Paddle

Instalasi

# Python 3.10 sampai 3.12. WSL2 dengan Ubuntu 22.04 adalah jalur Windows yang tervalidasi.pip install "libreyolo[paddle]"

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

Ekstra ini mematok stack persis seperti yang diukur pada kerja parity: PaddlePaddle 2.6.2, X2Paddle 1.6.0 dan ONNX 1.17 atau lebih lama. Patokan itu diperiksa saat ekspor, bukan hanya saat pemasangan, dan versi yang berbeda memicu ImportError yang menyebutkan versi yang diharapkan. Rilis Paddle yang lebih baru menolak sebagian kode statis yang dihasilkan X2Paddle 1.6.0, jadi gagal sejak awal lebih baik daripada menghasilkan artefak yang belum divalidasi siapa pun.

Ekspor

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

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

model.export(    format="paddle",    imgsz=640,        # int; kanvas persegi milik family ini    batch=1,          # nilai lain memicu ValueError    dynamic=False,    # True memicu ValueError    simplify=True,    # False memicu ValueError    opset=15,         # nilai lain memicu ValueError    output_path=None, # None menulis weights/<stem>_paddle)

Empat argumen bersifat tetap, bukan sekadar bernilai bawaan. dynamic harus False, batch harus 1, simplify harus True agar graf konversi sepenuhnya statis, dan opset harus 15, yaitu batas tertinggi yang diterima X2Paddle 1.6.0. Memberikan nilai lain akan memicu error sebelum tracing.

Satu normalisasi dijalankan pada graf perantara. ONNX mendefinisikan dilasi MaxPool yang dihilangkan sebagai satu, PyTorch menuliskan atribut semua-satu secara eksplisit, dan X2Paddle 1.6.0 menolaknya, jadi exporter menghapus nilai bawaan yang berlebihan itu dan membiarkan operasi yang ditentukan tetap sama.

Artefaknya berupa sebuah direktori: model.pdmodel, model.pdiparams dan metadata.yaml. Kode Python yang dihasilkan X2Paddle selama konversi bukan bagian darinya.

Menjalankan artefak

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 # Yang dibangun LibreYOLO() untuk direktori Paddle. Objek Results# yang sama, tanpa routing factory di antaranya.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"]) # Preprocessing dan postprocessing jadi tanggung jawab Anda di jalur ini.

LibreYOLO() mengenali direktori mana pun yang memuat model.pdmodel sekaligus model.pdiparams, membaca metadata.yaml, dan mengembalikan objek Results yang sama seperti checkpoint. Device selain auto atau cpu akan memicu error: backend ini hanya untuk CPU.

Yang dibangun factory adalah PaddleBackend, diekspor dari libreyolo dan bisa diimpor sebagai libreyolo.backends.paddle.PaddleBackend. Bangun sendiri objeknya bila ingin memakai backend tanpa routing sufiks milik factory, misalnya untuk memberikan task= secara eksplisit pada direktori yang metadata.yaml-nya bukan Anda yang menulis. Method predict() miliknya menerima sumber yang sama dan mengembalikan hasil yang sama.

Snippet runtime murni mencerminkan apa yang dikonfigurasi backend, dan tiga opsi yang dimatikan itu disengaja. Pipeline fusion CPU pada Paddle 2.6 bisa crash saat mengoptimalkan graf gather dan scatter berukuran besar yang dihasilkan untuk deformable attention, jadi graf statis tanpa fusion yang portabel itulah yang dipakai sebagai acuan pengukuran parity. Preprocessing, decoding, NMS dan penskalaan ulang koordinat menjadi tanggung jawab Anda di jalur itu.

Batasan

Tidak ada shape dinamis, tidak ada FP16, tidak ada INT8, tidak ada NMS tertanam, tidak ada runtime GPU.

Kombinasi yang tervalidasi adalah deteksi YOLO9, deteksi YOLO9-E2E dan YOLO9-P2, deteksi, pose dan segmentasi EC, deteksi RT-DETRv4, D-FINE, DEIM dan DEIMv2, serta deteksi dan pose YOLO-NAS. Masing-masing dicakup oleh konversi, pemuatan ulang di runtime CPU, parity keluaran mentah dan hasil publik yang cocok.

Diblokir, dengan alasan yang dicatat per kombinasi:

Apa pun yang tidak terdaftar sebagai tervalidasi atau diblokir akan ditolak dengan catatan bahwa kombinasi itu belum divalidasi melalui jalur konversi ONNX ke Paddle.

Untuk grid family dan task lengkap, lihat matriks ekspor. Untuk satu kombinasi:

libreyolo formats --family yolo9 --task detect