Cómo exportar modelos de Ultralytics YOLO usando la Ultralytics Platform

El mes pasado lanzamos Ultralytics Platform, un espacio de trabajo unificado diseñado para simplificar todo el flujo de trabajo de visión artificial. Reúne capacidades clave de IA de visión, incluyendo la gestión de conjuntos de datos, anotación, entrenamiento de modelos, pruebas, despliegue y monitoreo, en una única interfaz optimizada.

Fig 1. Un vistazo a la plataforma de Ultralytics (Fuente)

Como parte de este flujo de trabajo de extremo a extremo, el despliegue desempeña un papel crucial para llevar los modelos de la experimentación al uso en el mundo real. Anteriormente, exploramos las diferentes opciones de despliegue disponibles en la plataforma, incluyendo la inferencia compartida a través de APIs, puntos finales dedicados para despliegues de producción escalables y la exportación de modelos para ejecutarlos en dispositivos periféricos o infraestructura externa.

Ahora, echemos un vistazo más de cerca a la exportación de modelos y cómo ayuda al despliegue en diferentes entornos. A diferencia de la inferencia compartida y los puntos finales dedicados, que ejecutan modelos dentro de la infraestructura gestionada por Ultralytics Platform, la exportación de modelos permite que estos se desplieguen y ejecuten en entornos externos como dispositivos periféricos, aplicaciones móviles e infraestructura personalizada.

Antes de que los modelos puedan ejecutarse en estos entornos, deben convertirse a formatos compatibles con el tiempo de ejecución de destino. Cada configuración de despliegue tiene sus propios requisitos, desde formatos ligeros para dispositivos móviles y periféricos hasta formatos de alto rendimiento para sistemas en la nube y basados en GPU.

Tradicionalmente, este proceso puede llevar mucho tiempo, implicando scripts, dependencias y múltiples herramientas. Con Ultralytics Platform, exportar es mucho más sencillo. Los modelos se pueden convertir y optimizar en solo unos clics, sin necesidad de configuraciones adicionales.

En este artículo, veremos qué significa la exportación de modelos, los formatos compatibles con Ultralytics Platform y cómo elegir el adecuado para tu caso de uso. ¡Comencemos!

Link to this sectionUna visión general de la exportación de un modelo#

La exportación de un modelo implica convertir un modelo preentrenado o personalizado en un formato utilizable fuera de su marco de trabajo original. Los modelos YOLO de Ultralytics están construidos usando PyTorch y almacenados en su formato nativo, el cual funciona bien para entrenamiento, evaluación y experimentación dentro del ecosistema PyTorch.

Sin embargo, los entornos de despliegue a menudo tienen diferentes tiempos de ejecución y requisitos de hardware. Por esta razón, el formato utilizado durante el entrenamiento no siempre es adecuado para el despliegue.

Por ejemplo, una aplicación móvil puede requerir un formato ligero optimizado para un bajo consumo de energía, mientras que una aplicación basada en navegador necesita un formato que se ejecute de manera eficiente en entornos web.

Los dispositivos periféricos, como cámaras y sistemas integrados, se benefician de modelos compactos y rápidos, mientras que los sistemas en la nube están diseñados para inferencia de alto rendimiento. Para soportar estos diferentes escenarios, los modelos necesitan exportarse a formatos compatibles.

Link to this sectionPor qué la opción de exportar modelos es más importante que nunca#

Hoy en día, los modelos de visión artificial se despliegan más cerca de donde se generan los datos, especialmente en dispositivos periféricos. Los teléfonos inteligentes ejecutan aplicaciones de visión en tiempo real, las cámaras de CCTV realizan monitoreo en el dispositivo y los sistemas autónomos dependen de la toma de decisiones instantánea.

Sin embargo, el despliegue en estos entornos conlleva su propio conjunto de desafíos. Los dispositivos periféricos tienen potencia computacional limitada, requisitos estrictos de latencia y restricciones en cuanto al consumo de memoria y energía. Un modelo que funciona bien durante el entrenamiento con suficientes recursos puede no ejecutarse eficientemente bajo estas condiciones restringidas.

Exportar un modelo al formato correcto puede ayudar a abordar estos desafíos. Al convertir el modelo adecuadamente, este puede optimizarse para la velocidad, reducirse en tamaño y hacerse compatible con hardware específico.

Al mismo tiempo, la exportación proporciona flexibilidad. El mismo modelo puede adaptarse a diferentes entornos de despliegue convirtiéndolo en múltiples formatos según los requisitos específicos.

Fig 2. Algunos de los formatos de exportación disponibles en la plataforma de Ultralytics (Fuente)

Por ejemplo, el formato de modelo NCNN está optimizado para dispositivos móviles y periféricos con bajo uso de recursos. Mientras que el formato OpenVINO está adaptado para hardware Intel y ofrece un mejor rendimiento en unidades centrales de procesamiento (CPUs), unidades de procesamiento de gráficos (GPUs) y unidades de procesamiento neuronal (NPUs).

En la mayoría de los casos, lograr este nivel de flexibilidad significaba lidiar con la conversión manual, dependencias y múltiples herramientas, lo que hacía que el proceso fuera lento y complejo. Ultralytics Platform simplifica este flujo de trabajo haciendo que la exportación de modelos sea más accesible y fácil de gestionar.

Link to this sectionCómo simplifica la exportación de modelos Ultralytics Platform#

Normalmente, exportar un modelo se trata como un paso separado y complejo en los flujos de trabajo de visión artificial. Ultralytics Platform cambia esto al integrar la opción de exportar un modelo directamente en un espacio de trabajo único que cubre todo, desde el entrenamiento hasta el despliegue.

Una de sus ventajas clave es la experiencia de exportación sin código. No hay necesidad de escribir scripts, gestionar entornos o utilizar comandos específicos del marco de trabajo. Los modelos pueden exportarse con solo unos clics a través de una interfaz sencilla.

Fig 3. Un ejemplo de cómo exportar un modelo desde la plataforma de Ultralytics (Fuente)

Detrás de escena, la plataforma se encarga del trabajo pesado. Las tareas que normalmente requerirían múltiples herramientas y configuración manual se simplifican en un único proceso. No tienes que instalar dependencias adicionales ni lidiar con problemas de compatibilidad, lo que hace mucho más fácil pasar de un modelo entrenado a una solución lista para la producción.

Link to this sectionFormatos de exportación de modelos compatibles con Ultralytics Platform#

Ultralytics Platform admite 17 formatos de exportación, lo que facilita la preparación de modelos para una amplia gama de entornos de despliegue sin complejidad añadida.

Aquí tienes una descripción general de algunos de los formatos de exportación más utilizados:

• Multiplataforma e interoperabilidad: ONNX y TorchScript se utilizan ampliamente para ejecutar modelos en diferentes marcos de trabajo y entornos. ONNX actúa como un puente entre ecosistemas, facilitando el movimiento de modelos entre herramientas, mientras que TorchScript permite ejecutar modelos PyTorch en producción sin requerir un tiempo de ejecución de Python.
• Inferencia de alto rendimiento en GPUs: TensorRT está diseñado para GPUs NVIDIA y se centra en optimizar modelos para baja latencia y alto rendimiento. Admite técnicas como la reducción de precisión y la fusión de capas para acelerar la inferencia, convirtiéndolo en una opción sólida para aplicaciones en tiempo real y a escala de producción.
• Despliegue móvil y periférico: CoreML, LiteRT (TensorFlow Lite) y NCNN están optimizados para dispositivos con capacidad de cómputo y memoria limitadas. Estos formatos reducen el tamaño del modelo y mejoran la eficiencia, permitiendo un rendimiento fluido en teléfonos inteligentes, sistemas integrados y hardware periférico. CoreML se utiliza normalmente en ecosistemas Apple, mientras que LiteRT es común para Android.
• Ejecución optimizada para hardware: OpenVINO está diseñado para hardware Intel, incluyendo CPUs, GPUs y VPUs, y ayuda a mejorar la velocidad y la eficiencia de la inferencia en esos dispositivos. Los formatos específicos de hardware como este son útiles cuando necesitas obtener el mejor rendimiento de un sistema en particular.
• Marcos de trabajo específicos y tiempos de ejecución especializados: Formatos como PaddlePaddle y ExecuTorch admiten ecosistemas específicos y necesidades de despliegue, incluyendo la ejecución eficiente de modelos en dispositivos periféricos o la integración con pilas de aprendizaje profundo particulares.

Link to this sectionCómo exportar un modelo usando Ultralytics Platform#

Exportar un modelo en Ultralytics Platform es un proceso sencillo basado en la interfaz de usuario. Todo el flujo de trabajo se maneja a través de la interfaz, sin la necesidad de scripts o herramientas de línea de comandos.

Aquí te explico cómo puedes exportar un modelo usando la plataforma:

• Inicia sesión y elige tu modelo: Ve a tu proyecto y abre el modelo entrenado que deseas exportar.
• Ve a la pestaña Exportar: Dentro del panel del modelo, haz clic en la pestaña Exportar para ver las opciones de exportación disponibles.
• Selecciona un formato de exportación: Elige un formato como ONNX, TensorRT o CoreML según tus necesidades de despliegue.
• Configura los ajustes de exportación (opcional): Ajusta parámetros como el tamaño de la imagen, la precisión o el tamaño del lote para optimizar el rendimiento.
• Inicia el proceso de exportación: Haz clic en “Start Export” (Iniciar exportación) para comenzar el proceso. La plataforma gestiona la conversión automáticamente.
• Descarga el modelo exportado: Una vez que la exportación esté completa, puedes descargar el modelo y utilizarlo en tu canal de despliegue.

Fig 4. Un vistazo a la configuración de los ajustes de exportación en la plataforma de Ultralytics

Link to this sectionCómo elegir el formato de exportación correcto#

A medida que exploras los diferentes formatos de exportación compatibles con Ultralytics Platform, es posible que te preguntes cuál elegir. La respuesta realmente depende de dónde y cómo planeas usar tu modelo.

Aquí tienes algunos factores a considerar:

• Requisitos de latencia: Para aplicaciones en tiempo real como análisis de vídeo o sistemas autónomos, la baja latencia es crítica. Los formatos optimizados para inferencia de alto rendimiento, como TensorRT, a menudo son más adecuados.
• Restricciones de hardware: Los dispositivos con memoria y potencia de procesamiento limitadas, como teléfonos móviles o sistemas integrados, requieren formatos ligeros como LiteRT o NCNN.
• Tamaño del modelo y consumo de energía: Al trabajar con dispositivos periféricos, el tamaño del modelo y el consumo de energía se vuelven importantes. Los modelos más pequeños y optimizados ayudan a garantizar un rendimiento constante sin agotar los recursos.
• Entorno de despliegue: Si tu modelo necesita ejecutarse en diferentes plataformas, formatos como ONNX ofrecen flexibilidad. Para casos de uso específicos de plataformas, como aplicaciones iOS, CoreML es a menudo la mejor opción.

No existe un formato único para todo. Realmente se trata de equilibrar el rendimiento, la compatibilidad y las limitaciones de tu entorno de destino. Ultralytics Platform lo hace más fácil permitiéndote probar y comparar diferentes formatos sin esfuerzo adicional.

Link to this sectionConclusiones clave#

La exportación es un paso vital para tener tu modelo listo para el uso en el mundo real en diferentes entornos. Con Ultralytics Platform, este proceso se vuelve mucho más sencillo, permitiéndote convertir y optimizar modelos sin configuraciones adicionales ni complejidad. Al elegir el formato correcto para tu caso de uso, puedes asegurar que tu modelo se ejecute de manera eficiente dondequiera que lo despliegues.

Únete a nuestra creciente comunidad y echa un vistazo a nuestro repositorio de GitHub para aprender más sobre visión artificial. Explora nuestras páginas de soluciones para saber más sobre aplicaciones como IA en robótica y visión artificial en logística. ¡Descubre nuestras opciones de licencia y comienza a construir con IA de visión!