Exportación de Ultralytics YOLO11 mediante la integración de PaddlePaddle

A medida que avanza la inteligencia artificial (AI), las máquinas cada vez entienden mejor el mundo que las rodea. Un área clave que impulsa este progreso es la visión por ordenador, una rama de la AI 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 por ordenador ya forma parte de muchas herramientas cotidianas. Estas tareas dependen de modelos de AI 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, 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 abordar una amplia variedad de tareas de visión por ordenador con rapidez y precisión. Puede detectar y clasificar objetos, realizar un seguimiento del movimiento y estimar posturas corporales.

Una parte fundamental para trasladar la visión por ordenador de la investigación a aplicaciones del mundo real es el despliegue. Una vez entrenado un modelo, el siguiente paso es ejecutarlo en dispositivos como teléfonos, hardware periférico o servidores en la nube.

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

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

En este artículo, veremos cómo exportar Ultralytics YOLO11 mediante la integración de PaddlePaddle compatible con Ultralytics para permitir un despliegue eficiente en varias plataformas.

¿Qué es PaddlePaddle?#

Desplegar modelos de AI fuera del ámbito de la investigación, por ejemplo en dispositivos móviles o hardware periférico, puede resultar complicado, especialmente cuando necesitas que funcionen de forma eficiente y consuman pocos recursos. PaddlePaddle es un framework de aprendizaje profundo diseñado precisamente para ayudarte con eso.

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 AI 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 periféricos e incluso hardware móvil. También es compatible con herramientas que simplifican el desarrollo de AI, incluidas opciones low-code y no-code. 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 principales características que ayudan a PaddlePaddle a ejecutar modelos de forma más eficiente en dispositivos del mundo real:

• Conversión de grafos dinámicos a estáticos: 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 realiza predicciones más rápidamente.
• 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. Es como combinar varias tareas en una sola acción para ahorrar tiempo.
• Cuantización: Esto hace que el modelo sea más pequeño al utilizar números más sencillos, por ejemplo, redondeando a menos decimales. Ayuda al modelo a ejecutarse en dispositivos con potencia limitada, como teléfonos o cámaras inteligentes, sin perder demasiada precisión.

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

Descripción general del despliegue de Ultralytics YOLO11 con PaddlePaddle#

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

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

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 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 posturas y la segmentación de instancias.

Es una opción excelente para escenarios de despliegue en los que los dispositivos tienen poca memoria o necesitan un procesamiento rápido. Los modelos exportados están optimizados para ejecutarse de forma eficiente, incluso en sistemas con recursos limitados.

Cómo exportar modelos Ultralytics YOLO11 al formato PaddlePaddle#

Solo hacen falta unos pocos pasos para exportar Ultralytics YOLO11 al formato de modelo PaddlePaddle.

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

El paquete de Ultralytics proporciona herramientas para entrenar, evaluar, ajustar, exportar y desplegar modelos para una amplia variedad de tareas de visión por ordenador. Si encuentras 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.pt”, tal como se muestra a continuación. También puedes exportar tu propio modelo YOLO11 entrenado a medida.

from ultralytics import YOLO

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

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

Por ejemplo, en el siguiente caso cargamos un modelo Ultralytics YOLO11 exportado al formato PaddlePaddle y lo utilizamos para realizar una predicción. Este proceso, conocido como ejecutar una 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)

Después de 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.

Despliegue de Ultralytics YOLO11 mediante el framework PaddlePaddle#

PaddlePaddle ofrece varias herramientas de despliegue, 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 despliegue:

• Paddle Serving: Ayuda a desplegar modelos como REST APIs, por lo que es una buena opción para entornos de nube o servidores que necesitan funciones como el control de versiones y las pruebas en línea.
• Paddle Inference API: Te proporciona un mayor 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 el despliegue ligero 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: Permite ejecutar modelos de AI en navegadores web mediante tecnologías como WebGL y WebAssembly, lo que resulta 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 tu configuración, puedes cargar el modelo exportado. El motor de PaddlePaddle se encarga de los pasos siguientes: carga el modelo, procesa la imagen de entrada y devuelve los resultados.

¿Cuándo deberías elegir la integración de PaddlePaddle?#

El paquete Python de Ultralytics también es compatible con otros formatos de exportación, así que puede que te preguntes: ¿cuándo es PaddlePaddle la opción adecuada?

PaddlePaddle es una opción fiable cuando buscas 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 visión en cámaras inteligentes o la estimación de posturas ejecutada directamente en el dispositivo sin depender de la nube.

Además, si el proyecto debe ejecutarse sin conexión o en entornos con conectividad limitada, puedes plantearte utilizar la integración de PaddlePaddle. Aplicaciones como las herramientas de inspección visual en la fabricación, los dispositivos portátiles para estudios de campo o los escáneres comerciales basados en AI pueden beneficiarse del runtime ligero de PaddlePaddle y de sus flexibles opciones de despliegue.

Limitaciones de PaddlePaddle que debes tener en cuenta#

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

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

Conclusiones clave#

La integración de PaddlePaddle compatible con Ultralytics facilita la exportación y el despliegue de modelos YOLO11 en una amplia variedad de dispositivos. Es especialmente útil para proyectos que requieren un rendimiento eficiente 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 la visión por ordenador sigue avanzando, herramientas como YOLO y PaddlePaddle hacen que sea más fácil que nunca crear sistemas rápidos e inteligentes, desde dispositivos de consumo hasta herramientas industriales.

¡Únete hoy a nuestra creciente comunidad! Adéntrate en la AI explorando nuestro repositorio de GitHub. ¿Quieres crear tus propios proyectos de visión por ordenador? Descubre nuestras opciones de licencia. Descubre cómo la visión por ordenador en la sanidad mejora la eficiencia y explora el impacto de la AI en el comercio minorista visitando nuestras páginas de soluciones.