Exportación de Ultralytics YOLO11 mediante la integración de PaddlePaddle

A medida que avanza la inteligencia artificial (IA), las máquinas mejoran su capacidad para comprender el mundo que las rodea. Un área clave que impulsa este progreso es la visión artificial, una rama de la IA que permite a las máquinas interpretar datos visuales y tomar decisiones basadas en ellos.

Desde ayudar a los coches a reconocer señales de tráfico hasta revisar estanterías en tiendas, la visión artificial ya forma parte de muchas herramientas cotidianas. Estas tareas se basan en modelos de IA de visión que pueden analizar rápidamente una foto o un vídeo e identificar lo importante.

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

La implementación es fundamental para llevar la visión artificial de la investigación a las aplicaciones del mundo real. Una vez entrenado el modelo, el siguiente paso es ejecutarlo en dispositivos como teléfonos, hardware periférico o servidores en la nube.

Fig. 1. La implementación de modelos es fundamental en cualquier proyecto de visión artificial.

Para facilitar este proceso, los modelos Ultralytics YOLO, como YOLO11, se pueden exportar a distintos formatos según la plataforma de destino. Uno de estos formatos es PaddlePaddle, un framework de IA de código abierto que permite implementar modelos y ejecutar inferencias de forma eficiente en una amplia variedad de dispositivos y sistemas.

En este artículo, veremos cómo exportar Ultralytics YOLO11 mediante la integración con PaddlePaddle que ofrece Ultralytics, para permitir una implementación eficiente en distintas plataformas.

¿Qué es PaddlePaddle?#

Implementar modelos de IA fuera del ámbito de la investigación, por ejemplo en dispositivos móviles o hardware periférico, a veces puede resultar complicado, sobre todo si necesitas que se ejecuten de forma eficiente y con recursos mínimos. PaddlePaddle es un framework de aprendizaje profundo diseñado precisamente para ayudarte con esto.

Es una plataforma china de código abierto cuyo nombre significa aprendizaje profundo distribuido en paralelo. Desarrollada por Baidu, una empresa conocida por su trabajo en IA e infraestructura de software, PaddlePaddle se creó específicamente para aplicaciones del mundo real, no solo para la investigación.

Los desarrolladores pueden ejecutar modelos en formato PaddlePaddle en servidores, dispositivos edge e incluso hardware móvil. También admite herramientas que simplifican el desarrollo de IA, incluidas opciones low-code y no-code. La plataforma cuenta con una sólida comunidad de desarrolladores y se utiliza en diversos sectores, como la sanidad, la agricultura, la fabricación y las finanzas.

Características clave de PaddlePaddle#

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

• Conversión de gráficos dinámicos a estáticos: Esta función transforma 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 varios pasos del modelo en uno solo. Esto reduce el uso de memoria del modelo y ayuda a que se ejecute más rápido. Piensa en ello como combinar varias tareas en una sola acción para ahorrar tiempo.
• Cuantización: Esta técnica reduce el tamaño del modelo mediante el uso de números más sencillos (por ejemplo, redondeando a menos decimales). Ayuda a que el modelo se ejecute en dispositivos con poca potencia, como teléfonos o cámaras inteligentes, sin perder mucha precisión.

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

Descripción general de la implementación de Ultralytics YOLO11 con PaddlePaddle#

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

El paquete Python de Ultralytics permite exportar directamente los modelos YOLO11 al formato PaddlePaddle, para que los desarrolladores puedan implementar modelos entrenados sin herramientas adicionales ni pasos de conversión manuales.

Puedes realizar la exportación desde la línea de comandos o mediante código Python, así que los desarrolladores pueden elegir el método que mejor se adapte a su flujo de trabajo. Esto simplifica el proceso y reduce la posibilidad de que surjan problemas de configuración. Una vez exportado, el modelo puede utilizarse para tareas de visión artificial, como la detección de objetos, la segmentación de instancias, la clasificación de imágenes y la estimación de pose.

Es una opción excelente para escenarios de implementación en los que los dispositivos tienen poca memoria o necesitan procesar datos rápidamente. Los modelos exportados están optimizados para ejecutarse de forma eficiente, incluso en sistemas con recursos limitados.

Cómo exportar modelos Ultralytics YOLO11 al formato PaddlePaddle#

Exportar Ultralytics YOLO11 al formato de modelo PaddlePaddle solo requiere unos pocos pasos.

El primer paso es instalar el paquete Python de Ultralytics con un gestor de paquetes como pip. Para empezar, ejecuta el comando pip install ultralytics en el símbolo del sistema o en el terminal.

El paquete Ultralytics ofrece herramientas para entrenar, evaluar, ajustar, exportar e implementar modelos en diversas tareas de visión artificial. Si tienes algún problema durante la instalación, consulta la guía de problemas comunes para obtener consejos de resolución.

Una vez configurado el entorno, puedes cargar y exportar un modelo YOLO11 preentrenado, como YOLO11n (yolo11n.pt), tal 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")

Una vez convertido al formato PaddlePaddle, puedes implementar el modelo en diversos escenarios y tipos de hardware.

Por ejemplo, en el siguiente ejemplo cargamos un modelo Ultralytics YOLO11 exportado al formato PaddlePaddle y lo utilizamos para hacer una predicción. Este proceso, conocido como inferencia, consiste simplemente en utilizar el modelo para analizar datos nuevos. En este caso, lo probamos 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)

Al ejecutar el código, la imagen de salida con las predicciones del modelo se guardará automáticamente en la carpeta runs/detect/predict.

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

Implementación de Ultralytics YOLO11 con el framework PaddlePaddle#

PaddlePaddle ofrece varias herramientas de implementación, cada una adaptada a distintos dispositivos y casos de uso, como entornos en la nube, sistemas integrados y aplicaciones web. Estas son algunas de las principales opciones de implementación:

• Paddle Serving: Te ayuda a implementar modelos como REST API, por lo que es una buena opción para entornos en la nube o servidores que necesitan funciones como el control de versiones y las pruebas en línea.
• Paddle Inference API: Te ofrece más control sobre la ejecución de los modelos, lo que resulta útil cuando necesitas ajustar el rendimiento o crear una lógica de aplicación personalizada.
• Paddle Lite: Está diseñado para implementar modelos ligeros en dispositivos móviles, tabletas 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 mediante tecnologías como WebGL y WebAssembly, algo útil para demostraciones interactivas y herramientas basadas en el navegador.

Fig. 4. Opciones de implementación que ofrece PaddlePaddle. Imagen del autor.

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

¿Cuándo debes elegir la integración con PaddlePaddle?#

El paquete Python de Ultralytics también admite otros formatos de exportación, así que quizá te preguntes cuándo es PaddlePaddle la opción adecuada.

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

Además, si el proyecto debe funcionar sin conexión o en entornos con poca conectividad, puedes plantearte usar la integración con PaddlePaddle. Aplicaciones como las herramientas de inspección visual en la fabricación, los dispositivos portátiles para estudios de campo o los escáneres comerciales con IA pueden beneficiarse del entorno de ejecución ligero y las opciones de implementación flexibles de PaddlePaddle.

Limitaciones de PaddlePaddle que debes tener en cuenta#

Aunque PaddlePaddle ofrece interesantes capacidades de implementación, debes tener en cuenta algunos factores limitantes:

• Comunidad internacional más reducida: Fuera de China, la base de usuarios y colaboradores es relativamente pequeña. Esto puede dificultar la búsqueda de ayuda en la comunidad, de incidencias resueltas en GitHub o de respuestas en Stack Overflow.
• Curva de aprendizaje más pronunciada con herramientas ajenas a Baidu: PaddlePaddle se integra fácilmente en el ecosistema de Baidu, pero utilizarlo fuera de ese entorno puede requerir pasos adicionales de configuración e instalación.
• Menos integraciones con herramientas de ML convencionales: PaddlePaddle tiene una compatibilidad limitada con herramientas habituales como Hugging Face Transformers, MLflow o servicios de IA nativos de Kubernetes.

Conclusiones clave#

La integración con PaddlePaddle que ofrece Ultralytics facilita la exportación y la implementación de modelos YOLO11 en distintos dispositivos. Resulta 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 incorporar potentes modelos de visión a aplicaciones del mundo real. A medida que avanza la visión artificial, herramientas como YOLO y PaddlePaddle facilitan más que nunca la creación de sistemas rápidos e inteligentes para todo tipo de dispositivos de consumo y herramientas industriales.

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