Paddle

Instalação

# Python 3.10 a 3.12. WSL2 com Ubuntu 22.04 é o caminho validado no Windows.pip install "libreyolo[paddle]"

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

O extra fixa exatamente a stack que o trabalho de paridade mediu: PaddlePaddle 2.6.2, X2Paddle 1.6.0 e ONNX 1.17 ou anterior. Essas versões fixadas são conferidas na hora de exportar, não só na instalação, e uma versão diferente levanta um ImportError nomeando a esperada. Versões mais novas do Paddle rejeitam partes do código estático que o X2Paddle 1.6.0 gera, então falhar cedo é melhor do que produzir um artefato que ninguém validou.

Exportação

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

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

model.export(    format="paddle",    imgsz=640,        # int; a tela quadrada desta família    batch=1,          # qualquer outro valor levanta ValueError    dynamic=False,    # True levanta ValueError    simplify=True,    # False levanta ValueError    opset=15,         # qualquer outro valor levanta ValueError    output_path=None, # None escreve weights/<stem>_paddle)

Quatro argumentos são fixos, não apenas padrões. dynamic precisa ser False, batch precisa ser 1, simplify precisa ser True para um grafo de conversão totalmente estático, e opset precisa ser 15, que é o teto que o X2Paddle 1.6.0 aceita. Passar qualquer outra coisa levanta um erro antes do tracing.

Uma única normalização roda sobre o grafo intermediário. O ONNX define como um a dilatação omitida de um MaxPool, o PyTorch escreve o atributo explícito só de uns e o X2Paddle 1.6.0 o rejeita, então o exportador remove esse padrão redundante e deixa a operação especificada sem alteração.

O artefato é um diretório: model.pdmodel, model.pdiparams e metadata.yaml. O Python que o X2Paddle gera durante a conversão não faz parte dele.

Rodar o artefato

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 # O que LibreYOLO() constrói para um diretório Paddle. O mesmo objeto# Results, sem o roteamento da fábrica no meio.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"]) # O pré-processamento e o pós-processamento ficam por sua conta neste caminho.

LibreYOLO() reconhece qualquer diretório que contenha ao mesmo tempo model.pdmodel e model.pdiparams, lê o metadata.yaml e devolve o mesmo objeto Results que o checkpoint. Um dispositivo diferente de auto ou cpu levanta um erro: este backend é somente CPU.

O que a fábrica constrói é o PaddleBackend, exportado de libreyolo e importável como libreyolo.backends.paddle.PaddleBackend. Construa você mesmo quando quiser o backend sem o roteamento por sufixo da fábrica, por exemplo para passar task= explicitamente em um diretório cujo metadata.yaml não foi você que escreveu. O predict() dele aceita as mesmas fontes e devolve os mesmos resultados.

O snippet do runtime puro espelha o que o backend configura, e as três opções desativadas são deliberadas. O pipeline de fusão em CPU do Paddle 2.6 pode quebrar enquanto otimiza os grandes grafos de gather e scatter emitidos para a atenção deformável, então o grafo estático portátil e sem fusão é aquele contra o qual a paridade foi medida. O pré-processamento, a decodificação, o NMS e o reescalonamento de coordenadas ficam por sua conta nesse caminho.

Restrições

Sem formas dinâmicas, sem FP16, sem INT8, sem NMS embutido, sem runtime em GPU.

As combinações validadas são detecção YOLO9, detecção YOLO9-E2E e YOLO9-P2, detecção, pose e segmentação EC, detecção RT-DETRv4, D-FINE, DEIM e DEIMv2, e detecção e pose YOLO-NAS. Cada uma é coberta por conversão, uma recarga no runtime de CPU, paridade de saídas em cru e resultados públicos reproduzidos.

Bloqueadas, com o motivo registrado por combinação:

Qualquer coisa que não esteja listada como validada ou bloqueada é recusada com a observação de que não foi validada através do caminho de conversão de ONNX para Paddle.

Para a grade completa de famílias e tarefas, veja a matriz de exportação. Para uma combinação:

libreyolo formats --family yolo9 --task detect