通过 PaddlePaddle 集成导出 Ultralytics YOLO11

随着人工智能（AI）的发展，机器正越来越善于理解周围的世界。推动这一进步的一个关键领域是计算机视觉，它是 AI 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，到检查零售商店的货架，计算机视觉如今已应用于许多日常工具。这些任务依赖视觉 AI 模型，它们能够快速扫描照片或视频并识别其中的重要内容。

随着时间推移，这些模型变得更快、更准确，因此在农业、医疗、安全和零售等领域都能发挥作用。例如，Ultralytics YOLO11是一款能够快速、精准地处理各类计算机视觉任务的模型。它可以检测和分类对象、跟踪移动情况以及估计人体姿势。

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模型。

图 1。模型部署是任何计算机视觉项目的关键环节。

为此，Ultralytics YOLO 模型（例如 YOLO11）可以根据目标平台导出为多种格式。其中一种格式是 PaddlePaddle，这是一款开源 AI 框架，可支持在各种设备和系统上高效部署模型并进行推理。

本文将介绍如何通过 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（例如部署到移动设备或边缘硬件上）有时颇具挑战，尤其是在需要高效运行并尽量减少资源占用时。PaddlePaddle 是一款专为解决这一问题而设计的深度学习框架。

PaddlePaddle 是一个中国开源平台，其名称代表并行分布式深度学习。它由以 AI 和软件基础设施领域的工作而闻名的百度开发，专为实际应用而打造，而不只是用于研究。

开发者可以在服务器、边缘设备乃至移动硬件上运行 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方案。该平台拥有活跃的开发者社区，应用领域涵盖医疗保健、农业、制造业和金融等多个行业。

PaddlePaddle 的主要功能#

以下是一些帮助 PaddlePaddle 在实际设备上更高效运行模型的主要功能：

• 动态图转静态图：此功能可以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，预测速度也更快。
• 算子融合：PaddlePaddle 可以将模型中的多个步骤合并为一个步骤，从而减少模型的内存占用并帮助模型运行得更快。你可以把它想象成将多项任务合并为一个操作，以节省时间。
• 量化：通过使用更简单的数值（例如减少小数位数）来缩小模型。它可以帮助模型在手机或智能摄像头等算力有限的设备上运行，同时不会损失太多准确率。

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流程更加轻松。已经使用 PaddlePaddle 工具的开发者可以更方便地将 YOLO11 纳入自己的工作流。

Ultralytics Python 软件包支持将 YOLO11 模型直接导出为 PaddlePaddle 格式，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。

你可以通过命令行或 Python 代码完成导出，因此开发者可以选择最适合自己工作流程的方式。这有助于简化操作并减少设置问题。导出后，模型可用于目标检测、实例分割、图像分类和姿态估计等计算机视觉任务。

对于设备内存有限或需要快速处理的部署场景，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，就能将 Ultralytics YOLO11 导出为 PaddlePaddle 模型格式。

第一步是使用 pip 等包管理器安装 Ultralytics Python 软件包。在命令提示符或终端中运行命令 pip install ultralytics 即可开始。

Ultralytics 软件包提供一系列工具，可用于训练、评估、微调、导出和部署各类计算机视觉任务的模型。如果在安装过程中遇到问题，请查看常见问题指南，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 YOLO11n（yolo11n.pt），如下所示。你也可以导出自己训练的 YOLO11 模型。

from ultralytics import YOLO

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

模型转换为 PaddlePaddle 格式后，就可以在不同类型的硬件上用于各种场景。

例如，在下面的示例中，我们加载一个已导出为 PaddlePaddle 格式的 Ultralytics YOLO11 模型，并使用它进行预测。这个过程称为推理，简单来说就是使用模型分析新数据。这里我们用一张包含两只狗的图像进行测试。

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在 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 应用等不同设备和使用场景。以下是其中几种主要的部署选项：

• 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，在需要微调性能或构建自定义应用逻辑时很有帮助。
• 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。它针对较小的模型以及在资源有限硬件上的更快推理进行了优化。
• Paddle.js：它让你可以通过 WebGL 和 WebAssembly 等技术在 Web 浏览器中运行 AI 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。

为你的环境选好合适的工具后，就可以加载导出的模型。接下来的步骤由 PaddlePaddle 引擎负责：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，因此你可能会想知道：什么时候 PaddlePaddle 才是合适的选择？

如果你想在资源有限的设备上部署模型，例如智能手机、嵌入式系统或边缘硬件，PaddlePaddle 是一个可靠的选择。它也非常适合需要快速、高效运行的实时应用，例如移动应用中的对象检测、智能摄像头中的视觉监控，或无需云端支持、直接在设备上运行的姿势估计。

此外，如果项目需要离线运行或在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、用于实地调查的手持设备，或搭载 AI 的零售扫描仪等应用，都可以受益于 PaddlePaddle 轻量级的运行时和灵活的部署选项。

需要考虑的 PaddlePaddle 局限性#

PaddlePaddle 虽然提供了实用的部署能力，但也有一些限制因素需要了解：

• 全球社区规模较小：在中国以外，用户和贡献者群体相对较小。这可能会增加寻找社区支持、已解决的 GitHub 问题或 Stack Overflow 答案的难度。
• 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，但在该生态之外使用时，可能需要进行额外的配置和设置。
• 与主流 ML 工具的集成较少：PaddlePaddle 与 Hugging Face Transformers、MLflow 或基于 Kubernetes 的 AI 服务等常用工具的兼容性有限。

要点#

Ultralytics 支持的 PaddlePaddle 集成让你可以轻松地将 YOLO11 模型导出并部署到各种设备上。对于需要高效设备端运行的项目，它尤其有用，例如移动应用、智能摄像头或嵌入式系统。

只需几个步骤，你就能将强大的视觉模型应用于实际场景。随着计算机视觉不断发展，YOLO 和 PaddlePaddle 等工具让你比以往更轻松地构建快速、智能的系统，应用范围涵盖消费设备和工业工具。

立即加入不断壮大的社区！浏览我们的 GitHub 代码仓库，深入探索 AI。想要构建自己的计算机视觉项目？查看我们的许可选项。访问我们的解决方案页面，了解医疗领域的计算机视觉如何提升效率，并探索零售领域中的 AI带来的影响！