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 por computador. Reúne en una única interfaz optimizada las principales funcionalidades de IA para visión, incluida la gestión de datasets, la anotación, el entrenamiento de modelos, las pruebas, el despliegue y la monitorización.

Fig. 1. Una vista de Ultralytics Platform (Fuente)

Como parte de este flujo de trabajo integral, el despliegue desempeña un papel fundamental para pasar de la experimentación al uso en el mundo real. Anteriormente, analizamos las distintas opciones de despliegue disponibles en la plataforma, incluida la inferencia compartida mediante API, los endpoints dedicados para despliegues de producción escalables y la exportación de modelos para ejecutarlos en dispositivos edge o en infraestructuras externas.

Ahora veremos más de cerca la exportación de modelos y cómo permite el despliegue en distintos entornos. A diferencia de la inferencia y los endpoints dedicados compartidos, que ejecutan los modelos en una infraestructura gestionada por Ultralytics Platform, la exportación de modelos permite desplegarlos y ejecutarlos en entornos externos, como dispositivos edge, aplicaciones móviles e infraestructuras personalizadas.

Antes de poder ejecutar los modelos en estos entornos, hay que convertirlos a formatos compatibles con el runtime de destino. Cada configuración de despliegue 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, exportar es mucho más sencillo. Puedes convertir y optimizar modelos con solo unos clics, sin configuraciones adicionales.

En este artículo explicaremos 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 pueda utilizarse fuera de su framework original. Los modelos Ultralytics YOLO se crean con PyTorch y se almacenan en su formato nativo, que funciona bien para el entrenamiento, la evaluación y la experimentación dentro del ecosistema de PyTorch.

Sin embargo, los entornos de despliegue suelen tener runtimes y requisitos de hardware diferentes. Por eso, el formato utilizado durante el entrenamiento no siempre es adecuado para el despliegue.

Por ejemplo, una aplicación móvil puede necesitar un formato ligero optimizado para un consumo reducido, mientras que una aplicación basada en navegador necesita 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 admitir estos distintos escenarios, es necesario 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 por computador se despliegan 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 monitorización en el propio dispositivo y los sistemas autónomos dependen de la toma de decisiones instantánea.

Sin embargo, desplegar 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. Un modelo que funciona bien durante el entrenamiento con recursos suficientes puede no ejecutarse de forma eficiente en estas condiciones restringidas.

Exportar un modelo al formato adecuado puede ayudar a resolver estos retos. Al convertirlo correctamente, puedes optimizarlo para aumentar la velocidad, reducir su tamaño y hacerlo compatible con hardware específico.

Al mismo tiempo, la exportación aporta flexibilidad. Puedes adaptar el mismo modelo a distintos entornos de despliegue convirtiéndolo a varios formatos según 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 uso reducido de recursos. En cambio, el formato OpenVINO está adaptado al hardware de 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 largo y complejo. Ultralytics Platform agiliza este flujo de trabajo al hacer que la exportación de modelos sea más accesible y fácil de gestionar.

Cómo simplifica Ultralytics Platform la exportación de modelos#

Normalmente, la exportación de un modelo se considera un paso independiente y complejo en los flujos de trabajo de visión por computador. Ultralytics Platform cambia esto al integrar la opción de exportar un modelo directamente en un único espacio de trabajo que abarca desde el entrenamiento hasta el despliegue.

Una de sus principales ventajas es la experiencia de exportación sin código. No necesitas escribir scripts, gestionar entornos ni utilizar comandos específicos del framework. Puedes exportar modelos con solo unos clics mediante una interfaz sencilla.

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

Entre bastidores, la plataforma se encarga de todo el trabajo pesado. Las tareas que normalmente requerirían varias herramientas y una configuración manual se agilizan en un único proceso. No tienes que instalar dependencias adicionales ni enfrentarte a 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 17 formatos de exportación, lo que facilita la preparación de modelos para una amplia variedad de entornos de despliegue sin añadir complejidad.

Esta es 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 distintos frameworks y entornos. ONNX actúa como puente entre ecosistemas, lo que facilita trasladar modelos entre herramientas, mientras que TorchScript permite ejecutar modelos de PyTorch en producción sin necesitar un runtime de Python.
• Inferencia de alto rendimiento en GPUs: TensorRT está diseñado para GPUs de NVIDIA y se centra en optimizar modelos para conseguir 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 sólida para aplicaciones en tiempo real y a escala de producción.
• Despliegue móvil y edge: CoreML, LiteRT (TensorFlow Lite) y NCNN están optimizados para dispositivos con capacidad de cálculo y memoria limitadas. Estos formatos reducen el tamaño de los modelos y mejoran la eficiencia, permitiendo un rendimiento fluido en smartphones, sistemas integrados y hardware edge. CoreML se utiliza normalmente en los ecosistemas de Apple, mientras que LiteRT es habitual en Android.
• Ejecución optimizada para hardware: OpenVINO está adaptado al hardware de Intel, incluidas CPUs, GPUs y VPUs, y ayuda a mejorar la velocidad y la eficiencia de la inferencia en estos dispositivos. Los formatos específicos para hardware como este son útiles cuando necesitas obtener el máximo rendimiento de un sistema concreto.
• Runtimes específicos de frameworks y especializados: Los formatos como PaddlePaddle y ExecuTorch admiten ecosistemas y necesidades de despliegue concretos, incluida la ejecución eficiente de modelos en dispositivos edge o su integración con determinadas pilas de deep learning.

Cómo exportar un modelo con Ultralytics Platform#

Exportar un modelo en Ultralytics Platform es un proceso sencillo basado en 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 tu 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 despliegue.
• Configura los ajustes de exportación (opcional): Ajusta parámetros como el tamaño de imagen, la precisión o el tamaño del batch para optimizar el rendimiento.
• Inicia el proceso de exportación: Haz clic en «Start Export» para comenzar el proceso. La plataforma gestiona la conversión automáticamente.
• Descarga el modelo exportado: Cuando finalice la exportación, puedes descargar el modelo y utilizarlo en tu pipeline de despliegue.

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

Cómo elegir el formato de exportación adecuado#

Al explorar los distintos formatos de exportación compatibles con Ultralytics Platform, es posible que te preguntes cuál elegir. La respuesta depende realmente de dónde y cómo tengas previsto utilizar tu 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, una latencia baja es fundamental. Los formatos optimizados para la inferencia de alto rendimiento, como TensorRT, suelen ser más adecuados.
• Restricciones de hardware: Los dispositivos con memoria y capacidad de procesamiento limitadas, como los teléfonos 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 adquieren importancia. Los modelos más pequeños y optimizados ayudan a garantizar un rendimiento constante sin agotar los recursos.
• Entorno de despliegue: Si necesitas ejecutar tu modelo en distintas plataformas, formatos como ONNX ofrecen flexibilidad. Para casos de uso específicos de una plataforma, como las aplicaciones de iOS, CoreML suele ser la mejor opción.

No existe un formato válido para todos los casos. Todo depende de equilibrar el rendimiento, la compatibilidad y las limitaciones de tu 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 tu modelo para su uso en el mundo real en distintos entornos. Con Ultralytics Platform, este proceso se vuelve mucho más sencillo, ya que puedes convertir y optimizar modelos sin configuraciones adicionales ni complejidad. Al elegir el formato adecuado para tu caso de uso, puedes asegurarte de que el modelo se ejecute de forma eficiente dondequiera que lo despliegues.

Únete a nuestra creciente comunidad y consulta nuestro repositorio de GitHub para obtener más información sobre visión por computador. Explora nuestras páginas de soluciones para saber más sobre aplicaciones como la IA en robótica y la visión por computador en logística. Descubre nuestras opciones de licencia y ¡empieza a crear con IA para visión!