Cómo exportar modelos Ultralytics YOLO con 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 en una única interfaz optimizada funciones clave de IA de visión, como la gestión de conjuntos de datos, el etiquetado, el entrenamiento de modelos, las pruebas, la implementación y la supervisión.

Fig. 1. Un vistazo a Ultralytics Platform (Fuente)

Como parte de este flujo de trabajo integral, la implementación desempeña un papel crucial al llevar los modelos de la experimentación al uso en el mundo real. Anteriormente, exploramos las distintas opciones de implementación disponibles en la plataforma, entre ellas la inferencia compartida mediante API, los endpoints dedicados para implementaciones de producción escalables y la exportación de modelos para ejecutarlos en dispositivos edge o infraestructuras externas.

Ahora vamos a examinar más de cerca la exportación de modelos y cómo permite implementarlos en distintos entornos. A diferencia de la inferencia y los endpoints dedicados, que ejecutan modelos en la infraestructura gestionada por Ultralytics Platform, la exportación de modelos permite implementarlos y ejecutarlos en entornos externos, como dispositivos edge, aplicaciones móviles e infraestructuras personalizadas.

Antes de ejecutar modelos en estos entornos, hay que convertirlos a formatos compatibles con el entorno de ejecución de destino. Cada configuración de implementación tiene sus propios requisitos, desde formatos ligeros para dispositivos móviles y edge hasta formatos de alto rendimiento para sistemas en la nube y basados en GPU.

Tradicionalmente, este proceso puede llevar mucho tiempo, ya que implica scripts, dependencias y varias herramientas. Con Ultralytics Platform, la exportación es mucho más sencilla. Los modelos se pueden convertir y optimizar con solo unos clics, sin configuraciones adicionales.

En este artículo veremos qué significa la exportación de modelos, qué formatos admite Ultralytics Platform y cómo elegir el más adecuado para tu caso de uso. ¡Empecemos!

Introducción a la exportación de modelos#

Exportar un modelo consiste en convertir un modelo preentrenado o entrenado a medida a un formato que se pueda utilizar fuera de su framework original. Los modelos Ultralytics YOLO se crean con PyTorch y se guardan en su formato nativo, que funciona bien para el entrenamiento, la evaluación y la experimentación dentro del ecosistema PyTorch.

Sin embargo, los entornos de implementación suelen tener distintos entornos de ejecución y requisitos de hardware. Por eso, el formato utilizado durante el entrenamiento no siempre es adecuado para la implementación.

Por ejemplo, una aplicación móvil puede necesitar un formato ligero optimizado para consumir poca energía, mientras que una aplicación basada en navegador requiere un formato que se ejecute de forma eficiente en entornos web.

Los dispositivos edge, como las cámaras y los sistemas integrados, se benefician de modelos compactos y rápidos, mientras que los sistemas en la nube están diseñados para la inferencia de alto rendimiento. Para adaptarse a estos distintos escenarios, hay que exportar los modelos a formatos compatibles.

Por qué la opción de exportar modelos es más importante que nunca#

Hoy en día, los modelos de visión artificial se implementan cada vez más cerca del lugar donde se generan los datos, especialmente en dispositivos edge. Los smartphones ejecutan aplicaciones de visión en tiempo real, las cámaras de videovigilancia realizan supervisión en el propio dispositivo y los sistemas autónomos dependen de la toma de decisiones instantánea.

Sin embargo, implementar modelos en estos entornos plantea sus propios retos. Los dispositivos edge tienen una capacidad de cálculo limitada, requisitos estrictos de latencia y restricciones de memoria y consumo energético. Es posible que un modelo que funciona bien durante el entrenamiento con recursos suficientes no se ejecute de forma eficiente en estas condiciones limitadas.

Exportar un modelo al formato adecuado puede ayudar a resolver estos retos. Si se convierte correctamente, el modelo se puede optimizar para mejorar su velocidad, reducir su tamaño y hacerlo compatible con hardware específico.

Al mismo tiempo, la exportación aporta flexibilidad. El mismo modelo se puede adaptar a distintos entornos de implementación convirtiéndolo a varios formatos según los requisitos específicos.

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

Por ejemplo, el formato de modelo NCNN está optimizado para dispositivos móviles y edge con un consumo reducido de recursos. En cambio, el formato OpenVINO está diseñado para hardware Intel y ofrece un mejor rendimiento en unidades centrales de procesamiento (CPUs), unidades de procesamiento gráfico (GPUs) y unidades de procesamiento neuronal (NPUs).

En la mayoría de los casos, conseguir este nivel de flexibilidad implicaba realizar conversiones manuales, gestionar dependencias y utilizar varias herramientas, lo que hacía que el proceso fuera lento y complejo. Ultralytics Platform agiliza este flujo de trabajo y facilita el acceso a la exportación de modelos y su gestión.

Cómo simplifica Ultralytics Platform la exportación de modelos#

Normalmente, la exportación de modelos se considera una etapa independiente y compleja en los flujos de trabajo de visión artificial. Ultralytics Platform cambia esto al integrar la opción de exportar modelos directamente en un único espacio de trabajo que abarca desde el entrenamiento hasta la implementación.

Una de sus principales ventajas es que permite exportar sin código. No hace falta escribir scripts, gestionar entornos ni usar comandos específicos de cada framework. Puedes exportar modelos con solo unos clics desde una interfaz sencilla.

Fig. 3. Ejemplo de exportación de un modelo desde Ultralytics Platform (Fuente)

Entre bastidores, la plataforma se encarga del trabajo pesado. Las tareas que normalmente requieren varias herramientas y una configuración manual se integran en un único proceso. No tienes que instalar dependencias adicionales ni lidiar con problemas de compatibilidad, lo que facilita mucho pasar de un modelo entrenado a una solución lista para producción.

Formatos de exportación de modelos compatibles con Ultralytics Platform#

Ultralytics Platform admite 21 formatos de exportación, por lo que resulta fácil preparar modelos para una amplia variedad de entornos de implementación sin añadir complejidad.

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

• Compatibilidad entre plataformas e interoperabilidad: ONNX y TorchScript se utilizan ampliamente para ejecutar modelos en distintos frameworks y entornos. ONNX actúa como puente entre ecosistemas y facilita el traslado de modelos entre herramientas, mientras que TorchScript permite ejecutar modelos PyTorch en producción sin necesitar un entorno de ejecución de Python.
• Inferencia de alto rendimiento en GPU: TensorRT está diseñado para GPU NVIDIA y se centra en optimizar modelos para lograr una latencia baja y un alto rendimiento. Admite técnicas como la reducción de precisión y la fusión de capas para acelerar la inferencia, por lo que es una opción excelente para aplicaciones en tiempo real y a escala de producción.
• Implementación en móviles y dispositivos edge: CoreML, LiteRT (TensorFlow Lite) y NCNN están optimizados para dispositivos con capacidad de cálculo y memoria limitadas. Estos formatos reducen el tamaño del modelo y mejoran la eficiencia, lo que permite un funcionamiento fluido en smartphones, sistemas integrados y hardware edge. CoreML se suele utilizar en los ecosistemas Apple, mientras que LiteRT es habitual en Android.
• Ejecución optimizada para hardware: OpenVINO está diseñado para hardware Intel, incluidas CPU, GPU y VPU, y ayuda a mejorar la velocidad y la eficiencia de la inferencia en esos dispositivos. Los formatos específicos para cada hardware como este son útiles cuando necesitas obtener el máximo rendimiento de un sistema concreto.
• Frameworks y entornos de ejecución especializados: Formatos como PaddlePaddle y ExecuTorch son compatibles con ecosistemas y necesidades de implementación específicos, incluida la ejecución eficiente de modelos en dispositivos edge o su integración con determinadas pilas de aprendizaje profundo.

Cómo exportar un modelo con Ultralytics Platform#

Exportar un modelo en Ultralytics Platform es un proceso sencillo que se realiza desde la interfaz de usuario. Todo el flujo de trabajo se gestiona desde la interfaz, sin necesidad de scripts ni herramientas de línea de comandos.

Así puedes exportar un modelo con la plataforma:

• Inicia sesión y elige el modelo: Ve a tu proyecto y abre el modelo entrenado que quieras exportar.
• Ve a la pestaña Export: En el panel del modelo, haz clic en la pestaña Export para ver las opciones de exportación disponibles.
• Selecciona un formato de exportación: Elige un formato como ONNX, TensorRT o CoreML según tus necesidades de implementación.
• Configura los ajustes de exportación (opcional): Ajusta parámetros como el tamaño de imagen, la precisión o el tamaño del lote para optimizar el rendimiento.
• Inicia el proceso de exportación: Haz clic en «Start Export» para empezar. La plataforma se encarga de la conversión automáticamente.
• Descarga el modelo exportado: Cuando termine la exportación, podrás descargar el modelo y utilizarlo en tu flujo de implementación.

Fig. 4. Vista de la configuración de exportación en Ultralytics Platform

Cómo elegir el formato de exportación adecuado#

Al explorar los distintos formatos de exportación compatibles con Ultralytics Platform, quizá te preguntes cuál elegir. La respuesta depende realmente de dónde y cómo tengas previsto utilizar el modelo.

Estos son algunos factores que debes tener en cuenta:

• Requisitos de latencia: Para aplicaciones en tiempo real, como el análisis de vídeo o los sistemas autónomos, la latencia baja es fundamental. Los formatos optimizados para la inferencia de alto rendimiento, como TensorRT, suelen ser más adecuados.
• Limitaciones del hardware: Los dispositivos con memoria y capacidad de procesamiento limitadas, como los móviles o los sistemas integrados, necesitan formatos ligeros como LiteRT o NCNN.
• Tamaño del modelo y consumo energético: Al trabajar con dispositivos edge, el tamaño del modelo y el consumo energético son importantes. Los modelos más pequeños y optimizados ayudan a garantizar un rendimiento constante sin agotar los recursos.
• Entorno de implementación: Si el modelo tiene que ejecutarse en distintas plataformas, formatos como ONNX ofrecen flexibilidad. Para casos de uso específicos de una plataforma, como las aplicaciones iOS, CoreML suele ser la mejor opción.

No existe un formato universal. Todo depende de encontrar el equilibrio entre el rendimiento, la compatibilidad y las limitaciones del entorno de destino. Ultralytics Platform lo facilita al permitirte probar y comparar distintos formatos sin esfuerzo adicional.

Conclusiones clave#

La exportación es un paso fundamental para preparar el modelo para su uso en el mundo real en distintos entornos. Con Ultralytics Platform, este proceso es mucho más sencillo: puedes convertir y optimizar modelos sin configuraciones adicionales ni complicaciones. Si eliges el formato adecuado para tu caso de uso, te asegurarás de que el modelo se ejecute de forma eficiente dondequiera que lo implementes.

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 descubrir aplicaciones como la IA en robótica y la visión artificial en logística. Descubre nuestras opciones de licencia y empieza a crear con IA de visión.