Paddle

Встановлення

# Python 3.10-3.12. Для Windows валідовано шлях через WSL2 з Ubuntu 22.04.pip install "libreyolo[paddle]"

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

Додатковий пакет закріплює точний стек, для якого виміряно еквівалентність: PaddlePaddle 2.6.2, X2Paddle 1.6.0 та ONNX 1.17 або старішу версію. Ці версії перевіряються під час експорту, а не лише встановлення, і відмінна версія спричиняє ImportError із назвою очікуваної. Новіші випуски Paddle відхиляють частини статичного коду, який генерує X2Paddle 1.6.0, тому краще завершити процес заздалегідь, ніж створити артефакт, який ніхто не валідував.

Експорт

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

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

model.export(    format="paddle",    imgsz=640,        # ціле число; квадратне полотно цього сімейства    batch=1,          # будь-яке інше значення спричиняє ValueError    dynamic=False,    # True спричиняє ValueError    simplify=True,    # False спричиняє ValueError    opset=15,         # будь-яке інше значення спричиняє ValueError    output_path=None, # None записує weights/<stem>_paddle)

Чотири аргументи зафіксовано, а не лише задано типово. Значення dynamic має бути False, batch має дорівнювати 1, simplify має бути True для повністю статичного графа перетворення, а opset має дорівнювати 15, тобто максимальному значенню, яке приймає X2Paddle 1.6.0. Усі інші значення відхиляються до трасування.

Для проміжного графа виконується одна нормалізація. За визначенням ONNX пропущена дилатація MaxPool дорівнює одиниці, PyTorch записує явний атрибут з усіх одиниць, а X2Paddle 1.6.0 відхиляє його. Тому експортер вилучає це надлишкове типове значення, не змінюючи заданої операції.

Артефакт є каталогом із model.pdmodel, model.pdiparams та metadata.yaml. Код Python, який X2Paddle генерує під час перетворення, до нього не входить.

Запуск артефакту

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 # Те, що LibreYOLO() створює для каталогу Paddle. Той самий об'єкт Results,# без проміжної маршрутизації фабрики.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"]) # На цьому шляху попередня та подальша обробка покладаються на вас.

LibreYOLO() розпізнає будь-який каталог, що містить і model.pdmodel, і model.pdiparams, читає metadata.yaml та повертає той самий об'єкт Results, що й контрольна точка. Пристрій, відмінний від auto або cpu, спричиняє помилку: цей бекенд працює лише на CPU.

Фабрика створює PaddleBackend, який експортується з libreyolo та доступний для імпорту як libreyolo.backends.paddle.PaddleBackend. Створюйте його самостійно, коли потрібен бекенд без маршрутизації фабрики за суфіксом, наприклад щоб явно передати task= для каталогу, файл metadata.yaml якого створено не вами. Його метод predict() приймає ті самі джерела й повертає ті самі результати.

Фрагмент із безпосереднім середовищем виконання відтворює конфігурацію бекенду, а три вимкнені параметри вибрано свідомо. Пайплайн злиття операцій CPU у Paddle 2.6 може аварійно завершитися під час оптимізації великих графів gather і scatter, створених для деформованої уваги, тому еквівалентність виміряно для переносного незлитого статичного графа. На цьому шляху попередня обробка, декодування, NMS та повторне масштабування координат покладаються на вас.

Обмеження

Немає динамічних форм, FP16, INT8, вбудованого NMS і середовища виконання GPU.

Валідовані поєднання: виявлення YOLO9, YOLO9-E2E та YOLO9-P2; виявлення, оцінювання пози й сегментація EC; виявлення RT-DETRv4, D-FINE, DEIM і DEIMv2; а також виявлення й оцінювання пози YOLO-NAS. Для кожного перевірено перетворення, повторне завантаження у середовищі CPU, еквівалентність необробленого виходу та збіг загальнодоступних результатів.

Заблоковані поєднання із зафіксованою причиною:

Усі поєднання, не позначені як валідовані чи заблоковані, відхиляються з повідомленням, що їх не валідовано на шляху перетворення ONNX у Paddle.

Повну сітку сімейств і завдань наведено в матриці експорту. Для окремого поєднання:

libreyolo formats --family yolo9 --task detect