Paddle

Instalación

# Python 3.10 a 3.12. WSL2 con Ubuntu 22.04 es la ruta validada en Windows.pip install "libreyolo[paddle]"

python -c "from importlib.metadata import version; print(version('paddlepaddle'), version('x2paddle'), version('onnx'))"

El extra fija exactamente el stack que midió el trabajo de paridad: PaddlePaddle 2.6.2, X2Paddle 1.6.0 y ONNX 1.17 o anterior. Esas versiones fijadas se comprueban en el momento de exportar, no solo al instalar, y una versión distinta lanza un ImportError que nombra la esperada. Las versiones más nuevas de Paddle rechazan partes del código estático que genera X2Paddle 1.6.0, así que fallar pronto es mejor que producir un artefacto que nadie ha validado.

Exportación

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Escribe el directorio weights/LibreYOLO9t_paddlepath = model.export(format="paddle")print(path)

libreyolo export --model LibreYOLO9t.pt --format paddle

model.export(    format="paddle",    imgsz=640,        # int; el lienzo cuadrado de esta familia    batch=1,          # cualquier otro valor lanza ValueError    dynamic=False,    # True lanza ValueError    simplify=True,    # False lanza ValueError    opset=15,         # cualquier otro valor lanza ValueError    output_path=None, # None escribe weights/<stem>_paddle)

Cuatro argumentos están fijados, no simplemente predeterminados. dynamic debe ser False, batch debe ser 1, simplify debe ser True para obtener un grafo de conversión completamente estático, y opset debe ser 15, que es el techo que acepta X2Paddle 1.6.0. Pasar cualquier otra cosa lanza un error antes del trazado.

Sobre el grafo intermedio corre una única normalización. ONNX define como uno la dilatación omitida de un MaxPool, PyTorch escribe el atributo explícito de todo unos y X2Paddle 1.6.0 lo rechaza, así que el exportador elimina ese valor por defecto redundante y deja la operación especificada sin cambios.

El artefacto es un directorio: model.pdmodel, model.pdiparams y metadata.yaml. El Python que X2Paddle genera durante la conversión no forma parte de él.

Ejecutar el artefacto

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreYOLO9t_paddle", device="cpu")result = model.predict(SAMPLE_IMAGE)print(result.boxes.xyxy[:3])

libreyolo predict --model weights/LibreYOLO9t_paddle \  --source https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg --device cpu --save

from libreyolo.backends.paddle import PaddleBackend # Lo que construye LibreYOLO() para un directorio Paddle. El mismo objeto# Results, sin enrutado de la factoría por medio.backend = PaddleBackend("weights/LibreYOLO9t_paddle", device="cpu")result = backend.predict("parkour.jpg")print(result.boxes.xyxy[:3])

import numpy as npimport paddle.inference as paddle_inferimport yaml directory = "weights/LibreYOLO9t_paddle"config = paddle_infer.Config(    f"{directory}/model.pdmodel", f"{directory}/model.pdiparams")config.disable_gpu()config.disable_mkldnn()config.switch_ir_optim(False) predictor = paddle_infer.create_predictor(config)handle = predictor.get_input_handle(predictor.get_input_names()[0])handle.reshape([1, 3, 640, 640])handle.copy_from_cpu(np.zeros((1, 3, 640, 640), dtype=np.float32))predictor.run()for name in predictor.get_output_names():    print(name, predictor.get_output_handle(name).copy_to_cpu().shape) meta = yaml.safe_load(open(f"{directory}/metadata.yaml"))print(meta["model_family"], meta["task"], meta["names"]) # El preprocesado y el postprocesado corren de tu cuenta en esta ruta.

LibreYOLO() reconoce cualquier directorio que contenga a la vez model.pdmodel y model.pdiparams, lee metadata.yaml y devuelve el mismo objeto Results que el checkpoint. Un dispositivo que no sea auto o cpu lanza un error: este backend es solo para CPU.

Lo que construye la factoría es PaddleBackend, exportado desde libreyolo e importable como libreyolo.backends.paddle.PaddleBackend. Constrúyelo tú mismo cuando quieras el backend sin el enrutado por sufijo de la factoría, por ejemplo para pasar task= de forma explícita en un directorio cuyo metadata.yaml no has escrito tú. Su predict() acepta las mismas fuentes y devuelve los mismos resultados.

El snippet del runtime a secas refleja lo que configura el backend, y las tres opciones desactivadas son deliberadas. El pipeline de fusión en CPU de Paddle 2.6 puede caerse mientras optimiza los grandes grafos de gather y scatter que se emiten para la atención deformable, así que el grafo estático portable y sin fusionar es aquel contra el que se midió la paridad. El preprocesado, el decodificado, el NMS y el reescalado de coordenadas corren de tu cuenta en esa ruta.

Restricciones

Sin formas dinámicas, sin FP16, sin INT8, sin NMS embebido, sin runtime en GPU.

Las combinaciones validadas son la detección YOLO9, la detección YOLO9-E2E y YOLO9-P2, la detección, la pose y la segmentación EC, la detección RT-DETRv4, D-FINE, DEIM y DEIMv2, y la detección y la pose YOLO-NAS. Cada una está cubierta por la conversión, una recarga en el runtime de CPU, la paridad de salidas en crudo y resultados públicos reproducidos.

Bloqueadas, con el motivo registrado por combinación:

Cualquier cosa que no aparezca como validada o bloqueada se rechaza con la nota de que no se ha validado a través de la ruta de conversión de ONNX a Paddle.

Para la rejilla completa de familias y tareas, consulta la matriz de exportación. Para una sola combinación:

libreyolo formats --family yolo9 --task detect