使用 PaddlePaddle 集成导出 Ultralytics YOLO11

随着人工智能 (AI) 的发展，机器在理解周围世界方面做得越来越好。推动这一进展的一个关键领域是计算机视觉，它是 AI 的一个分支，使机器能够根据视觉数据进行解释和决策。

从帮助汽车识别交通标志到检查零售店的货架，计算机视觉现在是许多日常工具的一部分。这些任务依赖于视觉 AI 模型，这些模型可以快速扫描照片或视频并识别重要的内容。

随着时间的推移，这些模型变得更快、更准确，使其在农业、医疗保健、安全和零售等领域非常有用。例如，Ultralytics YOLO11是一个旨在快速、精确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。 一旦模型经过训练，下一步就是在手机、边缘硬件或云服务器等设备上运行它。 

​

为了支持这一点，Ultralytics YOLO 模型（如 YOLO11）可以导出为各种格式，具体取决于目标平台。 其中一种格式是 PaddlePaddle，这是一种开源 AI 框架，可在各种设备和系统上实现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，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 AI 模型（例如在移动设备或边缘硬件上）有时可能很棘手，尤其是在您需要它们高效运行并使用最少资源时。PaddlePaddle 是一个深度学习框架，旨在帮助解决这个问题。

PaddlePaddle 是一个中国的开源平台，其名称代表并行分布式深度学习。它由百度开发，百度是一家以其在人工智能和软件基础设施方面的工作而闻名的公司。PaddlePaddle 的创建专门用于实际应用，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以PaddlePaddle格式运行模型。它还支持简化AI开发的工具，包括低代码和无代码选项。该平台拥有超过470万用户的强大开发者社区，并被广泛应用于医疗保健、农业、制造业和金融等各个行业。

PaddlePaddle 的主要特性

以下是一些关键特性，可帮助 PaddlePaddle 在真实设备上更高效地运行模型：

• 動態到靜態圖轉換：此功能將靈活的模型轉換為運作更順暢且可預測的固定版本。 固定模型在進行預測時更容易優化且速度更快。
  ‍
• 算子融合：PaddlePaddle 可以将模型中的多个步骤合并为一个步骤。这减少了模型使用的内存量，并有助于它更快地运行。可以将其视为将多个任务合并为一个操作以节省时间。
  ‍
• 量化 (Quantization)： 这通过使用更简单的数字（例如四舍五入到更少的位数）来缩小模型尺寸。它有助于模型在功率有限的设备（如手机或智能相机）上运行，而不会损失太多精度。

​

使用 PaddlePaddle 部署 YOLO11 概述

Ultralytics 支持的 PaddlePaddle 集成使得从训练到部署的过渡更加容易。已经使用 PaddlePaddle 工具的开发人员可以更轻松地将 YOLO11 引入到他们的工作流程中。

Ultralytics Python 软件包支持将 YOLO11 模型直接导出为 PaddlePaddle 格式，从而使开发人员无需额外的工具或手动转换步骤即可部署训练后的模型。 

导出过程可以使用命令行或 Python 代码完成，因此开发人员可以选择最适合其工作流程的方法。这有助于简化操作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，例如目标检测、图像分类、姿态估计和实例分割。

对于设备内存有限或需要快速处理的部署场景，它是一个不错的选择。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 YOLO11 模型导出为 PaddlePaddle 格式

只需几个步骤即可将 YOLOv8 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。可以通过在命令提示符或终端中运行命令“pip install ultralytics”来开始。

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，以用于各种计算机视觉任务。如果在安装过程中遇到任何问题，请查看常见问题解答指南以获取故障排除提示。

设置好环境后，您可以加载并导出预训练的 YOLO11 模型，如下所示，例如“yolo11n.pt”。您也可以导出您自己定制训练的 YOLO11 模型。

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="paddle")

您的模型转换为 PaddlePaddle 格式后，便可以在不同类型的硬件上，于各种场景中进行部署。

例如，在下面的示例中，我们正在加载一个导出为 PaddlePaddle 格式的 YOLO11 模型，并使用它来进行预测。此过程称为运行推理，仅表示使用该模型来分析新数据。在这里，我们正在用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，包含模型预测的输出图像将自动保存在“runs/detect/predict”文件夹中。

​

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，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，使其成为需要版本控制和在线测试等功能的云或服务器环境的理想选择。
  ‍
• Paddle Inference API： 它可以让您更好地控制模型的运行方式，这在您需要微调性能或构建自定义应用程序逻辑时非常有用。
  ‍
• 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。 它针对较小的模型进行了优化，并可在资源有限的硬件上实现更快的推理。
  ‍
• Paddle.js： 它允许您使用 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。

​

为您的设置选择合适的工具后，您可以加载导出的模型。PaddlePaddle 引擎会处理后续步骤。它加载模型，处理输入图像，并返回结果。

何时应选择PaddlePaddle集成？

Ultralytics Python 软件包还支持各种其他导出格式，因此您可能会问：何时 PaddlePaddle 才是正确的选择？

当您希望在资源有限的设备（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程序，例如移动应用程序中的目标检测、智能相机中基于视觉的监控或直接在设备上运行而无需云支持的姿势估计。

此外，如果项目需要在离线或低连接环境下运行，您可以考虑使用 PaddlePaddle 集成。诸如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 AI 的零售扫描仪等应用，都可以受益于 PaddlePaddle 的轻量级运行时和灵活的部署选项。 

PaddlePaddle 需要考虑的局限性

虽然PaddlePaddle提供了有趣的部署功能，但需要注意以下一些限制因素：

• 较小的全球社区: 在中国以外，用户和贡献者群体相对较小。这可能会使寻找社区支持、已解决的 GitHub 问题或 Stack Overflow 答案变得更加困难。
  ‍
• 非百度工具的学习曲线更陡峭：PaddlePaddle 与百度的生态系统集成顺畅，但在该环境之外使用可能需要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 服务等常用工具的兼容性有限。

主要要点

Ultralytics 支持的 PaddlePaddle 集成使得在一系列设备上导出和部署 YOLO11 模型变得容易。它对于需要高效的设备端性能的项目特别有用，例如移动应用程序、智能相机或嵌入式系统。

只需几个步骤，您就可以将强大的视觉模型引入到实际应用中。随着计算机视觉的不断发展，像YOLO和PaddlePaddle这样的工具使得构建快速、智能的系统比以往任何时候都更容易，从消费设备到工业工具，无所不包。

立即加入我们不断壮大的社区！通过探索我们的GitHub 仓库，更深入地了解人工智能。想要构建您自己的计算机视觉项目吗？探索我们的许可选项。访问我们的解决方案页面，了解医疗保健领域中的计算机视觉如何提高效率，并探索人工智能在零售业的影响！