Implementa Ultralytics YOLO11 con OpenVINO™ sin complicaciones

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

Sin embargo, la realidad es que no todo el mundo tiene acceso a GPU de alta gama, especialmente en entornos periféricos o en portátiles de uso cotidiano. Por eso es tan importante optimizar los modelos para que funcionen de forma eficiente en hardware más disponible, como las unidades centrales de procesamiento (CPU), las GPU integradas y las unidades de procesamiento neuronal (NPU).

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

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

Para hacer que la visión por ordenador 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, resulta más sencillo exportar e implementar modelos YOLO11, con una inferencia hasta 3× más rápida en CPU y un rendimiento acelerado en GPU y NPU de Intel. En este artículo, veremos cómo usar el paquete de Python de Ultralytics para exportar modelos YOLO11 al formato OpenVINO y utilizarlo para realizar inferencias. ¡Empecemos!

Descripción general de Ultralytics YOLO11#

Antes de profundizar en los detalles de la integración de OpenVINO compatible con Ultralytics, veamos más de cerca qué convierte a YOLO11 en un modelo de visión por ordenador fiable y eficaz. YOLO11 es el modelo más reciente de la serie YOLO de Ultralytics y ofrece mejoras significativas tanto en velocidad como en precisión.

Uno de sus aspectos más destacados es la eficiencia. Por ejemplo, Ultralytics YOLO11m tiene un 22 % menos de parámetros que Ultralytics YOLOv8m, pero logra una precisión media media (mAP) superior en el conjunto de datos COCO. Esto significa que funciona más rápido y también detecta objetos con mayor precisión, lo que lo hace ideal para aplicaciones en tiempo real donde el rendimiento y la capacidad de respuesta son fundamentales.

Fig. 2. Benchmarks de rendimiento de Ultralytics YOLO11.

Además de la detección de objetos, YOLO11 admite varias tareas de visión por ordenador avanzadas, como la segmentación de instancias, la estimación de poses, la clasificación de imágenes, el seguimiento de objetos y la detección de cajas delimitadoras orientadas. YOLO11 también está pensado para desarrolladores, ya que el paquete de Python de Ultralytics proporciona una interfaz sencilla y coherente para entrenar, evaluar e implementar modelos.

Además, el paquete de Python de Ultralytics admite varias integraciones y múltiples formatos de exportación, incluidos 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 integrados, el proceso de exportación es sencillo y adaptable a las necesidades 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 e implementar inferencias de IA en una amplia variedad de hardware. Permite a los desarrolladores ejecutar aplicaciones de inferencia de alto rendimiento de forma eficiente en diversas plataformas de Intel, incluidas CPU, GPU integradas y discretas, NPU y matrices de puertas programables en campo (FPGA).

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

Estas son algunas de las características clave que convierten OpenVINO en una excelente opción para la implementación:

• Convertidor de modelos: Esta herramienta convierte y prepara modelos procedentes de frameworks populares, como PyTorch, ONNX, TensorFlow, PaddlePaddle y otros, para que puedan optimizarse y realizar inferencias eficientes en hardware de Intel.
• Ejecución heterogénea: No necesitas reescribir el código para distintos dispositivos de hardware de 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 (predeterminado) e INT8, que ayudan a reducir el tamaño del modelo y aceleran la inferencia sin afectar significativamente a la precisión.

Fig. 3. OpenVINO permite diversas opciones de implementación.

Exploración de la integración de Ultralytics x OpenVINO#

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

Paso 1: instala el paquete Ultralytics para Python#

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

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

Además, si encuentras algún problema durante la instalación o al exportar, la documentación de Ultralytics y las guías de solución de problemas son recursos excelentes para ayudarte a retomar el proceso.

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

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

En el ejemplo siguiente, utilizamos un modelo YOLO11 preentrenado («yolo11n.pt»). La función de exportación se utiliza para convertirlo al formato OpenVINO. Después de ejecutar este código, el modelo convertido se guardará en un nuevo directorio 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 exportado tu modelo YOLO11 al formato OpenVINO, puedes ejecutar inferencias de dos formas: utilizando el paquete de Python de Ultralytics o OpenVINO Runtime nativo.

Uso del paquete de Python de Ultralytics#

El modelo YOLO11 exportado se puede implementar fácilmente mediante el paquete de Python de Ultralytics, como se muestra en el fragmento de código siguiente. Este método es ideal para experimentar rápidamente y simplificar la implementación en hardware de Intel.

También puedes especificar qué dispositivo utilizar para la inferencia, como «intel:cpu», «intel:gpu» o «intel:npu», según el hardware de Intel disponible en tu sistema.

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

Después de ejecutar el código anterior, la imagen de salida se guardará en el directorio «runs/detect/predict».

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

Uso de OpenVINO Runtime nativo#

Si buscas una forma personalizable de ejecutar inferencias, especialmente en entornos de producción, OpenVINO Runtime te ofrece un mayor control sobre la ejecución del modelo. Admite funciones avanzadas como la ejecución asíncrona (ejecución en paralelo de varias solicitudes de inferencia) y el equilibrio de carga (distribución eficiente de las cargas de inferencia entre distintos dispositivos de hardware de Intel).

Para utilizar el runtime 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, según 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 y una guía paso a paso, visita la documentación oficial de Ultralytics sobre OpenVINO.

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

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

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

• Mejoras de rendimiento: Puedes disfrutar de una inferencia hasta 3× más rápida en CPU de Intel, con aceleración adicional disponible en GPU integradas y NPU.
• No es necesario volver a entrenar: Puedes exportar directamente tus modelos Ultralytics YOLO11 existentes al formato OpenVINO sin modificarlos ni volver a entrenarlos.
• Diseñado para escalar: El mismo modelo exportado puede implementarse tanto en dispositivos periféricos de bajo consumo como en infraestructuras en la nube a gran escala, lo que simplifica la implementación de IA escalable.

También puedes consultar los benchmarks de rendimiento del modelo Ultralytics YOLO11 en una amplia variedad de plataformas Intel® en OpenVINO™ Model Hub. El OpenVINO Model Hub es un recurso que permite a los desarrolladores evaluar modelos de IA en hardware de Intel y descubrir la ventaja de rendimiento de OpenVINO en CPU de Intel, GPU integradas, NPU y gráficos discretos.

Fig. 5. OpenVINO™ Model Hub: benchmarks de rendimiento del modelo Ultralytics YOLO11 en una amplia variedad de plataformas Intel®.

Aplicaciones de Ultralytics YOLO11 y el formato de exportación OpenVINO#

Con la ayuda de la integración de OpenVINO, implementar modelos Ultralytics YOLO11 en hardware de Intel para situaciones reales resulta mucho más sencillo.

Un ejemplo excelente es el comercio minorista inteligente, donde Ultralytics YOLO11 puede ayudar a detectar estanterías vacías en tiempo real, hacer un seguimiento de los productos que están a punto de agotarse y analizar cómo se desplazan los clientes por la tienda. Esto permite a los minoristas mejorar la gestión del inventario y optimizar la distribución de la tienda para aumentar la interacción de los compradores.

Del mismo modo, en las ciudades inteligentes, YOLO11 se puede utilizar para supervisar el tráfico contando vehículos, haciendo un seguimiento de peatones y detectando infracciones de semáforo en rojo en tiempo real. Estos datos pueden contribuir a optimizar el flujo del tráfico, mejorar la seguridad vial y ayudar en sistemas automatizados de control.

Fig. 6. Recuento de vehículos mediante 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 superficiales. Esto aumenta la eficiencia, reduce los costes y contribuye a mejorar la calidad de los productos.

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

Al implementar modelos Ultralytics YOLO11 con OpenVINO, estos son algunos aspectos importantes que debes tener en cuenta para obtener los mejores resultados:

• Comprueba la compatibilidad del hardware: Asegúrate de que tu hardware de Intel, ya sea una CPU, una GPU integrada o una NPU, sea compatible con OpenVINO para que el modelo pueda ejecutarse de forma eficiente.
• Instala los controladores adecuados: Si utilizas GPU o NPU de Intel, comprueba que todos los controladores necesarios estén correctamente instalados y actualizados.
• Comprende las ventajas y desventajas de la precisión: OpenVINO admite precisiones de modelo FP32, FP16 e INT8. Cada una implica un equilibrio entre velocidad y precisión, por lo que es importante elegir la opción 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 para visión rápidos y eficientes en hardware de Intel. Puedes implementarlos en CPU, GPU y NPU sin necesidad de volver a entrenar ni cambiar el código. Es una excelente forma de mejorar el rendimiento manteniendo la sencillez y la escalabilidad.

La compatibilidad integrada en el paquete de Python de Ultralytics hace que exportar y ejecutar inferencias con OpenVINO sea sencillo. En unos pocos pasos, puedes optimizar tu modelo y ejecutarlo en diversas plataformas de 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 a la implementación con rapidez y confianza.

Únete a la comunidad de YOLO y consulta el repositorio de GitHub de Ultralytics para obtener más información sobre las integraciones eficaces compatibles con Ultralytics. Además, echa un vistazo a las opciones de licencia de Ultralytics para empezar hoy mismo con la visión por ordenador.

Inscríbete en nuestro próximo seminario web para ver la integración de Ultralytics × OpenVINO en acción y visita el sitio web de OpenVINO para explorar herramientas destinadas a optimizar e implementar IA a escala.