Implementa Ultralytics YOLO11 con la integración de MNN sin complicaciones

Hoy en día, las innovaciones en IA han dejado atrás los entornos de servidores remotos. Las soluciones de IA se están integrando en dispositivos periféricos, como sensores y smartphones. Gracias a este cambio tecnológico, los datos ahora pueden procesarse directamente donde se generan, lo que permite responder más rápido, mejorar la privacidad y depender menos de una conexión constante a la nube.

Como resultado, la IA periférica está ganando terreno en muchos sectores. Se espera que el mercado del software de IA periférica alcance los 8,88 mil millones de dólares en 2031, a medida que más sistemas avanzan hacia un procesamiento más rápido y local.

En particular, la visión artificial, una rama de la IA centrada en comprender imágenes y vídeos, se está adoptando rápidamente en el perímetro. Desde contar alimentos mientras se envasan hasta ayudar a los vehículos a detectar peatones, la visión artificial permite innumerables aplicaciones prácticas en distintos sectores.

Esto es posible gracias a los modelos de visión artificial. Por ejemplo, Ultralytics YOLO11 es un modelo compatible con diversas tareas de IA visual, como la detección de objetos, la segmentación de instancias, el seguimiento de objetos y la estimación de poses. Está diseñado para ser rápido y eficiente, y ofrece un buen rendimiento en dispositivos con recursos de hardware limitados.

Fig. 1. Detección y seguimiento de alimentos durante su envasado mediante Ultralytics YOLO11 (fuente).

Además de ser adecuado para la implementación en el perímetro, gracias a las diversas integraciones compatibles con Ultralytics, YOLO11 puede exportarse a distintos formatos adecuados para diferentes entornos de hardware.

Una de las opciones más eficientes es MNN (Mobile Neural Network), un motor de inferencia ligero diseñado para dispositivos con pocos recursos. Exportar Ultralytics YOLO11 a MNN permite ejecutarlo directamente en smartphones, sistemas integrados y otras plataformas periféricas donde el procesamiento rápido en el dispositivo es esencial.

En este artículo, veremos cómo funciona la integración de MNN, destacaremos casos de uso habituales y explicaremos paso a paso cómo empezar a ejecutar inferencias con un modelo Ultralytics YOLO11 exportado. ¡Empecemos!

Descripción general de MNN: un framework de deep learning#

Ejecutar modelos de visión artificial en dispositivos pequeños, como smartphones, sensores industriales y sistemas portátiles, no siempre es sencillo. Estos dispositivos suelen tener memoria limitada, procesadores más lentos y estrictas limitaciones de consumo energético.

Mobile Neural Network, o MNN, es un motor de inferencia ligero y de alto rendimiento desarrollado por Alibaba para ejecutar modelos de IA de forma eficiente en hardware con pocos recursos, manteniendo el rendimiento en tiempo real. MNN es compatible con una amplia variedad de plataformas, como Android, iOS y Linux, y funciona con distintos tipos de hardware, como unidades centrales de procesamiento (CPUs) y unidades de procesamiento gráfico (GPUs).

Fig. 2. Una vista del framework MNN (fuente).

La integración de MNN compatible con Ultralytics permite exportar fácilmente modelos YOLO11 al formato MNN. En pocas palabras, esto significa que los modelos pueden convertirse del formato YOLO a MNN.

Una vez convertidos, pueden implementarse en dispositivos compatibles con el framework MNN para realizar inferencias eficientes en el propio dispositivo. Una ventaja clave del formato MNN es que simplifica la implementación de Ultralytics YOLO11 en escenarios donde el tamaño, la velocidad y la eficiencia de los recursos son fundamentales.

Características principales del backend de inferencia de MNN#

Antes de explicar cómo usar la integración de MNN, veamos qué hace que el framework MNN sea una excelente opción para ejecutar modelos de IA en dispositivos reales. Está diseñado para gestionar las limitaciones específicas de los entornos periféricos y ofrecer al mismo tiempo un rendimiento rápido y fiable.

Curiosamente, Alibaba utiliza MNN internamente en más de 30 aplicaciones, como Taobao, Tmall, Youku, DingTalk y Xianyu, en una amplia variedad de escenarios, como vídeo en directo, contenido breve, búsqueda de imágenes y comprobaciones de seguridad en el dispositivo. Es compatible con implementaciones a gran escala y ejecuta millones de inferencias al día en entornos de producción.

Estas son algunas de las características principales del framework MNN:

• Selección automática del backend: MNN puede elegir automáticamente el backend de ejecución más adecuado, como CPU o GPU, según el hardware en el que se ejecute.
• Ejecución multihilo: Es compatible con el procesamiento multihilo, lo que le permite aprovechar al máximo los procesadores multinúcleo para acelerar las inferencias.
• Admite la cuantización de modelos: Permite reducir significativamente el tamaño del modelo mediante cuantización FP16 o INT8, lo que ayuda a mejorar la velocidad de inferencia y a utilizar menos memoria.
• Ligero y rápido: MNN ocupa muy poco espacio: la biblioteca principal ocupa alrededor de 400 KB en Android y unos 5 MB en iOS, por lo que es ideal para dispositivos móviles e integrados.

Cómo funciona la integración de MNN#

A continuación, veremos cómo exportar modelos Ultralytics YOLO11 al formato MNN.

El primer paso es instalar el paquete de Python de Ultralytics, que proporciona todo lo necesario para exportar modelos YOLO11 al formato MNN. Puedes hacerlo ejecutando "pip install ultralytics" en el terminal o utilizando el símbolo del sistema. Si usas un Jupyter Notebook o Google Colab, añade un signo de exclamación delante del comando.

Si encuentras algún problema durante la instalación, consulta la guía de problemas habituales para obtener consejos de solución.

Una vez configurado el entorno, puedes cargar un modelo YOLO11 preentrenado, como "yolo11n.pt", y exportarlo al formato MNN, tal como se muestra en el fragmento de código siguiente. Si has entrenado tu propio modelo YOLO11 personalizado, puedes exportarlo simplemente sustituyendo el nombre del archivo por la ruta de tu modelo.

from ultralytics import YOLO

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

Después de convertir tu modelo a MNN, puedes utilizarlo en distintas plataformas móviles e integradas según las necesidades de tu aplicación.

Por ejemplo, supón que quieres probar el modelo exportado con un vídeo de tráfico. En ese caso, puedes cargar el modelo Ultralytics YOLO11 en formato MNN para detectar objetos como vehículos, peatones y señales de tráfico directamente en el dispositivo, tal como se muestra en el ejemplo siguiente.

mnn_model = YOLO("yolo11n.mnn")
results = mnn_model("https://videos.pexels.com/video-files/27783817/12223745_1920_1080_24fps.mp4", save=True)

Cuando finaliza la inferencia, el vídeo de salida con los objetos detectados se guarda automáticamente en la carpeta 'runs/detect/predict'. Además, si quieres ejecutar inferencias utilizando directamente el paquete MNN de Python, consulta la documentación oficial de Ultralytics para obtener más detalles y ejemplos.

Fig. 3. Análisis del tráfico mediante un modelo Ultralytics YOLO11 exportado al formato MNN. Imagen del autor.

Casos de uso de la implementación de modelos de IA periférica habilitada por Ultralytics YOLO11 y MNN#

Implementar Ultralytics YOLO11 con MNN permite realizar tareas de visión artificial rápidas y eficientes, como la detección de objetos, en entornos donde el procesamiento basado en la nube no resulta práctico o posible. Veamos cómo esta integración puede ser especialmente útil en situaciones reales.

IA periférica móvil para identificar enfermedades de las plantas#

Las aplicaciones de identificación de enfermedades de las plantas que utilizan la clasificación de imágenes están ganando popularidad entre jardineros, investigadores y aficionados a la naturaleza. Con solo una foto, los usuarios pueden identificar rápidamente los primeros signos de una enfermedad, como manchas o decoloración en las hojas. Dado que estas aplicaciones suelen utilizarse en exteriores, donde el acceso a Internet puede ser limitado o inexistente, depender del procesamiento en la nube puede resultar poco fiable.

Tras el entrenamiento, un modelo Ultralytics YOLO11 puede exportarse al formato MNN y ejecutarse directamente en dispositivos móviles. A continuación, el modelo puede clasificar especies vegetales y detectar localmente síntomas visibles de enfermedades, sin enviar ningún dato a un servidor.

Fig. 4. Ejemplo del uso de YOLO11 para detectar signos de roya (una enfermedad vegetal) en una hoja (fuente).

Inferencias eficientes en el dispositivo en la fabricación#

El seguimiento preciso de paquetes es esencial en las ajetreadas líneas de producción de las instalaciones de fabricación. Ultralytics YOLO11 puede utilizarse para seguir y contar cada artículo a medida que pasa por puntos de control clave, actualizar los recuentos en tiempo real y señalar cualquier discrepancia. Esto ayuda a reducir los envíos omitidos o no contabilizados y favorece unas operaciones más fluidas y fiables.

Fig. 5. Seguimiento y recuento de paquetes mediante YOLO11 (fuente).

La integración de MNN puede ser especialmente útil en este contexto. Una vez exportado al formato MNN, el modelo Ultralytics YOLO11 puede ejecutarse directamente en dispositivos compactos y de bajo consumo instalados a lo largo de la cinta transportadora.

Como todo el procesamiento se realiza localmente, el sistema puede ofrecer una respuesta instantánea y no necesita conexión a Internet. Esto garantiza un rendimiento rápido y fiable en la fábrica, mantiene la producción en marcha de forma eficiente y conserva un alto nivel de precisión y control.

Ventajas de exportar Ultralytics YOLO11 al formato de modelo MNN#

Estas son algunas ventajas clave de la integración de MNN proporcionada por Ultralytics:

• Tiempos de respuesta más rápidos: Como la inferencia se ejecuta en el dispositivo, las predicciones se realizan en tiempo real con una latencia mínima.
• Mayor privacidad de los datos: Los datos permanecen en el dispositivo, lo que reduce la necesidad de enviar imágenes o vídeos confidenciales a la nube.
• Código abierto y mantenimiento activo: Respaldado por Alibaba y una comunidad activa, MNN es fiable y se actualiza periódicamente con mejoras de rendimiento.

Factores que debes tener en cuenta al usar el framework MNN#

Antes de elegir MNN como framework de implementación, también es importante evaluar hasta qué punto se ajusta a los requisitos de tu proyecto, a los objetivos de implementación y a las limitaciones técnicas. Estos son algunos factores clave que debes considerar:

• Compatibilidad continua: Las actualizaciones del framework o los cambios en las plataformas de destino pueden requerir nuevas pruebas o ajustes para que todo siga funcionando correctamente.
• Menos herramientas de depuración: En comparación con frameworks más grandes, MNN ofrece herramientas más limitadas para depurar e inspeccionar el comportamiento de los modelos, lo que puede dificultar la resolución de problemas.
• El rendimiento depende del hardware: La velocidad y la eficiencia de tu modelo variarán según el dispositivo. Prueba el hardware de destino para asegurarte de que cumple tus objetivos de rendimiento.

Conclusiones clave#

La compatibilidad de Ultralytics con la integración de MNN facilita la exportación de modelos YOLO11 para utilizarlos en dispositivos móviles e integrados. Es una opción práctica para aplicaciones que necesitan una detección rápida y fiable sin depender del acceso a la nube ni de una conectividad constante.

Esta configuración ayuda a agilizar la implementación, mantener el rendimiento y reducir las necesidades de recursos. Tanto si desarrollas sistemas domóticos como herramientas para el trabajo de campo o dispositivos industriales compactos, exportar Ultralytics YOLO11 a MNN ofrece una forma flexible y eficiente de ejecutar tareas de visión artificial directamente en dispositivos periféricos.

¡Únete a nuestra creciente comunidad! Explora nuestro repositorio de GitHub para profundizar en la IA. ¿Listo para empezar tus proyectos de visión artificial? Consulta nuestras opciones de licencia. Descubre más sobre la IA en el sector sanitario y la visión artificial en el comercio minorista en nuestras páginas de soluciones.