Paddle

Installation

# Python 3.10 à 3.12. WSL2 avec Ubuntu 22.04 est le chemin Windows validé.pip install "libreyolo[paddle]"

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

L'extra épingle exactement la pile sur laquelle la parité a été mesurée : PaddlePaddle 2.6.2, X2Paddle 1.6.0 et ONNX 1.17 ou antérieur. Ces épinglages sont vérifiés au moment de l'export, pas seulement à l'installation, et une version différente lève une ImportError qui nomme celle attendue. Les versions plus récentes de Paddle rejettent une partie du code statique que génère X2Paddle 1.6.0 ; échouer tôt vaut donc mieux que produire un artefact que personne n'a validé.

Export

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # Écrit le répertoire weights/LibreYOLO9t_paddlepath = model.export(format="paddle")print(path)

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

model.export(    format="paddle",    imgsz=640,        # int, le canevas carré de cette famille    batch=1,          # toute autre valeur lève ValueError    dynamic=False,    # True lève ValueError    simplify=True,    # False lève ValueError    opset=15,         # toute autre valeur lève ValueError    output_path=None, # None écrit weights/<stem>_paddle)

Quatre arguments sont figés plutôt que dotés d'une valeur par défaut. dynamic doit valoir False, batch doit valoir 1, simplify doit valoir True pour obtenir un graphe de conversion entièrement statique, et opset doit valoir 15, le plafond qu'accepte X2Paddle 1.6.0. Passer autre chose lève avant le tracing.

Une seule normalisation s'applique au graphe intermédiaire. ONNX définit une dilatation MaxPool omise comme valant un, PyTorch écrit explicitement l'attribut rempli de uns, et X2Paddle 1.6.0 le rejette : l'exporteur supprime donc cette valeur par défaut redondante et laisse l'opération spécifiée inchangée.

L'artefact est un répertoire : model.pdmodel, model.pdiparams et metadata.yaml. Le code Python que X2Paddle génère pendant la conversion n'en fait pas partie.

Exécuter l'artefact

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 # Ce que LibreYOLO() construit pour un répertoire Paddle. Le même objet# Results, sans routage par la factory entre les deux.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"]) # Le prétraitement et le postprocessing sont à votre charge ici.

LibreYOLO() reconnaît tout répertoire contenant à la fois model.pdmodel et model.pdiparams, lit metadata.yaml et renvoie le même objet Results que le checkpoint. Un device autre que auto ou cpu lève : ce backend fonctionne uniquement sur CPU.

Ce que la factory construit, c'est PaddleBackend, exporté depuis libreyolo et importable sous libreyolo.backends.paddle.PaddleBackend. Construisez-le vous-même quand vous voulez le backend sans le routage par suffixe de la factory, par exemple pour passer task= explicitement sur un répertoire dont vous n'avez pas écrit le metadata.yaml. Son predict() accepte les mêmes sources et renvoie les mêmes résultats.

Le snippet en runtime brut reprend ce que configure le backend, et les trois options désactivées le sont délibérément. Le pipeline de fusion CPU de Paddle 2.6 peut planter en optimisant les grands graphes gather et scatter émis pour l'attention déformable ; c'est donc sur le graphe statique portable et non fusionné que la parité a été mesurée. Le prétraitement, le décodage, le NMS et le rééchelonnement des coordonnées sont à votre charge sur ce chemin.

Contraintes

Pas de formes dynamiques, pas de FP16, pas d'INT8, pas de NMS intégré, pas de runtime GPU.

Les combinaisons validées sont la détection YOLO9, la détection YOLO9-E2E et YOLO9-P2, la détection, l'estimation de pose et la segmentation EC, la détection RT-DETRv4, D-FINE, DEIM et DEIMv2, et la détection et l'estimation de pose YOLO-NAS. Chacune est couverte par la conversion, un rechargement du runtime sur CPU, une parité des sorties brutes et des résultats publics appariés.

Bloquées, avec la raison enregistrée pour chaque combinaison :

Tout ce qui n'est listé ni comme validé ni comme bloqué est refusé, avec la note indiquant que cela n'a pas été validé via le chemin de conversion ONNX vers Paddle.

Pour la grille complète des familles et des tâches, voir la matrice d'export. Pour une seule combinaison :

libreyolo formats --family yolo9 --task detect