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

Durante los últimos años, la IA y la visión por ordenador han pasado de ser experimentales a convertirse en una parte clave de las operaciones empresariales cotidianas. De hecho, las encuestas muestran que alrededor del 88 % de las organizaciones ya utilizan IA en al menos una parte 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 funcionen realmente los modelos una vez implementados. En muchos escenarios del mundo real, los modelos de visión por ordenador, como Ultralytics YOLO26, se implementan en dispositivos periféricos y en distintos tipos de hardware, a menudo CPU, GPU integradas o NPU, en lugar de GPU de gama alta.

Ahí es 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 optimizado correctamente 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 que tengas que cambiar tu flujo de trabajo.

Por ejemplo, cuando un modelo Ultralytics YOLO26 se exporta al formato OpenVINO, puede ejecutarse de forma más eficiente en 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 hardware Intel Core Ultra Series 3. ¡Empecemos!

Descripción general de la integración de Ultralytics x OpenVINO#

El paquete de Python de Ultralytics proporciona una interfaz única para entrenar, ejecutar inferencias e implementar modelos Ultralytics YOLO como YOLO26. Es compatible con varias integraciones que ayudan en distintas partes del flujo de trabajo de IA para 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 se ejecuta de forma más eficiente en CPU, GPU y NPU Intel, incluidos los sistemas basados en procesadores Intel® Core™ Ultra™ series.

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

Lo que hace especialmente práctica esta integración es lo bien que encaja en el flujo de trabajo existente de Ultralytics. Puedes exportar un modelo con la misma interfaz que utilizas para el entrenamiento y la inferencia, sin necesidad de herramientas adicionales ni de una configuración compleja.

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

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

Antes de ver con qué eficiencia puede ejecutarse 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 el mismo modelo puede ejecutarse en estas distintas unidades de cómputo sin tener que reescribirse.

Fig. 1. OpenVINO facilita la implementación de modelos en varios 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 cómputo dentro del mismo procesador. Cada chip combina núcleos de CPU para tareas de propósito general, una GPU integrada para el procesamiento paralelo y una NPU dedicada diseñada específicamente para la inferencia de IA.

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

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

Mientras exploras 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 queda clara 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 se reduce de 25,18 ms por imagen en PyTorch con precisión FP32 a 2,64 ms con OpenVINO y la misma precisión utilizando la NPU integrada.

Es más rápido que la línea base original de PyTorch FP32, lo que puede marcar una diferencia apreciable en aplicaciones en tiempo real y periféricas donde la latencia es crítica. Estas mejoras son aún más evidentes 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 mediante OpenVINO (Fuente)

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

Exploración de 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 exportar directamente mediante Ultralytics Platform, un espacio de trabajo integral para crear y gestionar flujos de trabajo de visión por ordenador desde un único lugar. A continuación, explicaremos ambos métodos.

Uso del paquete de Python de Ultralytics para exportar YOLO26#

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 utiliza la misma interfaz para el entrenamiento y la inferencia, exportar un modelo se integra de forma natural en los pipelines 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 anteponiendo 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")

Después de ejecutar el código, el modelo convertido se guarda en un directorio nuevo, donde puede utilizarse para la implementación.

Exportación de YOLO26 en Ultralytics Platform#

Si buscas un método más sencillo y sin código, puedes exportar modelos YOLO26 directamente mediante Ultralytics Platform. La plataforma reúne todo el flujo de trabajo de visión por ordenador en un único espacio de trabajo, lo que facilita pasar del entrenamiento a la implementación sin configuración adicional.

Cuando tu modelo esté listo, puedes abrirlo en la plataforma y acceder a la pestaña Exportar. Desde ahí, puedes seleccionar OpenVINO como formato de exportación y ajustar opcionalmente parámetros como el tamaño de imagen o la precisión.

Fig. 4. Vista de la exportación de YOLO26 en Ultralytics Platform

La plataforma gestiona la conversión automáticamente, por lo que no necesitas administrar scripts, dependencias ni la configuración del entorno. Una vez completada la exportación, puedes descargar el modelo optimizado y utilizarlo para implementarlo en CPU, GPU y NPU Intel.

Opciones de implementación habilitadas por la integración de Ultralytics x OpenVINO#

Una vez exportado un modelo YOLO26 al formato OpenVINO, hay un par de formas de ejecutar inferencias, según tu flujo de trabajo y el nivel de control que necesites. Puedes utilizar el paquete de Python de Ultralytics para disfrutar de un enfoque más sencillo e integrado, o utilizar el entorno de ejecución nativo de OpenVINO para obtener mayor flexibilidad y control.

Ejecución de inferencias con el paquete de Python de Ultralytics#

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

Con este enfoque, puedes cargar el modelo OpenVINO exportado desde su directorio y ejecutar inferencias sobre una entrada, como una imagen o un vídeo. También puedes elegir el dispositivo en el que se ejecutará 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 una inferencia sobre una imagen utilizando la GPU. Una vez completada la inferencia, la imagen de salida se guarda en el directorio “runs/detect/predict”.

ov_model = YOLO("yolo26n_openvino_model/")

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

Uso del paquete nativo de OpenVINO para la inferencia#

Si necesitas un mayor control sobre cómo se ejecuta tu modelo en producción, puedes utilizar el entorno de ejecución nativo de OpenVINO para realizar inferencias. Este método resulta útil al integrar modelos en aplicaciones de mayor tamaño o cuando quieres ajustar con precisión cómo se ejecuta la inferencia en un hardware específico.

OpenVINO proporciona una forma unificada de ejecutar modelos en CPU, GPU y NPU Intel, junto con funciones como la ejecución asíncrona y el uso eficiente de los recursos de cómputo 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 tu caso de uso, también puedes ajustar parámetros como el tamaño de entrada o los pasos de preprocesamiento. La configuración de la inferencia implica inicializar el entorno de ejecución de OpenVINO, cargar y compilar el modelo para un dispositivo de destino, preparar los datos de entrada y, después, ejecutar la inferencia.

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

Esto te permite controlar cómo se ejecuta el modelo y cómo encaja en tu implementación general. Para obtener más información sobre la configuración y la ejecución de inferencias con OpenVINO Runtime, puedes consultar la documentación oficial de Ultralytics.

Aplicaciones reales de Ultralytics YOLO26 en hardware Intel#

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

• 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 superficiales, en hardware Intel, lo que ayuda a mejorar la calidad de los productos y reducir errores costosos.

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

• Ciudades inteligentes: la monitorización del tráfico y el análisis de multitudes pueden implementarse mediante modelos Ultralytics YOLO26 exportados en cámaras periféricas con tecnología Intel, lo que permite 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 en la monitorización del conductor y la detección en el habitáculo, por lo que el hardware Intel combinado con modelos Ultralytics YOLO26 exportados resulta muy adecuado para sistemas de automoción integrados.

Si quieres obtener más información sobre esta integración, acompáñanos en la serie de talleres OpenVINO DevCon de Intel, “De la anotación a la implementación: creación de un pipeline de detección de objetos con Geti, Ultralytics YOLO26 y OpenVINO™”, donde nuestro responsable de Alianzas y Ecosistema, Francesco Mattioli, se unirá al evangelista de software de IA de Intel, Adrian Boguszewski, para realizar una demostración en directo y explicar cómo crear pipelines de visión por ordenador listos para producción en escenarios industriales reales. El taller incluirá un flujo de trabajo completo e integral de detección de objetos, desde la creación del conjunto de datos y el entrenamiento del modelo hasta la optimización y la implementación en dispositivos periféricos.

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: con una API unificada y más de 80 notebooks de tutoriales, OpenVINO facilita el paso de la experimentación a la implementación sin introducir una complejidad significativa.

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

• Optimización integrada durante la exportación: la exportación a OpenVINO convierte modelos de frameworks populares como PyTorch y TensorFlow en un formato optimizado y listo para la inferencia, eliminando la necesidad de realizar pasos de conversión independientes.

• 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 del mundo real.

Ejecución de Ultralytics YOLO26 con ExecuTorch y el backend de OpenVINO#

Si implementas Ultralytics YOLO26 en entornos de producción más exigentes, tienes otra opción disponible que combina la eficiencia en el dispositivo con una compresión avanzada del modelo.

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

Funciona de la siguiente manera: ExecuTorch gestiona la exportación del modelo y la ejecución, mientras que OpenVINO actúa como capa de aceleración de hardware subyacente y gestiona el cálculo real en la CPU, GPU o NPU Intel. Ambos trabajan conjuntamente para ofrecerte la portabilidad y eficiencia en el dispositivo de ExecuTorch, combinadas con las optimizaciones específicas del hardware que proporciona OpenVINO.

Para obtener más información sobre su funcionamiento y sobre cómo empezar a utilizar Ultralytics YOLO26 con ExecuTorch y el backend de OpenVINO, consulta el blog de Intel sobre las últimas actualizaciones 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 pipeline. En general, esto ofrece una forma sencilla de ejecutar modelos de manera eficiente en CPU, GPU y NPU Intel en aplicaciones del mundo real.

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