使用 PaddlePaddle 集成导出 Ultralytics YOLO11
了解如何通过 PaddlePaddle 导出 Ultralytics YOLO 模型（如 Ultralytics YOLO11），以便在边缘、移动和云平台之间实现高效部署。
随着人工智能 (AI) 的进步，机器在理解周围环境方面的能力越来越强。推动这一进展的关键领域之一是 计算机视觉，这是 AI 的一个分支，使机器能够基于视觉数据进行解读并做出决策。
从帮助汽车识别交通标志到检查零售店的货架，计算机视觉现在已成为许多日常工具的一部分。这些任务依赖于视觉 AI 模型，它们可以快速扫描照片或视频并识别出重要信息。
随着时间的推移，这些模型变得越来越快且越来越准确，使其在农业、医疗保健、安防和零售等领域非常有用。例如，Ultralytics YOLO11 就是一款旨在以速度和精度处理一系列计算机视觉任务的模型。它可以检测和分类对象、跟踪运动并估计身体姿势。
将计算机视觉从研究转化为实际应用的一个重要部分是部署。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部分。
为了支持这一点，Ultralytics YOLO 模型（如 YOLO11）可以根据目标平台导出为各种格式。其中一种格式是 PaddlePaddle，这是一个开源 AI 框架，支持在广泛的设备和系统上进行高效的模型部署和推理。
在本文中，我们将探讨如何通过 Ultralytics 支持的 PaddlePaddle 集成 导出 Ultralytics YOLO11，以实现跨不同平台的高效部署。
Link to this section什么是 PaddlePaddle？#
在研究环境之外（例如在移动设备或边缘硬件上）部署 AI 模型有时会很棘手，尤其是当你需要它们高效运行并占用最少资源时。PaddlePaddle 就是一个旨在帮助解决这一问题的 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”(Parallel Distributed Deep Learning)。PaddlePaddle 由百度开发，这是一家以 AI 和软件基础设施工作而闻名的公司，它是专门为实际应用而创建的，而不仅仅是用于研究。
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 AI 开发的工具，包括低代码和无代码选项。该平台拥有一个超过 470 万用户的庞大开发者社区，并被广泛应用于医疗保健、农业、制造业和金融等各种行业。
Link to this sectionPaddlePaddle 的主要功能#
以下是一些帮助 PaddlePaddle 在现实设备上更高效运行模型的关键功能：
- 动态图转静态图： 此功能将灵活的模型转换为固定版本，使其运行更顺畅、更可预测。固定模型更容易优化，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。这减少了模型的内存占用并帮助其运行得更快。你可以将其想象为将多个任务合并为单个动作以节省时间。
- 量化：这通过使用更简单的数字（例如四舍五入到较少的小数位数）来使模型变小。它有助于模型在电力受限的设备（如手机或智能摄像头）上运行，而不会损失太多精度。
图 2. 使用 PaddlePaddle 的优势。图片由作者提供。
Link to this sectionYOLO11 使用 PaddlePaddle 部署概述#
Ultralytics 支持的 PaddlePaddle 集成简化了从训练到部署的过程。已经使用 PaddlePaddle 工具的开发者可以更轻松地将 YOLO11 引入他们的工作流程。
Ultralytics Python 包支持直接将 YOLO11 模型导出为 PaddlePaddle 格式，使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。
导出过程可以使用命令行或 Python 代码完成，因此开发者可以选择最适合其工作流程的方法。这有助于保持简洁并减少设置问题的发生。导出后，该模型可用于 计算机视觉任务，如对象检测、图像分类、姿势估计和实例分割。
对于设备内存有限或需要快速处理的部署场景，这是一个极好的选择。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。
Link to this section如何将 YOLO11 模型导出为 PaddlePaddle 格式#
只需几个步骤即可将 YOLO11 导出为 PaddlePaddle 模型格式。
第一步是使用像“pip”这样的包管理器安装 Ultralytics Python 包。你可以在命令提示符或终端中运行命令“pip install ultralytics”来开始。
Ultralytics 包提供了用于训练、评估、微调、导出和部署模型的工具，适用于一系列计算机视觉任务。如果在安装过程中遇到任何问题，请查看 常见问题指南 以获取故障排除提示。
环境设置好后，你可以加载并导出预训练的 YOLO11 模型（例如“yolo11n.pt”），如下所示。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，它就可以在不同类型的硬件上进行各种场景的部署。
例如，在下面的例子中，我们正在加载一个导出为 PaddlePaddle 格式的 YOLO11 模型，并用它来进行预测。这个过程（即运行推理）仅仅意味着使用该模型来分析新数据。在这里，我们用一张有两只狗的图片进行测试。
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，带有模型预测结果的输出图像将自动保存在“runs/detect/predict”文件夹中。
图 3. 使用导出的 YOLO11 模型检测图像中的对象。图片由作者提供。
Link to this section使用 PaddlePaddle 框架部署 YOLO11#
PaddlePaddle 提供了多种部署工具，每种工具都适用于不同的设备和用例，如云环境、嵌入式系统和 Web 应用程序。以下是一些主要的 部署选项：
- Paddle Serving： 它有助于将模型部署为 REST API，对于需要版本控制和在线测试等功能的云或服务器环境来说，这是一个不错的选择。
- Paddle Inference API： 它使你能够更好地控制模型的运行方式，当你需要微调性能或构建自定义应用程序逻辑时，这很有帮助。
- 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。它针对资源有限的硬件上的更小模型和更快的推理进行了优化。
- Paddle.js： 它允许你使用 WebGL 和 WebAssembly 等技术在 Web 浏览器中运行 AI 模型，这对于交互式演示和基于浏览器的工具非常有用。
图 4. PaddlePaddle 启用的部署选项。图片由作者提供。
选择好适合你设置的工具后，即可加载导出的模型。PaddlePaddle 引擎会处理接下来的步骤。它会加载模型、处理输入图像并返回结果。
Link to this section什么时候应该选择 PaddlePaddle 集成？#
Ultralytics Python 包还支持其他各种 导出格式，因此你可能会问：什么时候选择 PaddlePaddle 是正确的？
当你需要在资源有限的设备（如智能手机、嵌入式系统或边缘硬件）上部署模型时，PaddlePaddle 是一个可靠的选择。它也非常适合需要快速、高效性能的实时应用，例如移动应用中的对象检测、智能摄像头中的视觉监控，或者无需云支持直接在设备上运行的姿势估计。
此外，如果项目需要在离线或网络连接不佳的环境中运行，你可以考虑使用 PaddlePaddle 集成。制造业中的视觉检测工具、现场调查的手持设备或支持 AI 的零售扫描仪等应用都可以从 PaddlePaddle 的轻量级运行时和灵活的部署选项中受益。
Link to this section需要考虑的 PaddlePaddle 局限性#
虽然 PaddlePaddle 提供了有趣的部署功能，但仍需注意以下制约因素：
- 全球社区较小： 在中国以外，用户和贡献者群体相对较小。这可能使你更难找到社区支持、解决 GitHub 问题或获取 Stack Overflow 的答案。
- 非百度工具的学习曲线较陡峭： PaddlePaddle 与百度的生态系统集成得非常顺畅，但在该环境之外使用它可能涉及额外的配置和设置步骤。
- 与主流 ML 工具的集成较少： PaddlePaddle 与 Hugging Face Transformers、MLflow 或 Kubernetes 原生 AI 服务等常见工具的兼容性有限。
Link to this section关键要点#
Ultralytics 支持的 PaddlePaddle 集成可以轻松实现 YOLO11 模型在各种设备上的导出和部署。它特别适用于需要高效的端侧性能的项目，例如移动应用、智能摄像头或嵌入式系统。
只需几个步骤，你就可以将强大的视觉模型引入实际应用中。随着计算机视觉的持续进步，像 YOLO 和 PaddlePaddle 这样的工具正让构建快速、智能的系统变得比以往任何时候都更容易，涵盖了从消费设备到工业工具的方方面面。
加入我们日益壮大的 社区 吧！浏览我们的 GitHub 存储库 以深入了解 AI。想要构建自己的计算机视觉项目吗？探索我们的 许可选项。通过访问我们的解决方案页面，了解 医疗保健中的计算机视觉 如何提高效率，并探索 零售业中的 AI 的影响！
