp khác nhau, bao gồm chăm sóc sức khỏe, nông nghiệp, sản xuất và tài chính.

Các tính năng chính của PaddlePaddle

Dưới đây là một số tính năng chính giúp PaddlePaddle chạy các mô hình hiệu quả hơn trên các thiết bị thực tế:

• Chuyển đổi đồ thị từ động sang tĩnh: Tính năng này biến một mô hình linh hoạt thành một phiên bản cố định, chạy mượt mà và dễ đoán hơn. Một mô hình cố định dễ tối ưu hóa hơn và nhanh hơn khi đưa ra dự đoán.
  ‍
• Hợp nhất toán tử: PaddlePaddle có thể kết hợp nhiều bước trong mô hình thành một. Điều này làm giảm lượng bộ nhớ mà mô hình sử dụng và giúp nó chạy nhanh hơn. Hãy nghĩ về nó như là kết hợp một số tác vụ thành một hành động duy nhất để tiết kiệm thời gian.
  ‍
• Lượng tử hóa (Quantization): Điều này làm cho mô hình nhỏ hơn bằng cách sử dụng các số đơn giản hơn (như làm tròn đến ít chữ số thập phân hơn). Nó giúp mô hình chạy trên các thiết bị có nguồn điện hạn chế, như điện thoại hoặc camera thông minh, mà không làm mất nhiều độ chính xác.

‍

Tổng quan về triển khai YOLO11 với PaddlePaddle

Tích hợp PaddlePaddle được Ultralytics hỗ trợ giúp bạn dễ dàng chuyển từ huấn luyện sang triển khai. Các nhà phát triển đã sử dụng các công cụ PaddlePaddle có thể đưa YOLO11 vào quy trình làm việc của họ dễ dàng hơn.

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

Quá trình xuất có thể được thực hiện bằng dòng lệnh hoặc mã Python, vì vậy các nhà phát triển có thể chọn phương pháp nào phù hợp nhất với quy trình làm việc của họ. Điều này giúp mọi thứ đơn giản và giảm khả năng xảy ra sự cố thiết lập. Sau khi xuất, mô hình có thể được sử dụng cho các tác vụ thị giác máy tính như phát hiện đối tượng, phân loại hình ảnh, ước tính tư thế và phân vùng thể hiện.

Đây là một lựa chọn tuyệt vời cho các tình huống triển khai mà thiết bị có bộ nhớ hạn chế hoặc yêu cầu xử lý nhanh. Các mô hình đã xuất được tối ưu hóa để chạy hiệu quả, ngay cả trên các hệ thống có tài nguyên hạn chế. 

Cách xuất mô hình YOLO11 sang định dạng PaddlePaddle

Chỉ cần một vài bước để xuất YOLO11 sang định dạng mô hình PaddlePaddle.

Bước đầu tiên là cài đặt gói Ultralytics Python bằng trình quản lý gói như ‘pip’. Điều này có thể được thực hiện bằng cách chạy lệnh “pip install ultralytics” trong dấu nhắc lệnh hoặc thiết bị đầu cuối của bạn để bắt đầu.

Gói Ultralytics cung cấp các công cụ để huấn luyện, đánh giá, tinh chỉnh, xuất và triển khai các mô hình cho một loạt các tác vụ thị giác máy tính. Nếu bạn gặp bất kỳ sự cố nào trong quá trình cài đặt, hãy kiểm tra hướng dẫn Các Sự Cố Thường Gặp để biết các mẹo khắc phục sự cố.

Sau khi môi trường của bạn được thiết lập, bạn có thể tải và xuất mô hình YOLO11 được huấn luyện trước, chẳng hạn như “yolo11n.pt” như được hiển thị bên dưới. Bạn cũng có thể xuất mô hình YOLO11 được huấn luyện tùy chỉnh của riêng mình.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="paddle")

Sau khi mô hình của bạn đã được chuyển đổi sang định dạng PaddlePaddle, nó có thể được triển khai trong nhiều tình huống khác nhau trên các loại phần cứng khác nhau.

Ví dụ: trong ví dụ dưới đây, chúng ta đang tải một mô hình YOLO11 đã được xuất sang định dạng PaddlePaddle và sử dụng nó để đưa ra dự đoán. Quá trình này, được gọi là chạy suy luận, đơn giản có nghĩa là sử dụng mô hình để phân tích dữ liệu mới. Ở đây, chúng ta đang thử nghiệm nó với một hình ảnh của hai con 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, hình ảnh đầu ra với các dự đoán của mô hình sẽ được tự động lưu trong thư mục “runs/detect/predict”.

‍

Triển khai YOLO11 bằng framework PaddlePaddle

PaddlePaddle cung cấp một số 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: Nó giúp triển khai các mô hình dưới dạng REST API, khiến nó trở thành một lựa chọn tốt cho các môi trường đám mây hoặc máy chủ cần các tính năng như kiểm soát phiên bản và thử nghiệm trực tuyến.
  ‍
• Paddle Inference API: Nó cung cấp cho bạn nhiều quyền kiểm soát hơn đối với cách các mô hình chạy, điều này hữu ích khi bạn cần tinh chỉnh hiệu suất hoặc xây dựng logic ứng dụng tùy chỉnh.
  ‍
• Paddle Lite: Nó được thiết kế để triển khai nhẹ trên các thiết bị di động, máy tính bảng và hệ thống nhúng. Nó được tối ưu hóa cho các mô hình nhỏ hơn và suy luận nhanh hơn trên phần cứng có tài nguyên hạn chế.
  ‍
• Paddle.js: Nó cho phép bạn chạy các mô hình AI trong trình duyệt web bằng các công nghệ như WebGL và WebAssembly, rất hữu ích cho các bản demo tương tác và các công cụ dựa trên trình duyệt.

‍

Sau khi bạn chọn đúng công cụ cho thiết lập của mình, bạn có thể tải mô hình đã xuất. Công cụ PaddlePaddle sẽ xử lý các bước tiếp theo. Nó tải mô hình, xử lý hình ảnh đầu vào và trả lại kết quả.

Khi nào bạn nên chọn tích hợp PaddlePaddle?

Gói Python Ultralytics cũng hỗ trợ nhiều định dạng xuất khác nhau, vì vậy bạn có thể tự hỏi: Khi nào thì PaddlePaddle là lựa chọn phù hợp?

PaddlePaddle là một lựa chọn đáng tin cậy khi bạn muốn triển khai các mô hình trên các thiết bị có tài nguyên hạn chế, chẳng hạn như điện thoại thông minh, hệ thống nhúng hoặc phần cứng biên. Nó cũng rất phù hợp cho các ứng dụng thời gian thực cần hiệu suất nhanh chóng, hiệu quả, chẳng hạn như phát hiện đối tượng trong các ứng dụng di động, giám sát dựa trên thị giác trong 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 kết nối kém, 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 cho khảo sát thực địa hoặc máy quét bán lẻ hỗ trợ AI có thể hưởng lợi từ thời gian chạy nhẹ và các tùy chọn triển khai linh hoạt của PaddlePaddle. 

Những hạn chế cần xem xét của PaddlePaddle

Mặc dù PaddlePaddle cung cấp các khả năng triển khai thú vị, nhưng đây là một số yếu tố hạn chế cần lưu ý:

• Cộng đồng toàn cầu nhỏ hơn: Bên ngoài Trung Quốc, cơ sở người dùng và người đóng góp tương đối nhỏ. Điều này có thể gây khó khăn hơn trong việc tìm kiếm hỗ trợ từ cộng đồng, các vấn đề đã được giải quyết trên GitHub hoặc các câu trả lời trên Stack Overflow.
  ‍
• Đường cong học tập dốc hơn cho các công cụ không phải của Baidu: PaddlePaddle tích hợp mượt mà với hệ sinh thái của Baidu, nhưng việc sử dụng nó bên ngoài bối cảnh đó có thể liên quan đến các bước cấu hình và thiết lập bổ sung.
  ‍
• Ít tích hợp hơn với các công cụ ML chính thống: PaddlePaddle có khả năng tương thích hạn chế với các công cụ phổ biến như Hugging Face Transformers, MLflow hoặc các dịch vụ AI gốc Kubernetes.

Những điều cần nhớ

Tích hợp PaddlePaddle được Ultralytics hỗ trợ giúp bạn dễ dàng xuất và triển khai các mô hình YOLO11 trên nhiều loại thiết bị. Nó đặc biệt hữu ích cho các dự án yêu cầu hiệu suất trên thiết bị hiệu quả - như ứng dụng di động, camera thông minh hoặc hệ thống nhúng.

Chỉ với một vài bước, bạn có thể đưa các mô hình thị giác mạnh mẽ vào các ứng dụng thực tế. Khi thị giác máy tính tiếp tục phát triển, các công cụ như YOLO và PaddlePaddle đang giúp việc xây dựng các hệ thống thông minh, nhanh chóng trở nên dễ dàng hơn bao giờ hết, từ các thiết bị tiêu dùng đến các công cụ công nghiệp.

Tham gia cộng đồng đang phát triển của chúng tôi ngay hôm nay! Tìm hiểu sâu hơn về AI bằng cách khám phá kho lưu trữ GitHub của chúng tôi. Bạn đang muốn xây dựng các dự án computer vision của riêng mình? Khám phá các tùy chọn cấp phép của chúng tôi. Tìm hiểu cách computer vision trong lĩnh vực chăm sóc sức khỏe đang cải thiện hiệu quả và khám phá tác động của AI trong lĩnh vực bán lẻ bằng cách truy cập các trang giải pháp của chúng tôi!