Paddle

Instalacja

# Python od 3.10 do 3.12. Zwalidowaną ścieżką na Windows jest WSL2 z Ubuntu 22.04.pip install "libreyolo[paddle]"

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

Ten extra przypina dokładnie ten stos, na którym mierzono parytet: PaddlePaddle 2.6.2, X2Paddle 1.6.0 oraz ONNX 1.17 lub starszy. Te przypięcia są sprawdzane w momencie eksportu, a nie tylko podczas instalacji, a inna wersja zgłasza ImportError z nazwą wersji oczekiwanej. Nowsze wydania Paddle odrzucają część statycznego kodu generowanego przez X2Paddle 1.6.0, więc wcześniejszy błąd jest lepszy niż wytworzenie artefaktu, którego nikt nie zwalidował.

Eksport

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

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

model.export(    format="paddle",    imgsz=640,        # int; kwadratowe płótno tej rodziny    batch=1,          # każda inna wartość zgłasza ValueError    dynamic=False,    # True zgłasza ValueError    simplify=True,    # False zgłasza ValueError    opset=15,         # każda inna wartość zgłasza ValueError    output_path=None, # None zapisuje weights/<stem>_paddle)

Cztery argumenty są ustalone na sztywno, a nie tylko mają wartości domyślne. dynamic musi być False, batch musi wynosić 1, simplify musi być True, aby graf konwersji był w pełni statyczny, a opset musi wynosić 15, czyli tyle, ile najwyżej przyjmuje X2Paddle 1.6.0. Przekazanie czegokolwiek innego zgłasza błąd jeszcze przed trasowaniem.

Na grafie pośrednim wykonuje się jedna normalizacja. ONNX definiuje pominiętą dylatację MaxPool jako jedynkę, PyTorch zapisuje jawny atrybut złożony z samych jedynek, a X2Paddle 1.6.0 go odrzuca, więc eksporter usuwa tę zbędną wartość domyślną i pozostawia opisaną operację bez zmian.

Artefaktem jest katalog: model.pdmodel, model.pdiparams i metadata.yaml. Kod w Pythonie, który X2Paddle generuje podczas konwersji, nie wchodzi w jego skład.

Uruchamianie artefaktu

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 # To, co LibreYOLO() konstruuje dla katalogu Paddle. Ten sam obiekt# Results, bez routingu fabryki po drodze.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"]) # Na tej ścieżce preprocessing i postprocessing leżą po stronie użytkownika.

LibreYOLO() rozpoznaje każdy katalog zawierający jednocześnie model.pdmodel i model.pdiparams, odczytuje metadata.yaml i zwraca ten sam obiekt Results co checkpoint. Urządzenie inne niż auto lub cpu zgłasza błąd: ten backend działa wyłącznie na CPU.

Fabryka konstruuje PaddleBackend, eksportowany z libreyolo i importowalny jako libreyolo.backends.paddle.PaddleBackend. Skonstruuj go samodzielnie, gdy potrzebny jest backend bez routingu po sufiksach wykonywanego przez fabrykę, na przykład aby jawnie przekazać task= dla katalogu, którego metadata.yaml nie został napisany samodzielnie. Jego predict() przyjmuje te same źródła i zwraca te same wyniki.

Fragment kodu z samym środowiskiem uruchomieniowym odzwierciedla to, co konfiguruje backend, a trzy wyłączone opcje są celowe. Pipeline fuzji na CPU w Paddle 2.6 potrafi się wywrócić podczas optymalizowania dużych grafów gather i scatter emitowanych dla deformable attention, więc parytet mierzono względem przenośnego, niescalonego grafu statycznego. Na tej ścieżce preprocessing, dekodowanie, NMS i przeskalowanie współrzędnych leżą po stronie użytkownika.

Ograniczenia

Brak dynamicznych kształtów, brak FP16, brak INT8, brak wbudowanego NMS, brak środowiska uruchomieniowego na GPU.

Zwalidowane kombinacje to detekcja YOLO9, detekcja YOLO9-E2E i YOLO9-P2, detekcja, estymacja pozy i segmentacja w rodzinie EC, detekcja RT-DETRv4, D-FINE, DEIM i DEIMv2 oraz detekcja i estymacja pozy YOLO-NAS. Każdą z nich pokrywa konwersja, ponowne wczytanie w środowisku uruchomieniowym na CPU, parytet surowych wyjść i zgodność z opublikowanymi wynikami.

Zablokowane, z przyczyną zapisaną dla każdej kombinacji:

Wszystko, co nie zostało wymienione jako zwalidowane ani zablokowane, jest odrzucane z adnotacją, że nie przeszło walidacji na ścieżce konwersji z ONNX do Paddle.

Pełną siatkę rodzin i zadań zawiera macierz eksportu. Dla jednej kombinacji:

libreyolo formats --family yolo9 --task detect