Exportación de Ultralytics YOLO11 usando la integración de PaddlePaddle

A medida que la inteligencia artificial (IA) avanza, las máquinas son cada vez mejores a la hora de entender el mundo que les rodea. Un área clave que impulsa este progreso es la visión artificial, una rama de la IA que permite a las máquinas interpretar y tomar decisiones basadas en datos visuales.

Desde ayudar a los coches a reconocer señales de tráfico hasta controlar las estanterías en tiendas minoristas, la visión artificial forma parte ya de muchas herramientas cotidianas. Estas tareas dependen de modelos de visión por IA que pueden escanear rápidamente una foto o vídeo e identificar lo que es importante.

Con el tiempo, estos modelos se han vuelto más rápidos y precisos, lo que los hace útiles en ámbitos como la agricultura, la sanidad, la seguridad y el comercio minorista. Por ejemplo, Ultralytics YOLO11 es un modelo diseñado para gestionar una variedad de tareas de visión artificial con rapidez y precisión. Puede detectar y clasificar objetos, seguir movimientos y estimar poses corporales.

Una parte vital para trasladar la visión artificial de la investigación a las aplicaciones del mundo real es el despliegue. Una vez que se ha entrenado un modelo, el siguiente paso es ejecutarlo en dispositivos como teléfonos, hardware de borde (edge) o servidores en la nube.

Fig 1. El despliegue de modelos es una parte clave de cualquier proyecto de visión artificial.

Para facilitar esto, los modelos Ultralytics YOLO, como YOLO11, pueden exportarse a diversos formatos según la plataforma de destino. Uno de estos formatos es PaddlePaddle, un framework de IA de código abierto que permite un despliegue y una inferencia eficientes de modelos en una amplia gama de dispositivos y sistemas.

En este artículo, exploraremos cómo se puede exportar Ultralytics YOLO11 a través de la integración de PaddlePaddle compatible con Ultralytics para permitir un despliegue eficiente en diversas plataformas.

Link to this section¿Qué es PaddlePaddle?#

Desplegar modelos de IA fuera de entornos de investigación, como en dispositivos móviles o hardware de borde, puede ser complicado a veces, especialmente cuando necesitas que se ejecuten de forma eficiente y consuman pocos recursos. PaddlePaddle es un framework de deep learning diseñado para ayudar precisamente con eso.

Es una plataforma china de código abierto cuyo nombre significa Parallel Distributed Deep Learning (aprendizaje profundo distribuido en paralelo). Desarrollado por Baidu, una empresa bien conocida por su trabajo en IA e infraestructura de software, PaddlePaddle se creó especialmente para aplicaciones del mundo real, no solo para la investigación.

Los desarrolladores pueden ejecutar modelos en formato PaddlePaddle en servidores, dispositivos de borde e incluso hardware móvil. También admite herramientas que simplifican el desarrollo de IA, incluidas opciones de bajo código (low-code) y sin código (no-code). La plataforma cuenta con una sólida comunidad de desarrolladores de más de 4,7 millones de usuarios y se utiliza en una gran variedad de sectores, como la sanidad, la agricultura, la industria y las finanzas.

Link to this sectionCaracterísticas principales de PaddlePaddle#

Aquí tienes algunas de las características clave que ayudan a PaddlePaddle a ejecutar modelos de forma más eficiente en dispositivos del mundo real:

• Conversión de grafo dinámico a estático: Esta función convierte un modelo flexible en una versión fija que se ejecuta de forma más fluida y predecible. Un modelo fijo es más fácil de optimizar y más rápido al realizar predicciones.
• Fusión de operadores: PaddlePaddle puede combinar múltiples pasos del modelo en uno solo. Esto reduce la cantidad de memoria que utiliza el modelo y le ayuda a ejecutarse más rápido. Imagínalo como combinar varias tareas en una sola acción para ahorrar tiempo.
• Cuantización: Esto hace que el modelo sea más pequeño mediante el uso de números más simples (como redondear a menos decimales). Ayuda a que el modelo se ejecute en dispositivos con potencia limitada, como teléfonos o cámaras inteligentes, sin perder demasiada precisión.

Fig 2. Ventajas de utilizar PaddlePaddle. Imagen del autor.

Link to this sectionUna visión general del despliegue de YOLO11 con PaddlePaddle#

La integración de PaddlePaddle compatible con Ultralytics facilita el paso del entrenamiento al despliegue. Los desarrolladores que ya utilizan las herramientas de PaddlePaddle pueden incorporar YOLO11 a sus flujos de trabajo con mayor facilidad.

El paquete de Python de Ultralytics permite la exportación directa de modelos YOLO11 al formato PaddlePaddle, lo que permite a los desarrolladores desplegar modelos entrenados sin herramientas adicionales ni pasos de conversión manual.

El proceso de exportación puede realizarse mediante la línea de comandos o código Python, por lo que los desarrolladores pueden elegir el método que mejor se adapte a su flujo de trabajo. Esto ayuda a mantener la sencillez y reduce las posibilidades de errores de configuración. Una vez exportado, el modelo puede utilizarse para tareas de visión artificial como la detección de objetos, la clasificación de imágenes, la estimación de poses y la segmentación de instancias.

Es una excelente opción para escenarios de despliegue donde los dispositivos tienen memoria limitada o requieren un procesamiento rápido. Los modelos exportados están optimizados para ejecutarse de manera eficiente, incluso en sistemas con recursos limitados.

Link to this sectionCómo exportar modelos YOLO11 al formato PaddlePaddle#

Solo se necesitan unos pocos pasos para exportar YOLO11 al formato de modelo PaddlePaddle.

El primer paso es instalar el paquete de Python de Ultralytics utilizando un gestor de paquetes como 'pip'. Puedes hacerlo ejecutando el comando “pip install ultralytics” en tu símbolo del sistema o terminal para empezar.

El paquete de Ultralytics proporciona herramientas para entrenar, evaluar, ajustar, exportar y desplegar modelos para una serie de tareas de visión artificial. Si tienes algún problema durante la instalación, consulta la guía de problemas comunes para obtener consejos de solución de errores.

Una vez configurado tu entorno, puedes cargar y exportar un modelo YOLO11 preentrenado como “yolo11n.pt”, tal y como se muestra a continuación. También puedes exportar tu propio modelo YOLO11 entrenado de forma personalizada.

from ultralytics import YOLO

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

Después de convertir tu modelo al formato PaddlePaddle, puede desplegarse en diversos escenarios en diferentes tipos de hardware.

Por ejemplo, en el caso siguiente, cargamos un modelo YOLO11 que se exportó al formato PaddlePaddle y lo utilizamos para realizar una predicción. Este proceso, conocido como ejecutar una inferencia, significa simplemente usar el modelo para analizar datos nuevos. Aquí, lo estamos probando con una imagen de dos perros.

paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)

Tras ejecutar el código, la imagen resultante con las predicciones del modelo se guardará automáticamente en la carpeta “runs/detect/predict”.

Fig 3. Uso del modelo YOLO11 exportado para detectar objetos en una imagen. Imagen del autor.

Link to this sectionDespliegue de YOLO11 utilizando el framework PaddlePaddle#

PaddlePaddle ofrece varias herramientas de despliegue, cada una adaptada a diferentes dispositivos y casos de uso, como entornos en la nube, sistemas integrados y aplicaciones web. Aquí tienes algunas de las principales opciones de despliegue:

• Paddle Serving: Ayuda a desplegar modelos como REST APIs, lo que lo convierte en una buena opción para entornos en la nube o servidores que necesitan funciones como el control de versiones y las pruebas online.
• Paddle Inference API: Te ofrece un mayor control sobre cómo se ejecutan los modelos, lo cual es útil cuando necesitas ajustar el rendimiento o crear una lógica de aplicación personalizada.
• Paddle Lite: Está diseñado para un despliegue ligero en dispositivos móviles, tablets y sistemas integrados. Está optimizado para modelos más pequeños y una inferencia más rápida en hardware con recursos limitados.
• Paddle.js: Te permite ejecutar modelos de IA en navegadores web utilizando tecnologías como WebGL y WebAssembly, lo cual es útil para demostraciones interactivas y herramientas basadas en navegador.

Fig 4. Opciones de despliegue habilitadas por PaddlePaddle. Imagen del autor.

Una vez que elijas la herramienta adecuada para tu configuración, podrás cargar el modelo exportado. El motor PaddlePaddle se encarga de los siguientes pasos. Carga el modelo, procesa la imagen de entrada y devuelve los resultados.

Link to this section¿Cuándo deberías elegir la integración de PaddlePaddle?#

El paquete de Python de Ultralytics también admite otros formatos de exportación, por lo que es posible que te preguntes: ¿Cuándo es PaddlePaddle la elección correcta?

PaddlePaddle es una opción fiable cuando buscas desplegar modelos en dispositivos con recursos limitados, como smartphones, sistemas integrados o hardware de borde. También es ideal para aplicaciones en tiempo real que requieren un rendimiento rápido y eficiente, como la detección de objetos en aplicaciones móviles, la monitorización basada en visión en cámaras inteligentes o la estimación de poses ejecutada directamente en el dispositivo sin soporte en la nube.

Además, si el proyecto necesita ejecutarse sin conexión o en entornos con poca conectividad, puedes considerar el uso de la integración de PaddlePaddle. Aplicaciones como herramientas de inspección visual en la industria, dispositivos portátiles para estudios de campo o escáneres minoristas basados en IA pueden beneficiarse del runtime ligero y las opciones de despliegue flexibles de PaddlePaddle.

Link to this sectionLimitaciones de PaddlePaddle a tener en cuenta#

Aunque PaddlePaddle ofrece capacidades de despliegue interesantes, estos son algunos factores limitantes que debes tener en cuenta:

• Comunidad global más pequeña: Fuera de China, la base de usuarios y colaboradores es relativamente pequeña. Esto puede hacer que sea más difícil encontrar ayuda de la comunidad, problemas de GitHub resueltos o respuestas en Stack Overflow.
• Curva de aprendizaje más pronunciada para herramientas no pertenecientes a Baidu: PaddlePaddle se integra sin problemas con el ecosistema de Baidu, pero utilizarlo fuera de ese contexto puede implicar pasos adicionales de configuración y puesta a punto.
• Menos integraciones con herramientas de ML convencionales: PaddlePaddle tiene una compatibilidad limitada con herramientas comunes como Hugging Face Transformers, MLflow o servicios de IA nativos de Kubernetes.

Link to this sectionConclusiones clave#

La integración de PaddlePaddle compatible con Ultralytics facilita la exportación y el despliegue de modelos YOLO11 en una amplia gama de dispositivos. Es especialmente útil para proyectos que requieren un rendimiento eficiente directamente en el dispositivo, como aplicaciones móviles, cámaras inteligentes o sistemas integrados.

Con solo unos pocos pasos, puedes llevar potentes modelos de visión a aplicaciones del mundo real. A medida que la visión artificial sigue avanzando, herramientas como YOLO y PaddlePaddle hacen que sea más fácil que nunca construir sistemas rápidos e inteligentes en todo tipo de dispositivos, desde dispositivos de consumo hasta herramientas industriales.

¡Únete hoy a nuestra creciente comunidad! Profundiza en la IA explorando nuestro repositorio de GitHub. ¿Quieres crear tus propios proyectos de visión artificial? Explora nuestras opciones de licencia. ¡Aprende cómo la visión artificial en la sanidad está mejorando la eficiencia y explora el impacto de la IA en el comercio minorista visitando nuestras páginas de soluciones!