Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
Configuración de cookies
Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
Aprenda a exportar modelos Ultralytics YOLO como Ultralytics YOLO11 con PaddlePaddle para un despliegue eficiente a través de plataformas edge, móviles y en la nube.
A medida que avanza la inteligencia artificial (IA), las máquinas mejoran su comprensión del 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 y tomar decisiones basadas en datos visuales.
Desde ayudar a los coches a reconocer las señales de tráfico hasta revisar los estantes en las tiendas minoristas, la visión artificial ahora forma parte de muchas herramientas cotidianas. Estas tareas se basan en modelos de Visión Artificial que pueden escanear rápidamente una foto o un vídeo e identificar lo que es importante.
Con el tiempo, estos modelos se han hecho 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 creado para realizar una serie de tareas de visión por ordenador con rapidez y precisión. Puede detect y classify objetos, track movimientos y estimar posturas 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 perimetral o servidores en la nube.
Fig. 1. El despliegue de modelos es una parte clave de cualquier proyecto de visión artificial.
Para ello, los modelosYOLO Ultralytics , como YOLO11 , pueden exportarse a varios formatos en función de la plataforma de destino. Uno de estos formatos es PaddlePaddle, un marco de IA de código abierto que permite el despliegue eficiente de modelos y la inferencia a través de una amplia gama de dispositivos y sistemas.
En este artículo, exploraremos cómo Ultralytics YOLO11 puede ser exportado a través de la integraciónPaddlePaddle soportada por Ultralytics para permitir un despliegue eficiente a través de varias plataformas.
¿Qué es PaddlePaddle?
La implementación de modelos de IA fuera de entornos de investigación, como en dispositivos móviles o hardware de última generación, puede resultar complicada en ocasiones, especialmente cuando se necesita que funcionen de forma eficiente y utilicen un mínimo de recursos. PaddlePaddle es un marco de aprendizaje profundo diseñado para ayudar precisamente con eso.
Se trata de una plataforma china de código abierto, cuyo nombre significa Parallel Distributed Deep Learning (aprendizaje profundo distribuido en paralelo). Desarrollada por Baidu, una empresa muy conocida por su trabajo en IA e infraestructura de software, PaddlePaddle se creó especialmente para aplicaciones en el mundo real, no solo para investigación.
Los desarrolladores pueden ejecutar modelos en formato PaddlePaddle en servidores, dispositivos periféricos e incluso hardware móvil. También es compatible con herramientas que simplifican el desarrollo de la IA, incluidas opciones de bajo código y sin código. La plataforma cuenta con una sólida comunidad de desarrolladores de más de 4,7 millones de usuarios y se utiliza en diversos sectores, como la sanidad, la agricultura, la fabricación y las finanzas.
Características principales 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 grafo dinámico a estático: Esta característica convierte un modelo flexible en una versión fija que se ejecuta de manera más fluida y predecible. Un modelo fijo es más fácil de optimizar y más rápido al hacer predicciones.
Fusión de operadores: PaddlePaddle puede combinar varios pasos del modelo en uno solo. Esto reduce la cantidad de memoria que utiliza el modelo y ayuda a que se ejecute más rápido. Piensa en ello como combinar varias tareas en una sola acción para ahorrar tiempo.
Cuantización: Esto reduce el tamaño del modelo mediante el uso de números más simples (como el redondeo a menos decimales). Ayuda a que el modelo se ejecute en dispositivos con potencia limitada, como teléfonos o cámaras inteligentes, sin perder mucha precisión.
Fig. 2. Ventajas del uso PaddlePaddle. Imagen del autor.
Una visión general del despliegue de YOLO11 con PaddlePaddle
La integración de PaddlePaddle con Ultralytics facilita el paso de la formación a la implantación. Los desarrolladores que ya utilizan herramientas de PaddlePaddle pueden incorporar YOLO11 a sus flujos de trabajo con mayor facilidad.
El paquetePython Ultralytics admite 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 utilizando 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 las cosas simples y reduce la posibilidad de problemas de configuración. Una vez exportado, el modelo puede utilizarse para tareas de visión por ordenador 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 implementación en los que 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.
Cómo exportar modelos YOLO11 al formato PaddlePaddle
Sólo se necesitan unos pocos pasos para exportar YOLO11 al formato de modelo PaddlePaddle .
El primer paso es instalar el paqueteUltralytics Python utilizando un gestor de paquetes como 'pip'. Para ello, ejecute el comando "pip install ultralytics" en el símbolo del sistema o en el terminal.
El paquete Ultralytics proporciona herramientas para entrenar, evaluar, ajustar, exportar y desplegar modelos para una serie de tareas de visión por ordenador. Si se encuentra con algún problema durante la instalación, consulte la guía de problemas comunes para obtener consejos de solución de problemas.
Una vez configurado el entorno, puede cargar y exportar un modelo YOLO11 preentrenado como "yolo11n.pt", tal y como se muestra a continuación. También puede exportar su propio modelo YOLO11 personalizado.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")
Una vez convertido su modelo al formato PaddlePaddle , puede desplegarse en varios escenarios sobre diferentes tipos de hardware.
Por ejemplo, en el ejemplo siguiente, estamos cargando un modelo YOLO11 exportado al formato PaddlePaddle y utilizándolo para realizar una predicción. Este proceso, conocido como ejecutar una inferencia, significa simplemente utilizar el modelo para analizar nuevos datos. Aquí, lo estamos probando con una imagen de dos perros.
Tras ejecutar el código, la imagen de salida con las predicciones del modelo se guardará automáticamente en la carpeta "detect".
Fig. 3. Uso del modelo YOLO11 exportado para detect objetos en una imagen. Imagen del autor.
Despliegue de YOLO11 mediante el framework PaddlePaddle
PaddlePaddle ofrece varias herramientas de despliegue, cada una adecuada para diferentes dispositivos y casos de uso como entornos en la nube, sistemas embebidos y aplicaciones web. Estas son algunas de las principales opciones de despliegue:
Paddle Serving: Ayuda a implementar modelos como APIs REST, lo que lo convierte en una buena opción para entornos de nube o servidor que necesitan características como el control de versiones y las pruebas en línea.
Paddle Inference API: Te da más control sobre cómo se ejecutan los modelos, lo que resulta útil cuando necesitas ajustar el rendimiento o crear una lógica de aplicación personalizada.
Paddle Lite: Está diseñado para una implementación ligera 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: Le 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 el navegador.
Fig 4. Opciones de despliegue habilitadas por PaddlePaddle. Imagen del autor.
Una vez elegida la herramienta adecuada para su configuración, puede 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 elegir la integración PaddlePaddle ?
El paquetePython Ultralytics también admite otros formatos de exportación, por lo que es posible que se pregunte: ¿Cuándo es PaddlePaddle la elección correcta?
PaddlePaddle es una opción fiable para desplegar modelos en dispositivos con recursos limitados, como smartphones, sistemas integrados o hardware periférico. También es ideal para aplicaciones en tiempo real que necesitan un rendimiento rápido y eficiente, como la detección de objetos en aplicaciones móviles, la supervisión basada en la visión en cámaras inteligentes o la estimación de la pose que se ejecuta directamente en el dispositivo sin soporte en la nube.
Más allá de esto, si el proyecto necesita ejecutarse fuera de línea o en entornos de baja conectividad, puede considerar el uso de la integración PaddlePaddle . Aplicaciones como las herramientas de inspección visual en la fabricación, los dispositivos portátiles para inspecciones de campo o los escáneres para comercios habilitados para IA pueden beneficiarse del tiempo de ejecución ligero de PaddlePaddley de sus opciones de despliegue flexibles.
Limitaciones de PaddlePaddle a tener en cuenta
Aunque PaddlePaddle ofrece interesantes posibilidades de despliegue, hay que tener en cuenta algunos factores limitantes:
Comunidad global más pequeña: Fuera de China, la base de usuarios y colaboradores es relativamente pequeña. Esto puede dificultar la búsqueda de soporte de la comunidad, la resolución de problemas en GitHub o las respuestas en Stack Overflow.
Mayor curva de aprendizaje para las herramientas que no son de Baidu: PaddlePaddle se integra sin problemas en el ecosistema de Baidu, pero su uso fuera de ese contexto puede implicar pasos adicionales de configuración e instalación.
Menos integraciones con las principales herramientas de ML: PaddlePaddle tiene una compatibilidad limitada con herramientas comunes como Hugging Face Transformers, MLflow o servicios de IA nativos de Kubernetes.
Conclusiones clave
La integración de PaddlePaddle con Ultralytics facilita la exportación y el despliegue de modelos YOLO11 en diversos dispositivos. Es especialmente útil para proyectos que requieren un rendimiento eficiente en el dispositivo, como aplicaciones móviles, cámaras inteligentes o sistemas integrados.
Con sólo unos pocos pasos, puede introducir potentes modelos de visión en aplicaciones del mundo real. A medida que avanza la visión por ordenador, herramientas como YOLO y PaddlePaddle facilitan más que nunca la creación de sistemas rápidos e inteligentes para todo tipo de aplicaciones, desde dispositivos de consumo hasta herramientas industriales.
.webp)