Exportación de modelos Ultralytics YOLO11 al formato de modelo NCNN

Las soluciones de IA son cada vez más habituales, incluso en sectores de alto riesgo como la gestión de catástrofes, la gestión de residuos y la extinción de incendios. A medida que aumenta su adopción, los modelos de IA se despliegan en entornos cada vez más diversos: no solo en servidores o en la nube, sino también directamente en dispositivos que operan sobre el terreno.

Por ejemplo, los drones y los equipos con componentes periféricos basados en pequeños procesadores pueden desempeñar un papel fundamental en zonas afectadas por catástrofes. Equipados con cámaras térmicas, estos dispositivos pueden recopilar y analizar datos in situ para localizar a personas atrapadas bajo los escombros. Esto es posible gracias a la visión artificial, una rama de la inteligencia artificial que interpreta información visual procedente de imágenes y vídeos.

Sin embargo, implementar modelos de IA de visión en dispositivos periféricos no es tan sencillo como podría parecer. Los modelos de IA deben optimizarse para funcionar de forma eficiente en hardware con una capacidad de cálculo y una memoria limitadas. Por eso son esenciales marcos de trabajo de IA como NCNN. Ayudan a convertir y optimizar modelos para ofrecer un rendimiento en tiempo real en dispositivos de bajo consumo, con una pérdida mínima de precisión.

En concreto, los modelos Ultralytics YOLO, como Ultralytics YOLO11, se pueden exportar fácilmente al formato de modelo NCNN mediante la integración de NCNN compatible con Ultralytics. Convertir YOLO11 al formato de modelo NCNN permite que el modelo funcione más rápido, utilice menos memoria y se ejecute sin problemas en distintos dispositivos, con una pérdida mínima de precisión.

En este artículo, exploraremos la integración de NCNN compatible con Ultralytics y veremos cómo puedes exportar tu modelo YOLO11 al formato de modelo NCNN.

Panorama de NCNN: un marco ligero para redes neuronales#

NCNN es un marco de código abierto para la inferencia de redes neuronales, desarrollado por Tencent. Se diseñó específicamente para entornos móviles y periféricos, y ofrece inferencia de alto rendimiento con una huella mínima. Esto lo hace ideal para desplegarlo en dispositivos con recursos limitados, como teléfonos inteligentes, drones y dispositivos IoT (Internet de las cosas).

El marco NCNN se ha popularizado en la comunidad de IA y aprendizaje profundo gracias a su eficiencia, portabilidad y optimización para CPU móviles (unidades centrales de procesamiento). Permite a los desarrolladores ejecutar modelos de redes neuronales en dispositivos asequibles con memoria y capacidad de procesamiento limitadas. Diseñado para ser sencillo y flexible, NCNN admite una amplia variedad de modelos de visión artificial y funciona en varias plataformas, como Android, Linux, iOS y macOS.

Fig. 1. Los modelos en formato NCNN se pueden desplegar en numerosas plataformas.

Características clave de la optimización del rendimiento de NCNN#

Estas son algunas de las características clave que hacen de NCNN un marco de inferencia de redes neuronales eficaz y ampliamente utilizado:

• Entorno de ejecución ligero e independiente del hardware: El marco NCNN está optimizado para ejecutar modelos en CPU estándar y no requiere hardware especializado, como GPU (unidades de procesamiento gráfico) o NPU (unidades de procesamiento neuronal).
• Cuantización de modelos: Para las aplicaciones en las que la memoria y la velocidad son esenciales, NCNN admite métodos de cuantización que reducen el tamaño del modelo y mejoran el tiempo de inferencia. Esto ayuda a ejecutar modelos de IA sin problemas en dispositivos móviles e integrados.
• Código abierto y accesible: Al ser un marco de código abierto, NCNN está disponible gratuitamente para que cualquiera pueda utilizarlo, modificarlo y mejorarlo. Esto fomenta la innovación y una amplia adopción en diversos casos de uso.
• Desarrollo activo y comunidad: Tencent y una creciente comunidad de desarrolladores mantienen NCNN activamente en GitHub, con actualizaciones periódicas y mejoras en la compatibilidad de los modelos.

Exportar Ultralytics YOLO11 al formato de modelo NCNN: guía rápida#

Ahora que hemos explicado qué es NCNN, veamos más de cerca cómo exportar modelos Ultralytics YOLO11 al formato NCNN.

Paso 1: Instala el paquete de Python Ultralytics#

Antes de exportar el modelo, el primer paso es instalar el paquete Python de Ultralytics con el instalador de paquetes pip. Para ello, ejecuta pip install ultralytics en el terminal o en el símbolo del sistema. Si trabajas en un Jupyter Notebook o Google Colab, añade un signo de exclamación delante del comando, así: !pip install ultralytics.

El paquete Ultralytics proporciona herramientas para entrenar, probar, ajustar y exportar modelos de IA visual para diversas tareas de visión artificial. Si tienes algún problema durante la instalación o al exportar un modelo, la documentación oficial de Ultralytics y la guía de problemas habituales son recursos excelentes para resolverlo.

Paso 2: Exportar Ultralytics YOLO11#

Una vez instalado el paquete Ultralytics, puedes cargar tu modelo YOLO11 y exportarlo al formato NCNN. En el ejemplo siguiente se utiliza un modelo YOLO11n preentrenado (yolo11n.pt) y se exporta al formato NCNN. El resultado se guarda en una carpeta llamada yolo11n_ncnn_model.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="ncnn")

Después, puedes implementar el modelo Ultralytics YOLO11 exportado en diversos dispositivos ligeros, como smartphones, sistemas integrados o plataformas de IoT. El proceso de implementación también es muy sencillo.

Por ejemplo, considera el siguiente fragmento de código, que muestra cómo cargar el modelo exportado y ejecutar la inferencia. La inferencia es el proceso de utilizar un modelo entrenado para realizar predicciones sobre datos nuevos que no ha visto. En este ejemplo, se prueba el modelo con una imagen de un hombre montando en bicicleta, obtenida de una URL pública.

ncnn_model = YOLO("./yolo11n_ncnn_model")
results = ncnn_model("https://images.pexels.com/photos/19431209/pexels-photo-19431209/free-photo-of-a-man-riding-a-bike-on-a-road.jpeg?auto=compress&cs=tinysrgb&w=1260&h=750&dpr=2.jpg", save=True)

Al ejecutar el código, encontrarás la imagen de salida en la carpeta runs/detect/predict.

Fig. 2. Detección de objetos con un modelo Ultralytics YOLO11 exportado al formato NCNN. Imagen del autor.

Por qué elegir la detección en tiempo real con NCNN#

Al explorar las distintas integraciones que ofrece Ultralytics, quizá observes que hay varias opciones de exportación disponibles. Entonces, ¿cuándo deberías elegir el formato NCNN?

El formato de exportación NCNN es una opción fiable cuando necesitas implementar modelos Ultralytics YOLO11 en dispositivos con recursos limitados. Resulta especialmente útil para aplicaciones en tiempo real que se ejecutan directamente en el dispositivo, como los dispositivos periféricos, sin necesidad de conectarse a la nube. Esto permite que el modelo realice tareas, como la detección de objetos, directamente en el dispositivo.

Estos son algunos casos habituales en los que NCNN resulta una buena opción:

• Implementación en móviles: El formato NCNN está optimizado para Android e iOS, lo que facilita la integración de modelos en aplicaciones móviles para realizar inferencias rápidas directamente en el dispositivo y con una latencia mínima.
• Sistemas integrados y dispositivos IoT: Si vas a implementar el modelo en dispositivos como Raspberry Pi o NVIDIA Jetson, exportarlo a NCNN puede mejorar el rendimiento y la capacidad de respuesta.
• Implementación en ordenadores y servidores: Aunque NCNN es una opción excelente para dispositivos de bajo consumo, también es compatible con Linux, Windows y macOS para entornos de escritorio y servidores. Esto ofrece a los desarrolladores opciones flexibles de implementación.

Fig. 3. Opciones para implementar modelos Ultralytics YOLO11 con NCNN. Imagen del autor.

Casos de uso de la implementación de modelos Ultralytics YOLO11 con NCNN#

A continuación, veamos algunos casos de uso prácticos en los que exportar modelos Ultralytics YOLO11 a NCNN puede marcar una diferencia real.

Cascos de IA visual para bomberos#

Los cascos de seguridad equipados con cámaras y microordenadores integrados pueden utilizarse en sectores como la construcción y la extinción de incendios para mejorar la seguridad y la percepción del entorno. En estos dispositivos se pueden ejecutar modelos de IA visual en tiempo real, como Ultralytics YOLO11, para detectar distintos tipos de objetos y equipos. Por ejemplo, estos cascos pueden ayudar a los bomberos a detectar personas, obstáculos o peligros en condiciones de baja visibilidad.

Sin embargo, ejecutar modelos de tamaño completo directamente en dispositivos portátiles puede ralentizar el rendimiento y agotar rápidamente la batería. En este caso, la integración con NCNN es una opción inteligente, ya que permite realizar inferencias con baja latencia y un consumo energético eficiente.

Clasificación de residuos y contenedores inteligentes#

Del mismo modo, se pueden integrar contenedores de residuos inteligentes con cámaras y procesadores compactos de IA periférica para identificar y clasificar los materiales a medida que se desechan. Los modelos de IA de visión, como YOLO11, pueden entrenarse de forma personalizada para detectar distintos tipos de residuos, como papel, plástico, goma, etc.

Una vez identificados, los residuos se pueden clasificar automáticamente en compartimentos distintos según su posibilidad de reutilización. Al utilizar IA en el borde junto con modelos Ultralytics YOLO11 exportados al formato NCNN, estos contenedores pueden procesar los datos localmente, sin necesidad de conexión a Internet. Así pueden funcionar de forma autónoma y tomar decisiones de clasificación en tiempo real con un retraso mínimo.

Fig. 4. Detección de residuos de plástico con YOLO11.

Supervisión del ganado con drones y visión artificial#

En ocasiones, las zonas agrícolas remotas carecen de acceso a conexiones estables a Internet o incluso a un suministro eléctrico constante, lo que limita su capacidad para ejecutar aplicaciones de IA en línea. En estos casos, se pueden utilizar dispositivos periféricos y drones para realizar diversas tareas.

Un buen ejemplo es la supervisión del ganado, como vacas, ovejas y aves de corral. Esto puede hacerse con modelos de IA visual como YOLO11, que permiten seguir el movimiento de los animales, detectar señales de lesiones, enfermedades o comportamientos anómalos y avisar a los ganaderos cuando falta algún animal. La integración con NCNN también permite ejecutar y procesar estos datos directamente en dispositivos periféricos, por lo que es ideal para analizar imágenes y vídeos en granjas remotas o sin conexión a la red eléctrica.

Fig. 5. Ejemplo del uso de YOLO11 para supervisar el ganado.

Conclusiones clave#

Exportar modelos YOLO11 mediante la integración de NCNN compatible con Ultralytics es una forma sencilla de llevar la IA de visión a entornos de bajo consumo. Ya sean drones en zonas afectadas por desastres, contenedores inteligentes para clasificar residuos o la monitorización del ganado en granjas remotas, YOLO y NCNN permiten realizar inferencias de IA en tiempo real de forma rápida, eficiente y portátil. Este enfoque ayuda a que los sistemas de IA sean más accesibles y fiables cuando más importa.

¿Quieres saber más sobre la IA? Explora nuestro repositorio de GitHub, conecta con nuestra comunidad y consulta nuestras opciones de licencia para poner en marcha tu proyecto de visión artificial. Descubre cómo innovaciones como la IA en el comercio minorista y la visión artificial en el sector sanitario están dando forma al futuro en nuestras páginas de soluciones.