Ngày 16 tháng 5 năm 2025
Tìm hiểu cách xuất các mô hình Ultralytics YOLO như Ultralytics YOLO11 bằng PaddlePaddle để triển khai hiệu quả trên các nền tảng biên, di động và đám mây.
Khi trí tuệ nhân tạo (AI) phát triển, máy móc ngày càng hiểu rõ hơn về thế giới xung quanh. Một lĩnh vực chính 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 ô tô nhận dạng biển báo giao thông đến kiểm tra kệ hàng trong các cửa hàng bán lẻ, thị giác máy tính hiện là một phần của nhiều công cụ hàng ngày. Các tác vụ này dựa trên các mô hình Vision AI có thể quét nhanh 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 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 trong việc chuyển tầm nhìn máy tính từ nghiên cứu sang ứng dụng thực tế là triển khai. Sau khi mô hình đã được đào tạo, 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 YOLO của Ultralytics 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 khuôn khổ AI nguồn mở cho phép triển khai và suy luận mô hình hiệu quả trên nhiều 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 Ultralytics hỗ trợ để cho phép triển khai hiệu quả trên nhiều nền tảng khác nhau.
Việc triển khai các mô hình AI bên ngoài các thiết lập nghiên cứu, như trên thiết bị di động hoặc phần cứng biên, đôi khi có thể khó khăn, đặc biệt là khi bạn cần chúng chạy hiệu quả và sử dụng ít tài nguyên nhất. PaddlePaddle là một khuôn khổ học sâu được thiết kế để hỗ trợ chính xác điều đó.
Đây là một nền tảng mã nguồn mở của Trung Quốc, với tên viết tắt của Parallel Distributed Deep Learning. Được phát triển bởi Baidu, một công ty nổi tiếng với công việc trong lĩnh vực AI và cơ sở hạ tầng phần mềm, PaddlePaddle được tạo ra đặc biệt cho các ứng dụng trong thế giới thực, không chỉ là 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 quá trình phát triển AI, bao gồm các tùy chọn mã thấp và không mã. Nền tảng này có cộng đồng nhà phát triển mạnh mẽ với hơn 4,7 triệu người dùng và được sử dụng trong nhiều ngành công nghiệp, bao gồm chăm sóc sức khỏe, nông nghiệp, sản xuất và tài chính.
Sau đây là một số tính năng chính giúp PaddlePaddle chạy mô hình hiệu quả hơn trên các thiết bị thực tế:
Tích hợp PaddlePaddle được Ultralytics hỗ trợ giúp việc chuyển từ đào tạo sang triển khai dễ dàng hơn. Các nhà phát triển đã sử dụng 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 được đào tạo mà không cần 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, do đó các nhà phát triển có thể chọn bất kỳ 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 đoạn thể hiện.
Đây là lựa chọn tuyệt vời cho các tình huống triển khai khi 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.
Chỉ cần thực hiện 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'. Bạn có thể thực hiện việc này bằng cách chạy lệnh “pip install ultralytics” trong dấu nhắc lệnh hoặc terminal để bắt đầu.
Gói Ultralytics cung cấp các công cụ để đào tạo, đánh giá, tinh chỉnh, xuất và triển khai các mô hình cho nhiều tác vụ thị giác máy tính. Nếu bạn gặp bất kỳ sự cố nào trong quá trình cài đặt, hãy kiểm tra hướng dẫn Sự cố thường gặp để biết mẹo khắc phục sự cố.
Sau khi môi trường của bạn được thiết lập, bạn có thể tải và xuất mô hình YOLO11 được đào tạo trước như “yolo11n.pt” như hiển thị bên dưới. Bạn cũng có thể xuất mô hình YOLO11 được đào tạo tùy chỉnh của riêng bạn.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")Sau khi mô hình của bạn được chuyển đổi sang định dạng PaddlePaddle, nó có thể được triển khai trong nhiều tình huống khác nhau trên nhiều loại phần cứng khác nhau.
Ví dụ, trong ví dụ bên dưới, chúng tôi 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, chỉ đơn giản là sử dụng mô hình để phân tích dữ liệu mới. Ở đây, chúng tôi đang thử nghiệm nó với hình ảnh của 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 mã, hình ảnh đầu ra có dự đoán của mô hình sẽ được tự động lưu trong thư mục “runs/detect/predict”.
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. Sau đây là một số tùy chọn triển khai chính:
Sau khi 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 về kết quả.
Gói Python Ultralytics cũng hỗ trợ nhiều định dạng xuất khác nhau, 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 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 tuyệt vời cho các ứng dụng thời gian thực cần hiệu suất nhanh, hiệu quả, như phát hiện đối tượng trong ứng dụng di động, giám sát dựa trên tầm nhìn trong camera thông minh hoặc ước tính tư thế chạy trực tiếp trên thiết bị mà không cần hỗ trợ đám mây.
Ngoài ra, nếu dự án cần chạy ngoại tuyến hoặc trong môi trường kết nối thấp, 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 để khảo sát thực địa hoặc máy quét bán lẻ hỗ trợ AI có thể được hưởng lợi từ thời gian chạy nhẹ và các tùy chọn triển khai linh hoạt của PaddlePaddle.
Mặc dù PaddlePaddle cung cấp các khả năng triển khai thú vị, nhưng sau đây là một số yếu tố hạn chế cần lưu ý:
Tích hợp PaddlePaddle được Ultralytics hỗ trợ giúp dễ dàng xuất và triển khai các mô hình YOLO11 trên nhiều thiết bị. Nó đặc biệt hữu ích cho các dự án đòi hỏi hiệu suất hiệu quả trên thiết bị - như ứng dụng di động, máy ảnh 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 giúp việc xây dựng các hệ thống thông minh, nhanh chóng trên mọi thứ, 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! Khám phá sâu hơn về AI bằng cách khám phá kho lưu trữ GitHub của chúng tôi. Bạn đang muốn xây dựng các 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 chăm sóc sức khỏe 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!
