Acelera Ultralytics YOLO26 con OpenVINO en Intel Core Ultra Series 3 (Panther Lake)

En los últimos años, la IA y la visión artificial han pasado de ser experimentales a convertirse en una parte esencial de las operaciones empresariales cotidianas. De hecho, las encuestas muestran que alrededor del 88 % de las organizaciones ya utilizan la IA en al menos un área de su actividad.

Sin embargo, convertir esa adopción en valor real, ya sea en sistemas de producción o en proyectos personales, suele depender de lo bien que funcionan realmente los modelos una vez implementados. En muchos escenarios del mundo real, los modelos de visión artificial, como Ultralytics YOLO26, se implementan en dispositivos edge y diversos tipos de hardware, a menudo CPU, GPU integradas o NPU, en lugar de GPU de gama alta.

Es ahí donde el rendimiento puede empezar a variar y donde la optimización se vuelve fundamental. Un modelo que funciona bien en un entorno puede tener dificultades en otro si no está debidamente optimizado para el hardware subyacente.

Para simplificar este proceso, el paquete de Python de Ultralytics permite exportar modelos YOLO26 a formatos optimizados como OpenVINO, para que funcionen sin problemas en hardware Intel sin tener que cambiar tu flujo de trabajo.

Por ejemplo, al exportar un modelo Ultralytics YOLO26 al formato OpenVINO, puede funcionar con mayor eficiencia en los procesadores Intel Core Ultra Series 3, con velocidades de inferencia en GPU hasta tres veces superiores.

En este artículo, veremos cómo la integración actualizada de Ultralytics y OpenVINO facilita la implementación de modelos YOLO26 en el hardware Intel Core Ultra Series 3. ¡Vamos allá!

Descripción general de la integración de Ultralytics y OpenVINO#

El paquete de Python de Ultralytics ofrece una interfaz única para entrenar, ejecutar inferencias e implementar modelos Ultralytics YOLO, como YOLO26. Admite diversas integraciones que facilitan distintas etapas del flujo de trabajo de IA de visión, desde el entrenamiento y la experimentación hasta la implementación y la optimización.

Una de las integraciones centradas en la implementación es la del kit de herramientas OpenVINO, que permite exportar modelos Ultralytics YOLO26 a un formato optimizado para hardware Intel. Este proceso convierte los modelos YOLO a un formato que funciona con mayor eficiencia en CPU, GPU y NPU Intel, incluidos los sistemas basados en procesadores Intel® Core™ Ultra™.

Esto simplifica la ejecución de modelos en distintos dispositivos Intel, sin tener que ajustarlos manualmente para cada configuración. Tanto si trabajas en un equipo local como en un dispositivo edge o en una implementación de mayor envergadura, puedes reutilizar el mismo modelo exportado.

Esta integración resulta especialmente práctica porque encaja a la perfección en el flujo de trabajo de Ultralytics que ya utilizas. Puedes exportar un modelo con la misma interfaz que utilizas para entrenar y ejecutar inferencias, sin herramientas adicionales ni configuraciones complejas.

Una vez exportado, puedes utilizar el modelo para ejecutar inferencias con el paquete de Python de Ultralytics o con OpenVINO Runtime, según el nivel de control y flexibilidad que necesites.

Un análisis más detallado de OpenVINO y el hardware Intel Panther Lake para la inferencia de IA#

Antes de ver con qué eficiencia puede funcionar un modelo Ultralytics YOLO26 exportado en hardware Intel, demos un paso atrás y entendamos cómo trabajan conjuntamente OpenVINO y el hardware Intel para permitir una inferencia eficiente.

OpenVINO es un kit de herramientas de código abierto diseñado para optimizar y ejecutar inferencias de IA en hardware Intel, incluidas CPU, GPU integradas y NPU. Proporciona un entorno de ejecución unificado, de modo que un mismo modelo puede funcionar en estas distintas unidades de computación sin necesidad de reescribirlo.

Fig. 1. OpenVINO facilita la implementación de modelos en distintos destinos de hardware. (Fuente)

En los nuevos procesadores Intel® Core™ Ultra™ Series 3 (con nombre en clave Panther Lake), las cargas de trabajo de IA se ejecutan en varias unidades de computación del mismo procesador. Cada chip combina núcleos de CPU para tareas de propósito general, una GPU integrada para procesamiento en paralelo y una NPU dedicada, diseñada específicamente para la inferencia de IA.

OpenVINO proporciona una API unificada que permite utilizar cualquiera de estas unidades de computación, ya sea CPU, GPU o NPU, sin cambiar el código. Solo tienes que especificar en qué dispositivo se ejecutará la inferencia, lo que facilita cambiar entre los tres según tus necesidades de rendimiento y eficiencia.

Evaluación comparativa de Ultralytics YOLO26 en la serie Intel® Core™ Ultra™#

Al explorar la integración de Ultralytics y OpenVINO, quizá te preguntes qué mejoras de rendimiento puedes esperar al exportar YOLO26 al formato OpenVINO.

La diferencia en la velocidad de inferencia se aprecia claramente al comparar modelos YOLO26 en distintos formatos y niveles de precisión. Por ejemplo, al ejecutar la variante nano de YOLO26 (YOLO26n) en un Intel Core Ultra X7 358H, un procesador Panther Lake, el tiempo de inferencia baja de 25,18 ms por imagen con PyTorch a precisión FP32 a 2,64 ms con OpenVINO a la misma precisión y en la NPU integrada.

Es más rápido que el rendimiento de referencia original de PyTorch FP32, lo que puede marcar una diferencia notable en aplicaciones en tiempo real y en el edge, donde la latencia es fundamental. Estas mejoras se aprecian aún más al ejecutar el mismo modelo en la GPU Intel Arc integrada.

Fig. 2. Evaluación comparativa de la inferencia de Ultralytics YOLO26 en la GPU Intel Panther Lake con OpenVINO (Fuente)

Fig. 3. Evaluación comparativa de la inferencia de Ultralytics YOLO26 en la NPU Intel Panther Lake con OpenVINO (Fuente)

Dos formas de exportar Ultralytics YOLO26 al formato OpenVINO#

Hay dos formas principales de exportar modelos YOLO26 al formato OpenVINO. Puedes utilizar el paquete de Python de Ultralytics o exportarlos directamente desde Ultralytics Platform, un espacio de trabajo integral para crear y gestionar flujos de trabajo de visión artificial desde un único lugar. A continuación, veremos ambos métodos.

Exportar YOLO26 con el paquete de Python de Ultralytics#

El paquete de Python de Ultralytics ofrece una forma sencilla de exportar modelos YOLO26 al formato OpenVINO dentro de un flujo de trabajo basado en código. Como se utiliza la misma interfaz para entrenar y ejecutar inferencias, la exportación de un modelo se integra de forma natural en los procesos existentes, sin necesidad de herramientas adicionales.

Para empezar, puedes instalar el paquete de Ultralytics. Para ello, ejecuta el comando “pip install ultralytics” en un terminal o símbolo del sistema. Si trabajas en un entorno interactivo, como Jupyter Notebook o Google Colab, puedes ejecutar el mismo comando precedido de un signo de exclamación.

Una vez instalado, puedes cargar un modelo YOLO26 entrenado y exportarlo directamente al formato OpenVINO. Como se muestra a continuación, se carga un modelo YOLO26n preentrenado (yolo26n.pt) y, después, se convierte al formato OpenVINO mediante el método de exportación.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.export(format="openvino")

Al ejecutar el código, el modelo convertido se guarda en un directorio nuevo, desde el que puedes utilizarlo para su implementación.

Exportar YOLO26 desde Ultralytics Platform#

Si buscas una opción más sencilla y sin código, puedes exportar modelos YOLO26 directamente desde Ultralytics Platform. La plataforma reúne todo el flujo de trabajo de visión artificial en un único espacio de trabajo, lo que facilita pasar del entrenamiento a la implementación sin configuraciones adicionales.

Cuando tengas listo el modelo, puedes abrirlo en la plataforma y acceder a la pestaña Exportar. Desde ahí, puedes seleccionar OpenVINO como formato de exportación y, si quieres, ajustar opciones como el tamaño de imagen o la precisión.

Fig. 4. Exportación de YOLO26 desde Ultralytics Platform

La plataforma se encarga automáticamente de la conversión, por lo que no tienes que gestionar scripts, dependencias ni la configuración del entorno. Una vez completada la exportación, puedes descargar el modelo optimizado y utilizarlo en implementaciones con CPU, GPU y NPU Intel.

Opciones de implementación que permite la integración de Ultralytics y OpenVINO#

Una vez exportado un modelo YOLO26 al formato OpenVINO, tienes varias opciones para ejecutar inferencias, según tu flujo de trabajo y el nivel de control que necesites. Puedes utilizar el paquete de Python de Ultralytics para una opción más sencilla e integrada, o el entorno de ejecución nativo de OpenVINO para disponer de más flexibilidad y control.

Ejecutar inferencias con el paquete de Python de Ultralytics#

Una vez exportado el modelo al formato OpenVINO, puedes ejecutar inferencias con el paquete de Python de Ultralytics. Este método es ideal para realizar pruebas rápidas y simplificar la implementación, ya que utiliza la misma interfaz que el entrenamiento y la exportación.

Con este método, puedes cargar el modelo OpenVINO exportado desde su directorio y ejecutar inferencias con una entrada, como una imagen o un vídeo. También puedes elegir el dispositivo donde ejecutarlas especificando opciones como "intel:cpu", "intel:gpu" o "intel:npu", según el hardware disponible en tu sistema.

El fragmento de código siguiente muestra cómo cargar el modelo exportado y ejecutar inferencias en una imagen utilizando la GPU. Cuando termine la inferencia, la imagen de salida se guardará en el directorio “runs/detect/predict”.

ov_model = YOLO("yolo26n_openvino_model/")

results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

Aprovechar el paquete nativo de OpenVINO para ejecutar inferencias#

Si necesitas más control sobre el funcionamiento del modelo en producción, puedes utilizar el entorno de ejecución nativo de OpenVINO para ejecutar inferencias. Este método resulta útil al integrar modelos en aplicaciones de mayor envergadura o si quieres ajustar la ejecución de las inferencias para un hardware concreto.

OpenVINO ofrece una forma unificada de ejecutar modelos en CPU, GPU y NPU Intel, además de funciones como la ejecución asíncrona y el uso eficiente de los recursos de computación disponibles. Para configurarlo, puedes trabajar directamente con los archivos del modelo exportado, incluido el archivo .xml, que define la estructura del modelo, y el archivo .bin, que contiene los pesos entrenados.

Según el caso de uso, también puedes ajustar parámetros como el tamaño de entrada o los pasos de preprocesamiento. Para configurar la inferencia, inicializa el entorno de ejecución de OpenVINO, carga y compila el modelo para el dispositivo de destino, prepara los datos de entrada y, después, ejecuta la inferencia.

Fig. 5. Ejemplo de un flujo de inferencia habitual con OpenVINO (Fuente)

Esto te permite controlar cómo se ejecuta el modelo y cómo se integra en tu implementación general. Para obtener más información sobre cómo configurar y ejecutar inferencias con el entorno de ejecución de OpenVINO, consulta la documentación oficial de Ultralytics.

Aplicaciones reales de Ultralytics YOLO26 en hardware Intel#

El verdadero valor de la integración de Ultralytics y OpenVINO se aprecia en producción, donde una inferencia fiable y de baja latencia puede marcar una diferencia tangible. Estos son algunos de los sectores clave en los que esta integración ofrece resultados importantes:

• Fabricación: Al exportar Ultralytics YOLO26 a OpenVINO, los sistemas de las líneas de producción pueden detectar automáticamente defectos visuales, como componentes ausentes, desalineaciones o daños en la superficie, en hardware Intel. Esto ayuda a mejorar la calidad de los productos y a reducir errores costosos.

• Sanidad: Los sistemas de diagnóstico por imagen y monitorización de pacientes pueden ejecutar localmente modelos Ultralytics YOLO26 exportados en hardware Intel, cumplir los estrictos requisitos de privacidad de los datos y mantener un rendimiento de inferencia fiable.

• Ciudades inteligentes: La monitorización del tráfico y el análisis de aglomeraciones pueden implementarse en cámaras edge basadas en Intel mediante modelos Ultralytics YOLO26 exportados, para obtener información en tiempo real, como el recuento de vehículos, el seguimiento de peatones y la detección de incidentes.

• Automoción: La baja latencia y la eficiencia energética son fundamentales para la monitorización del conductor y la detección en el habitáculo, por lo que el hardware Intel combinado con modelos Ultralytics YOLO26 exportados encaja muy bien en los sistemas integrados de automoción.

Si quieres saber más sobre esta integración, acompáñanos en la serie de talleres OpenVINO DevCon de Intel: «De la anotación a la implementación: creación de un flujo de detección de objetos con Geti, Ultralytics YOLO26 y OpenVINO™». Nuestro responsable de alianzas y ecosistema, Francesco Mattioli, participará junto con Adrian Boguszewski, evangelista de software de IA de Intel, en una demostración en directo y un recorrido práctico sobre cómo crear flujos de trabajo de visión artificial listos para producción en escenarios industriales reales. El taller incluirá un flujo de detección de objetos completo e integral, desde la creación de conjuntos de datos y el entrenamiento de modelos hasta la optimización y la implementación en el edge.

Ventajas de utilizar el formato de exportación OpenVINO#

Estas son algunas de las principales ventajas de utilizar el formato de exportación OpenVINO:

• Accesible y fácil de integrar: Gracias a una API unificada y más de 80 cuadernos tutoriales, OpenVINO facilita el paso de la experimentación a la implementación sin añadir una complejidad significativa.

• Ejecuta el mismo modelo en distintos tipos de hardware: OpenVINO permite utilizar un único modelo exportado en el hardware Intel compatible e implementarlo en CPU, GPU o NPU, sin tener que reescribirlo ni adaptarlo para cada dispositivo.

• Optimización integrada durante la exportación: Al exportar a OpenVINO, los modelos de frameworks populares como PyTorch y TensorFlow se convierten a un formato optimizado y listo para ejecutar inferencias, sin necesidad de pasos de conversión adicionales.

• Mejor aprovechamiento de los recursos de hardware: OpenVINO admite la inferencia asíncrona y el equilibrio de carga en hardware Intel, lo que ayuda a mejorar la eficiencia en aplicaciones reales.

Ejecutar Ultralytics YOLO26 con ExecuTorch y el backend de OpenVINO#

Si vas a implementar Ultralytics YOLO26 en entornos de producción más exigentes, tienes otra opción que combina la eficiencia en el dispositivo con una compresión avanzada de modelos.

ExecuTorch, el framework de PyTorch para ejecutar inferencias en el dispositivo, admite un backend de OpenVINO que permite implementar Ultralytics YOLO26 en hardware Intel mediante una ruta alternativa de exportación y ejecución.

ExecuTorch se encarga de exportar el modelo y ejecutar el entorno de ejecución, mientras que OpenVINO actúa como capa de aceleración de hardware subyacente y gestiona los cálculos en la CPU, GPU o NPU Intel. Ambos trabajan conjuntamente para ofrecerte la portabilidad y la eficiencia en el dispositivo de ExecuTorch, junto con las optimizaciones específicas para el hardware que proporciona OpenVINO.

Para saber más sobre cómo funciona y cómo empezar a utilizar Ultralytics YOLO26 con ExecuTorch y el backend de OpenVINO, consulta el artículo del blog de Intel sobre las últimas novedades de ExecuTorch y OpenVINO.

Conclusiones clave#

La exportación de modelos YOLO26 mediante la integración de Ultralytics y OpenVINO mejora el rendimiento en hardware Intel sin añadir complejidad a tu flujo de trabajo. Puedes pasar del entrenamiento a la implementación sin rehacer tu proceso. En definitiva, esta integración ofrece una forma sencilla de ejecutar modelos con eficiencia en CPU, GPU y NPU Intel en aplicaciones reales.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para saber más sobre la IA de visión. Consulta nuestras opciones de licencia para poner en marcha tus proyectos de visión artificial. ¿Te interesan innovaciones como la IA en la fabricación o la visión artificial en el sector de la automoción? Visita nuestras páginas de soluciones para descubrir más.