Implementa Ultralytics YOLO11 sin complicaciones con la integración de MNN

Hoy en día, las innovaciones en IA han ido más allá de los entornos de servidores remotos. Las soluciones de IA se están integrando en dispositivos periféricos, como sensores y smartphones. Gracias a este cambio tecnológico, ahora los datos se pueden procesar 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 en el borde está ganando terreno en muchos sectores. Se prevé que el mercado de software de IA en el borde alcance los 8.880 millones de dólares en 2031, a medida que más sistemas opten por un procesamiento más rápido y local.

En particular, la visión artificial, una rama de la IA centrada en interpretar imágenes y vídeos, se está adoptando rápidamente en el borde. Desde contar productos alimentarios durante su envasado 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, la estimación de poses y el seguimiento de objetos. 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 con Ultralytics YOLO11.

Además de ser adecuado para la implementación en el borde, gracias a las distintas integraciones que ofrece Ultralytics, YOLO11 se puede exportar a varios formatos compatibles con diferentes entornos de hardware.

Una de las opciones más eficientes es MNN (Mobile Neural Network), un motor de inferencia ligero diseñado para dispositivos con recursos limitados. Exportar Ultralytics YOLO11 a MNN permite ejecutarlo directamente en teléfonos móviles, sistemas integrados y otras plataformas periféricas en las que es esencial procesar los datos rápidamente en el dispositivo.

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

Introducción a MNN: un marco de aprendizaje profundo#

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

Mobile Neural Network, o MNN, es un motor de inferencia ligero y de alto rendimiento desarrollado por Alibaba para que los modelos de IA se ejecuten eficientemente en hardware con recursos limitados y mantengan 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. Vista general del marco de trabajo 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 se pueden convertir de su formato nativo PyTorch a MNN.

Una vez convertidos, se pueden implementar en dispositivos compatibles con el marco de trabajo MNN para realizar inferencias eficientemente en el propio dispositivo. Una ventaja clave del formato MNN es que simplifica la implementación de Ultralytics YOLO11 en situaciones donde el tamaño, la velocidad y la eficiencia en el uso de recursos son fundamentales.

Características clave del motor de inferencia MNN#

Antes de ver cómo utilizar la integración con MNN, echemos un vistazo a las características que hacen del marco de trabajo MNN una excelente opción para ejecutar modelos de IA en dispositivos reales. Está diseñado para gestionar las limitaciones propias de los entornos periféricos y ofrecer 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 casos, como vídeo en directo, contenido de formato corto, búsquedas de imágenes y comprobaciones de seguridad en el propio dispositivo. Es compatible con implementaciones a gran escala y realiza millones de inferencias al día en entornos de producción.

Estas son algunas de las características clave del marco de trabajo MNN:

• Selección automática del backend: MNN puede elegir automáticamente el backend de ejecución más adecuado, como CPU o GPU, en función del hardware en el que se ejecuta.
• Ejecución multihilo: Admite el uso de varios hilos, lo que permite aprovechar al máximo los procesadores multinúcleo para acelerar la inferencia.
• Admite la cuantización de modelos: permite reducir considerablemente el tamaño del modelo mediante la 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 tiene unos 400 KB en Android y unos 5 MB en iOS, por lo que resulta muy adecuada para dispositivos móviles y embebidos.

Cómo funciona la integración con 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 en el símbolo del sistema. Si usas Jupyter Notebook o Google Colab, añade un signo de exclamación antes del comando.

Si tienes algún problema durante la instalación, consulta la guía de problemas habituales para obtener consejos sobre cómo resolverlo.

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 siguiente fragmento de código. Si has entrenado tu propio modelo YOLO11 personalizado, puedes exportarlo fácilmente 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 el modelo a MNN, puedes utilizarlo en distintas plataformas móviles e integradas según las necesidades de tu aplicación.

Por ejemplo, supongamos 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 directamente en el dispositivo objetos como vehículos, peatones y señales de tráfico, 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 termine la inferencia, el vídeo de salida con los objetos detectados se guardará automáticamente en la carpeta «runs/detect/predict». Además, si quieres ejecutar inferencias directamente con el paquete MNN de Python, consulta la documentación oficial de MNN de Ultralytics para obtener más detalles y ejemplos.

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

Casos de uso de la implementación de modelos de IA en el borde gracias a Ultralytics YOLO11 y MNN#

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

IA móvil en el borde para identificar enfermedades de las plantas#

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

Tras entrenarlo con un conjunto de datos como PlantDoc, un modelo Ultralytics YOLO11 puede exportarse al formato MNN y ejecutarse directamente en dispositivos móviles. Después, el modelo puede clasificar especies de plantas y detectar síntomas visibles de enfermedades localmente, sin enviar datos a ningún servidor.

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

Inferencias eficientes en el dispositivo durante 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 que se pasan por alto o no se contabilizan y facilita operaciones más fluidas y fiables.

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

La integración con MNN puede tener un impacto especialmente importante 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 resultados al instante 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 permite conservar un alto nivel de precisión y control.

Ventajas de exportar Ultralytics YOLO11 al formato de modelo MNN#

Estas son algunas de las principales ventajas de la integración con MNN que ofrece Ultralytics:

• Respuestas más rápidas: 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.
• De código abierto y con mantenimiento activo: Respaldado por Alibaba y con el apoyo de una comunidad activa, MNN es fiable y se actualiza periódicamente con mejoras de rendimiento.

Aspectos que debes tener en cuenta al utilizar el marco de trabajo MNN#

Antes de elegir MNN como marco de trabajo para la implementación, también es importante evaluar si se ajusta a los requisitos del proyecto, los destinos de implementación y las limitaciones técnicas. Estos son algunos aspectos clave que debes tener en cuenta:

• Compatibilidad continua: Las actualizaciones del marco de trabajo 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 marcos de trabajo más grandes, MNN dispone de menos herramientas 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 del 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 requieren una detección rápida y fiable sin depender del acceso a la nube ni de una conexión permanente.

Esta configuración simplifica la implementación, mantiene el rendimiento y reduce las necesidades de recursos. Tanto si desarrollas sistemas domésticos inteligentes, 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.