Exportación de modelos Ultralytics YOLO11 al formato de modelo NCNN

Las soluciones de IA son cada vez más habituales, incluso en sectores críticos como la gestión de desastres, la gestión de residuos y la lucha contra incendios. A medida que continúa creciendo su adopción, los modelos de IA se implementan 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 de edge impulsados por procesadores pequeños pueden desempeñar un papel crucial en zonas afectadas por desastres. 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 por ordenador, una rama de la inteligencia artificial que interpreta la información visual de imágenes y vídeos.

Sin embargo, implementar modelos de IA de visión en dispositivos edge no es tan sencillo como podría parecer. Los modelos de IA deben optimizarse para ejecutarse de forma eficiente en hardware con una potencia de cálculo y una memoria limitadas. Por eso son esenciales frameworks de IA como NCNN. Ayudan a convertir y optimizar modelos para obtener rendimiento en tiempo real en dispositivos de bajo consumo sin sacrificar precisión.

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

En este artículo, exploraremos la integración con NCNN compatible con Ultralytics y veremos paso a paso cómo exportar tu modelo YOLO11 al formato de modelo NCNN. ¡Empecemos!

Descripción general de NCNN: un framework ligero de redes neuronales#

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

El framework NCNN ha ganado popularidad en la comunidad de IA y aprendizaje profundo gracias a su eficiencia, portabilidad y optimización para las CPU móviles (unidades centrales de procesamiento). Permite a los desarrolladores ejecutar modelos de redes neuronales en dispositivos económicos con memoria y potencia de procesamiento limitadas. Diseñado para ser sencillo y flexible, NCNN es compatible con una amplia variedad de modelos de visión por ordenador y funciona en varias plataformas, como Android, Linux, iOS y macOS.

Fig. 1. Los modelos en formato NCNN se pueden implementar en muchas plataformas.

Características clave de la optimización del rendimiento de NCNN#

Estas son algunas de las características clave que hacen de NCNN un framework de inferencia de redes neuronales tan útil y extendido:

• Entorno de ejecución ligero e independiente del hardware: el framework NCNN está optimizado para ejecutar modelos en CPU estándar y no requiere hardware especializado, como GPUs (unidades de procesamiento gráfico) o NPUs (unidades de procesamiento neuronal).
• Cuantización de modelos: para aplicaciones en las que la memoria y la velocidad son factores críticos, 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: como framework 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 mantiene activamente NCNN en GitHub junto con una comunidad de desarrolladores cada vez mayor, con actualizaciones periódicas y mejoras en la compatibilidad de modelos.

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

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

Paso 1: instala el paquete Ultralytics para Python#

Antes de exportar el modelo, el primer paso es instalar el paquete Ultralytics para Python mediante el instalador de paquetes pip. Para ello, ejecuta "pip install ultralytics" en tu terminal o 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 de visión para diversas tareas de visión por ordenador. Si encuentras 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: exporta Ultralytics YOLO11#

Después de instalar el paquete Ultralytics, puedes cargar tu modelo YOLO11 y exportarlo al formato NCNN. El ejemplo siguiente utiliza un modelo preentrenado ("yolo11n.pt") y lo exporta al formato NCNN, guardando el resultado en una carpeta llamada "/yolo11n_ncnn_model".

from ultralytics import YOLO

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

A continuación, el modelo Ultralytics YOLO11 exportado se puede implementar en distintos dispositivos ligeros, como smartphones, sistemas integrados o plataformas IoT. El proceso de implementación también está muy simplificado.

Por ejemplo, observa el fragmento de código siguiente, 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, el modelo se prueba con una imagen de un hombre montando en bicicleta, obtenida de una URL disponible públicamente.

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)

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

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

Por qué elegir la detección en tiempo real con NCNN#

A medida que exploras las distintas integraciones compatibles con Ultralytics, es posible que 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. Es especialmente útil para aplicaciones en tiempo real que se ejecutan directamente en el dispositivo, como los dispositivos edge, sin necesidad de conectarse a la nube. Esto significa que el modelo puede realizar tareas como la detección de objetos directamente en el lugar donde se necesitan.

Estos son algunos escenarios habituales en los que NCNN encaja especialmente bien:

• Implementación móvil: el formato NCNN está optimizado para Android e iOS, lo que facilita la integración de modelos en aplicaciones móviles para obtener inferencia rápida en el dispositivo y una latencia mínima.

• Sistemas integrados y dispositivos IoT: si implementas el modelo en dispositivos como Raspberry Pi o NVIDIA Jetson, exportarlo a NCNN puede ayudar a mejorar el rendimiento y la capacidad de respuesta.

• Implementación en ordenadores de sobremesa y servidores: aunque NCNN es ideal para dispositivos de bajo consumo, también es compatible con Linux, Windows y macOS en entornos de escritorio y servidor. Esto ofrece a los desarrolladores opciones flexibles de implementación.

Fig. 3. Opciones de implementación de modelos Ultralytics YOLO11 con NCNN. Imagen del autor.

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

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

Cascos con IA de visión para la lucha contra incendios#

Los cascos de seguridad equipados con cámaras y microordenadores integrados se pueden utilizar en sectores como la construcción y la lucha contra incendios para mejorar la seguridad y la percepción del entorno. Los modelos de IA de visión en tiempo real, como Ultralytics YOLO11, se pueden ejecutar en estos dispositivos 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, utilizar la integración con NCNN es una opción inteligente. Permite realizar inferencias con baja latencia y un uso eficiente de la energía.

Clasificación de residuos y contenedores inteligentes#

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

Una vez identificados los residuos, se pueden clasificar automáticamente en compartimentos separados según sus posibilidades de reutilización. Al utilizar IA edge junto con modelos Ultralytics YOLO11 exportados al formato NCNN, estos contenedores pueden procesar los datos localmente, sin necesidad de conexión a Internet. Esto les permite funcionar de forma autónoma y tomar decisiones de clasificación en tiempo real con un retraso mínimo.

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

Monitorización de ganado mediante drones y visión por ordenador#

En ocasiones, las zonas agrícolas remotas no tienen acceso a conexiones de Internet estables ni siquiera a un suministro eléctrico constante, lo que limita su capacidad para ejecutar aplicaciones de IA en línea. En estos casos, se pueden utilizar dispositivos edge y drones para realizar diversas tareas.

Un buen ejemplo es la monitorización del ganado, como vacas, ovejas y aves de corral. Esto se puede hacer mediante modelos de IA de visión como YOLO11, que permiten seguir el movimiento de los animales, detectar signos de lesiones, enfermedades o comportamientos anómalos, y avisar a los ganaderos cuando desaparece algún animal. La integración con NCNN también permite ejecutar y procesar estos datos directamente en dispositivos edge, por lo que resulta ideal para analizar imágenes y vídeos en explotaciones agrícolas de zonas remotas o sin conexión a la red eléctrica.

Fig. 5. Un ejemplo del uso de YOLO11 para monitorizar el ganado.

Conclusiones clave#

Exportar modelos YOLO11 mediante la integración con 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 explotaciones agrícolas 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 obtener más información 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 por ordenador. Descubre cómo innovaciones como la IA en el comercio minorista y la visión por ordenador en el sector sanitario están dando forma al futuro en nuestras páginas de soluciones.