Implementa Ultralytics YOLO11 sin complicaciones con OpenVINO™

La adopción de la IA depende de que las soluciones de IA sean accesibles, y una parte fundamental consiste en facilitar su implementación en el hardware que la gente ya tiene. Ejecutar modelos de IA en GPUs (unidades de procesamiento gráfico) es una opción excelente por su rendimiento y capacidad de procesamiento en paralelo.

Sin embargo, la realidad es que no todo el mundo tiene acceso a GPUs de gama alta, especialmente en entornos periféricos o en los portátiles de uso diario. Por eso es tan importante optimizar los modelos para que se ejecuten eficientemente en hardware más extendido, como unidades centrales de procesamiento (CPUs), GPUs integradas y unidades de procesamiento neuronal (NPUs).

La visión artificial, por ejemplo, es una rama de la IA que permite a las máquinas analizar e interpretar imágenes y flujos de vídeo en tiempo real. Los modelos de IA visual, como Ultralytics YOLO11, admiten tareas clave como la detección de objetos y la segmentación de instancias, que impulsan aplicaciones que van desde el análisis del comercio minorista hasta el diagnóstico médico.

Fig. 1. Uso de Ultralytics YOLO11 para detectar y segmentar objetos en una tienda.

Para que la visión artificial sea más accesible, Ultralytics ha publicado una integración actualizada con el kit de herramientas OpenVINO, que es un proyecto de código abierto para optimizar y ejecutar inferencias de IA en CPU, GPU y NPU.

Con esta integración, es más fácil exportar e implementar modelos YOLO11, con una inferencia hasta 3 veces más rápida en CPU y un rendimiento acelerado en GPU y NPU de Intel. En este artículo, explicaremos cómo utilizar el paquete de Python de Ultralytics para exportar modelos YOLO11 al formato OpenVINO y usarlo para la inferencia.

Descripción general de Ultralytics YOLO11#

Antes de profundizar en los detalles de la integración de OpenVINO compatible con Ultralytics, veamos más de cerca qué hace que YOLO11 sea un modelo de visión artificial fiable y eficaz. En el momento de redactar este artículo, YOLO11 era el modelo más reciente de la serie YOLO de Ultralytics (desde entonces sustituido por Ultralytics YOLO26) y ofrecía mejoras significativas tanto en velocidad como en precisión.

Una de sus principales ventajas es la eficiencia. Por ejemplo, YOLO11m de Ultralytics tiene un 22 % menos de parámetros que Ultralytics YOLOv8m, pero obtiene una precisión media promedio (mAP) superior en el conjunto de datos COCO. Esto significa que funciona más rápido y detecta objetos con mayor precisión, por lo que es ideal para aplicaciones en tiempo real en las que el rendimiento y la capacidad de respuesta son fundamentales.

Fig. 2. Pruebas comparativas de rendimiento de Ultralytics YOLO11.

Además de la detección de objetos, YOLO11 es compatible con diversas tareas de visión artificial avanzadas, como la segmentación de instancias, la clasificación de imágenes, la estimación de poses, la detección de cuadros delimitadores orientados y el seguimiento de objetos. YOLO11 también es fácil de usar para desarrolladores: el paquete de Python de Ultralytics ofrece una interfaz sencilla y coherente para entrenar, evaluar e implementar modelos.

Además, el paquete de Python de Ultralytics es compatible con diversas integraciones y varios formatos de exportación, como OpenVINO, ONNX y TorchScript, lo que te permite integrar fácilmente YOLO11 en distintas canalizaciones de implementación. Tanto si te diriges a una infraestructura en la nube como a dispositivos periféricos o sistemas embebidos, el proceso de exportación es sencillo y se adapta a los requisitos de tu hardware.

¿Qué es OpenVINO™?#

OpenVINO™ (inferencia visual abierta y optimización de redes neuronales) es un kit de herramientas de código abierto para optimizar y desplegar inferencias de IA en una amplia variedad de hardware. Permite a los desarrolladores ejecutar aplicaciones de inferencia de alto rendimiento de forma eficiente en distintas plataformas Intel, incluidas CPU, GPU integradas y discretas, NPU y matrices de puertas programables en campo (FPGAs).

OpenVINO proporciona una interfaz de ejecución unificada que abstrae las diferencias del hardware mediante complementos específicos para cada dispositivo. Esto permite a los desarrolladores escribir el código una sola vez y desplegarlo en varios dispositivos Intel de destino mediante una API coherente.

Estas son algunas de las principales características que hacen de OpenVINO una excelente opción para el despliegue:

• Conversor de modelos: Esta herramienta convierte y prepara modelos de marcos de trabajo populares, como PyTorch, ONNX, TensorFlow, PaddlePaddle y otros, para optimizarlos y conseguir inferencias eficientes en hardware Intel.
• Ejecución heterogénea: No necesitas reescribir el código para distintos dispositivos Intel. OpenVINO facilita la ejecución del mismo modelo en cualquier hardware compatible, desde CPU hasta GPU.
• Compatibilidad con la cuantización: El kit de herramientas admite formatos de precisión reducida, como FP16 (valor predeterminado) e INT8, que ayudan a reducir el tamaño del modelo y acelerar las inferencias sin afectar significativamente a la precisión.

Fig. 3. OpenVINO ofrece diversas opciones de despliegue.

Explora la integración de Ultralytics con OpenVINO#

Ahora que hemos visto qué es OpenVINO y por qué es importante, veamos cómo exportar modelos Ultralytics YOLO11 al formato OpenVINO y ejecutar inferencias eficientes en hardware Intel.

Paso 1: Instala el paquete de Python Ultralytics#

Para exportar un modelo al formato OpenVINO, primero tendrás que instalar el paquete Python de Ultralytics. Este paquete incluye todo lo necesario para entrenar, evaluar y exportar modelos YOLO, incluido YOLO11.

Puedes instalarlo ejecutando el comando pip install ultralytics en el terminal o en el símbolo del sistema. Si trabajas en un entorno interactivo como Jupyter Notebook o Google Colab, solo tienes que añadir un signo de exclamación antes del comando.

Además, si tienes algún problema durante la instalación o la exportación, la documentación de Ultralytics y las guías de resolución de problemas son recursos excelentes para ayudarte a solucionarlo.

Paso 2: Exporta tu modelo Ultralytics YOLO11 al formato OpenVINO#

Una vez configurado el paquete Ultralytics, el siguiente paso es cargar el modelo YOLO11 y convertirlo a un formato compatible con OpenVINO.

En el siguiente ejemplo, utilizamos un modelo YOLO11 preentrenado («yolo11n.pt»). La función de exportación lo convierte al formato OpenVINO. Después de ejecutar este código, el modelo convertido se guardará en un directorio nuevo llamado «yolo11n_openvino_model».

from ultralytics import YOLO

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

Paso 3: Ejecuta inferencias con el modelo exportado#

Una vez que hayas exportado el modelo YOLO11 al formato OpenVINO, puedes ejecutar inferencias de dos maneras: con el paquete Python de Ultralytics o con OpenVINO Runtime nativo.

Usa el paquete Python de Ultralytics#

Puedes desplegar fácilmente el modelo YOLO11 exportado con el paquete Python de Ultralytics, como se muestra en el siguiente fragmento de código. Este método es ideal para hacer pruebas rápidas y simplificar el despliegue en hardware Intel.

También puedes especificar el dispositivo que quieres utilizar para las inferencias, como «intel:cpu», «intel:gpu» o «intel:npu», según el hardware Intel disponible en tu sistema.

ov_model = YOLO("yolo11n_openvino_model/")
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

Para guardar la imagen de salida anotada en el directorio «runs/detect/predict», añade save=True a la llamada de inferencia.

Fig. 4. Uso del modelo Ultralytics YOLO11 exportado para detectar objetos en una imagen.

Usa OpenVINO Runtime nativo#

Si buscas una forma personalizable de ejecutar inferencias, especialmente en entornos de producción, OpenVINO Runtime te ofrece más control sobre cómo se ejecuta el modelo. Admite funciones avanzadas, como la ejecución asíncrona (ejecutar varias solicitudes de inferencia en paralelo) y el equilibrio de carga (distribuir eficazmente las cargas de inferencia entre el hardware Intel).

Para utilizar el entorno de ejecución nativo, necesitarás los archivos del modelo exportado: un archivo .xml (que define la arquitectura de la red) y un archivo .bin (que almacena los pesos entrenados del modelo). También puedes configurar parámetros adicionales, como las dimensiones de entrada o los pasos de preprocesamiento, en función de tu aplicación.

Un flujo de implementación habitual incluye inicializar el núcleo de OpenVINO, cargar y compilar el modelo para un dispositivo de destino, preparar la entrada y ejecutar la inferencia. Para consultar ejemplos detallados e instrucciones paso a paso, visita la documentación oficial de OpenVINO de Ultralytics o la lección de Ultralytics Academy sobre cómo ejecutar OpenVINO en CPU.

¿Por qué elegir la integración de Ultralytics con OpenVINO?#

Al explorar las integraciones de Ultralytics, verás que el paquete Python de Ultralytics permite exportar modelos YOLO11 a varios formatos, como TorchScript, CoreML, TensorRT y ONNX. Entonces, ¿por qué elegir la integración con OpenVINO?

Estas son algunas razones por las que el formato de exportación OpenVINO es ideal para desplegar modelos en hardware Intel:

• Mejoras de rendimiento: Puedes conseguir inferencias hasta 3× más rápidas en CPU Intel, con aceleración adicional disponible en GPU integradas y NPU.
• No hace falta volver a entrenar: Puedes exportar directamente tus modelos Ultralytics YOLO11 existentes al formato OpenVINO sin modificarlos ni volver a entrenarlos.
• Diseñado para escalar: Puedes desplegar el mismo modelo exportado tanto en dispositivos periféricos de bajo consumo como en infraestructura en la nube a gran escala, lo que simplifica el despliegue de IA escalable.

También puedes consultar las pruebas comparativas de rendimiento del modelo Ultralytics YOLO11 en distintas plataformas Intel® en OpenVINO™ Model Hub. OpenVINO Model Hub es un recurso para que los desarrolladores evalúen modelos de IA en hardware Intel y descubran las ventajas de rendimiento de OpenVINO en CPU Intel, GPU integradas, NPU y gráficos discretos.

Fig. 5. OpenVINO™ Model Hub: pruebas comparativas de rendimiento del modelo Ultralytics YOLO11 en distintas plataformas Intel®.

Aplicaciones de Ultralytics YOLO11 y del formato de exportación OpenVINO#

Gracias a la integración con OpenVINO, desplegar modelos Ultralytics YOLO11 en hardware Intel para situaciones reales resulta mucho más sencillo.

Un buen ejemplo es el comercio minorista inteligente, donde Ultralytics YOLO11 puede detectar estanterías vacías en tiempo real, hacer un seguimiento de los productos que se están agotando y analizar cómo se desplazan los clientes por la tienda. Esto permite a los comercios mejorar la gestión del inventario y optimizar la distribución de las tiendas para mejorar la experiencia de compra.

Del mismo modo, en las ciudades inteligentes, YOLO11 puede utilizarse para supervisar el tráfico contando vehículos, siguiendo a peatones y detectando infracciones de semáforo en rojo en tiempo real. Esta información puede ayudar a optimizar la fluidez del tráfico, mejorar la seguridad vial y contribuir a los sistemas automatizados de control.

Fig. 6. Recuento de vehículos con YOLO11.

Otro caso de uso interesante es la inspección industrial, donde Ultralytics YOLO11 puede implementarse en líneas de producción para detectar automáticamente defectos visuales, como componentes ausentes, desalineaciones o daños en la superficie. Esto aumenta la eficiencia, reduce los costes y contribuye a mejorar la calidad del producto.

Factores clave que debes tener en cuenta al utilizar el kit de herramientas OpenVINO#

Al desplegar modelos Ultralytics YOLO11 con OpenVINO, ten en cuenta estos aspectos importantes para obtener los mejores resultados:

• Comprueba la compatibilidad del hardware: Asegúrate de que OpenVINO sea compatible con tu hardware Intel, ya sea una CPU, una GPU integrada o una NPU, para que el modelo pueda ejecutarse de forma eficiente.
• Instala los controladores adecuados: Si utilizas GPU o NPU Intel, comprueba que todos los controladores necesarios estén instalados correctamente y actualizados.
• Entiende los compromisos entre precisión y rendimiento: OpenVINO es compatible con las precisiones de modelo FP32, FP16 e INT8, que puedes seleccionar durante la exportación con el argumento quantize (por ejemplo, quantize="int8"). Cada opción implica un compromiso entre velocidad y precisión, por lo que es importante elegir la adecuada según tus objetivos de rendimiento y el hardware disponible.

Conclusiones clave#

Exportar Ultralytics YOLO11 al formato OpenVINO facilita la ejecución de modelos de IA visual rápidos y eficientes en hardware Intel. Puedes desplegarlos en CPU, GPU y NPU sin tener que volver a entrenarlos ni cambiar el código. Es una excelente forma de mejorar el rendimiento sin complicar el proceso y manteniendo la escalabilidad.

Como el paquete Python de Ultralytics incluye compatibilidad integrada, exportar y ejecutar inferencias con OpenVINO es muy sencillo. En unos pocos pasos, puedes optimizar tu modelo y ejecutarlo en distintas plataformas Intel. Tanto si trabajas en comercio minorista inteligente como en supervisión del tráfico o inspección industrial, este flujo de trabajo te ayuda a pasar del desarrollo al despliegue con rapidez y confianza.

Únete a la comunidad YOLO y consulta el repositorio de GitHub de Ultralytics para saber más sobre las integraciones compatibles con Ultralytics. Además, echa un vistazo a las opciones de licencia de Ultralytics y empieza hoy mismo con la visión artificial.

Visita el sitio web de OpenVINO para descubrir herramientas que permiten optimizar e implementar IA a gran escala.