Paddle

Installazione

# Python da 3.10 a 3.12. WSL2 con Ubuntu 22.04 è il percorso validato su Windows.pip install "libreyolo[paddle]"

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

L'extra fissa esattamente lo stack su cui è stata misurata la parità: PaddlePaddle 2.6.2, X2Paddle 1.6.0 e ONNX 1.17 o precedente. Quei vincoli di versione sono controllati al momento dell'esportazione, non solo all'installazione, e una versione diversa solleva un ImportError che indica quella attesa. Le release più recenti di Paddle rifiutano parti del codice statico generato da X2Paddle 1.6.0, quindi fallire subito è meglio che produrre un artefatto che nessuno ha validato.

Esportazione

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

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

model.export(    format="paddle",    imgsz=640,        # int; il canvas quadrato di questa famiglia    batch=1,          # qualsiasi altro valore solleva ValueError    dynamic=False,    # True solleva ValueError    simplify=True,    # False solleva ValueError    opset=15,         # qualsiasi altro valore solleva ValueError    output_path=None, # None scrive weights/<stem>_paddle)

Quattro argomenti sono fissi, non semplicemente predefiniti. dynamic deve essere False, batch deve essere 1, simplify deve essere True per un grafo di conversione completamente statico e opset deve essere 15, che è il massimo accettato da X2Paddle 1.6.0. Passare qualsiasi altra cosa solleva un errore prima del tracing.

Sul grafo intermedio viene eseguita una normalizzazione. ONNX definisce come uno la dilation di MaxPool quando è omessa, PyTorch scrive esplicitamente l'attributo con tutti uno e X2Paddle 1.6.0 lo rifiuta, quindi l'exporter rimuove quel valore predefinito ridondante e lascia invariata l'operazione specificata.

L'artefatto è una directory: model.pdmodel, model.pdiparams e metadata.yaml. Il codice Python che X2Paddle genera durante la conversione non ne fa parte.

Eseguire l'artefatto

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 # Ciò che LibreYOLO() costruisce per una directory Paddle. Stesso# oggetto Results, senza il routing della factory in mezzo.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"]) # Su questo percorso il preprocessing e il postprocessing sono a tuo carico.

LibreYOLO() riconosce qualsiasi directory che contenga sia model.pdmodel sia model.pdiparams, legge metadata.yaml e restituisce lo stesso oggetto Results del checkpoint. Un device diverso da auto o cpu solleva un errore: questo backend funziona solo su CPU.

Quello che la factory costruisce è PaddleBackend, esportato da libreyolo e importabile come libreyolo.backends.paddle.PaddleBackend. Costruiscilo tu quando vuoi il backend senza il routing per suffisso della factory, per esempio per passare task= in modo esplicito per una directory il cui metadata.yaml non hai scritto tu. Il suo predict() accetta le stesse sorgenti e restituisce gli stessi risultati.

Lo snippet con il runtime puro rispecchia ciò che configura il backend, e le tre opzioni disabilitate sono volute. La pipeline di fusione su CPU di Paddle 2.6 può andare in crash mentre ottimizza i grandi grafi di gather e scatter emessi per la deformable attention, quindi il grafo statico portabile e non fuso è quello su cui è stata misurata la parità. Su quel percorso il preprocessing, il decoding, l'NMS e il riscalamento delle coordinate diventano a tuo carico.

Vincoli

Niente forme dinamiche, niente FP16, niente INT8, niente NMS integrato, niente runtime su GPU.

Le combinazioni validate sono il rilevamento con YOLO9, il rilevamento con YOLO9-E2E e YOLO9-P2, il rilevamento, la stima della posa e la segmentazione con EC, il rilevamento con RT-DETRv4, D-FINE, DEIM e DEIMv2, e il rilevamento e la stima della posa con YOLO-NAS. Ognuna è coperta dalla conversione, da una ricarica del runtime su CPU, dalla parità degli output grezzi e da risultati pubblici corrispondenti.

Bloccate, con la ragione registrata per ogni combinazione:

Tutto ciò che non è elencato come validato o bloccato viene rifiutato con la nota che non è stato validato attraverso il percorso di conversione da ONNX a Paddle.

Per la griglia completa di famiglie e task, vedi la matrice di esportazione. Per una singola combinazione:

libreyolo formats --family yolo9 --task detect