利用 PaddlePaddle 集成导出 Ultralytics YOLO11

随着人工智能 (AI) 的发展，机器越来越擅长理解周围的世界。推动这一进步的一个关键领域是计算机视觉，它是人工智能的一个分支，能够让机器解读视觉数据并据此做出决策。

从帮助汽车识别交通标志，到检查零售店中的货架，计算机视觉如今已成为许多日常工具的一部分。这些任务依赖视觉 AI 模型，它们可以快速扫描照片或视频，并识别其中的重要内容。

随着时间的推移，这些模型变得更快、更准确，因此在农业、医疗保健、安全和零售等领域都很有用。例如，Ultralytics YOLO11 是一个旨在快速且精准地处理各种计算机视觉任务的模型。它可以检测和分类对象、跟踪运动并估计人体姿态。

将计算机视觉从研究转化为实际应用的关键环节是部署。模型训练完成后，下一步就是在手机、边缘硬件或云服务器等设备上运行它。

图 1. 模型部署是任何计算机视觉项目的关键环节。

为此，像 YOLO11 这样的 Ultralytics YOLO 模型 可以根据目标平台导出为各种格式。其中一种格式是 PaddlePaddle，这是一种开源人工智能框架，能够在各种设备和系统上实现高效的模型部署与推理。

本文将探讨如何通过 Ultralytics 支持的 PaddlePaddle 集成导出 Ultralytics YOLO11，从而在各种平台上实现高效部署。

什么是 PaddlePaddle？#

在研究环境之外部署人工智能模型（例如在移动设备或边缘硬件上部署）有时可能颇具挑战，尤其是当你需要模型高效运行并尽可能少地占用资源时。PaddlePaddle 是一个专门为此设计的深度学习框架。

它是一个中国开源平台，其名称代表并行分布式深度学习。PaddlePaddle 由百度开发，百度是一家以人工智能和软件基础设施领域的工作而闻名的公司。PaddlePaddle 的创建初衷就是面向实际应用，而不仅仅是研究。

开发者可以在服务器、边缘设备甚至移动硬件上运行 PaddlePaddle 格式的模型。它还支持简化人工智能开发的工具，包括低代码和无代码选项。该平台拥有超过 470 万用户的活跃开发者社区，并广泛应用于医疗保健、农业、制造业和金融等行业。

PaddlePaddle 的主要功能#

以下是帮助 PaddlePaddle 在实际设备上更高效运行模型的一些主要功能：

• 动态图到静态图转换： 此功能会将灵活的模型转换为固定版本，使其运行更加流畅且可预测。固定模型更易于优化，在进行预测时速度也更快。
• 算子融合： PaddlePaddle 可以将模型中的多个步骤合并为一个步骤。这会减少模型的内存占用，并帮助其运行得更快。你可以将其理解为把多个任务合并为一个操作，从而节省时间。
• 量化：通过使用更简单的数值（例如将数值四舍五入到更少的小数位），可以缩小模型。这有助于模型在手机或智能相机等电力有限的设备上运行，同时不会明显损失准确率。

图 2. 使用 PaddlePaddle 的优势。图片由作者提供。

使用 PaddlePaddle 部署 Ultralytics YOLO11 概览#

Ultralytics 支持的 PaddlePaddle 集成让从训练到部署的迁移变得更加容易。已经在使用 PaddlePaddle 工具的开发者可以更轻松地将 YOLO11 引入自己的工作流。

Ultralytics Python 软件包支持将 YOLO11 模型直接导出为 PaddlePaddle 格式，让开发者无需额外工具或手动转换步骤即可部署训练好的模型。

导出过程既可以通过命令行完成，也可以使用 Python 代码，因此开发者可以选择最适合自己工作流的方法。这有助于简化流程并减少设置问题。导出后，模型可用于计算机视觉任务，例如目标检测、图像分类、姿态估计和实例分割。

对于内存有限或要求快速处理的设备部署场景，这是一个很好的选择。导出的模型经过优化，即使在资源受限的系统上也能高效运行。

如何将 Ultralytics YOLO11 模型导出为 PaddlePaddle 格式#

只需几个步骤，即可将 Ultralytics YOLO11 导出为 PaddlePaddle 模型格式。

第一步是使用类似 ‘pip’ 的软件包管理器安装 Ultralytics Python 软件包。你可以在命令提示符或终端中运行命令 “pip install ultralytics” 来开始安装。

Ultralytics 软件包提供了用于训练、评估、微调、导出和部署模型的工具，支持各种计算机视觉任务。如果在安装过程中遇到问题，请查看常见问题指南以获取故障排除建议。

环境设置完成后，你可以加载并导出预训练的 YOLO11 模型，例如下面所示的 “yolo11n.pt”。你也可以导出自己训练的自定义 YOLO11 模型。

from ultralytics import YOLO

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

模型转换为 PaddlePaddle 格式后，便可以将其部署到各种硬件上的不同场景中。

例如，在下面的示例中，我们加载了一个已导出为 PaddlePaddle 格式的 Ultralytics YOLO11 模型，并使用它进行预测。这个过程称为运行推理，简单来说就是使用模型分析新数据。在这里，我们使用一张包含两只狗的图像对其进行测试。

paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)

运行代码后，包含模型预测结果的输出图像会自动保存到 “runs/detect/predict” 文件夹中。

图 3. 使用导出的 Ultralytics YOLO11 模型检测图像中的对象。图片由作者提供。

使用 PaddlePaddle 框架部署 Ultralytics YOLO11#

PaddlePaddle 提供了多种部署工具，分别适用于云环境、嵌入式系统和 Web 应用等不同设备与使用场景。以下是一些主要的部署选项：

• Paddle Serving： 它可以将模型部署为 REST API，因此适合需要版本控制和在线测试等功能的云端或服务器环境。
• Paddle Inference API： 它让你能够更好地控制模型的运行方式，这在需要微调性能或构建自定义应用逻辑时非常有用。
• Paddle Lite： 它专为在移动设备、平板电脑和嵌入式系统上进行轻量级部署而设计。它针对较小的模型和资源有限硬件上的更快推理进行了优化。
• Paddle.js： 它可以让你使用 WebGL 和 WebAssembly 等技术在 Web 浏览器中运行人工智能模型，适用于交互式演示和基于浏览器的工具。

图 4. PaddlePaddle 支持的部署选项。图片由作者提供。

选择适合你设置的工具后，就可以加载导出的模型。接下来的步骤由 PaddlePaddle 引擎负责。它会加载模型、处理输入图像并返回结果。

什么时候应该选择 PaddlePaddle 集成？#

Ultralytics Python 软件包还支持各种其他导出格式，因此你可能会问：什么时候选择 PaddlePaddle 才合适？

如果你希望在智能手机、嵌入式系统或边缘硬件等资源有限的设备上部署模型，PaddlePaddle 是一个可靠的选择。对于需要快速、高效性能的实时应用，它同样非常出色，例如移动应用中的目标检测、智能相机中的基于视觉的监控，或无需云支持、直接在设备上运行的姿态估计。

除此之外，如果项目需要在离线或网络连接较差的环境中运行，你也可以考虑使用 PaddlePaddle 集成。制造业中的视觉检测工具、用于现场调查的手持设备或支持人工智能的零售扫描器等应用，都能受益于 PaddlePaddle 的轻量级运行时和灵活的部署选项。

需要考虑的 PaddlePaddle 局限性#

虽然 PaddlePaddle 提供了许多有吸引力的部署能力，但仍有以下限制因素需要注意：

• 全球社区规模较小：在中国以外，其用户和贡献者群体相对较小。这可能导致你更难获得社区支持、找到已解决的 GitHub 问题或 Stack Overflow 答案。
• 对非百度工具的学习曲线更陡峭：PaddlePaddle 与百度生态系统集成顺畅，但在该环境之外使用时，可能需要额外的配置和设置步骤。
• 与主流机器学习工具的集成较少：PaddlePaddle 与 Hugging Face Transformers、MLflow 或原生支持 Kubernetes 的人工智能服务等常用工具的兼容性有限。

要点总结#

Ultralytics 支持的 PaddlePaddle 集成让你可以轻松地在各种设备上导出和部署 YOLO11 模型。它尤其适合需要高效设备端性能的项目，例如移动应用、智能相机或嵌入式系统。

只需几个步骤，你就能将强大的视觉模型引入实际应用。随着计算机视觉不断发展，YOLO 和 PaddlePaddle 等工具让构建快速、智能的系统变得前所未有地简单，覆盖从消费设备到工业工具的各种场景。

立即加入不断壮大的社区！探索我们的 GitHub 代码库，进一步深入了解人工智能。想构建自己的计算机视觉项目？了解我们的许可选项。访问我们的解决方案页面，了解医疗保健领域的计算机视觉如何提高效率，并探索零售领域的人工智能所带来的影响！