Uso de la integración de ONNX para exportar modelos Ultralytics YOLO

Cuando las soluciones de IA empezaron a ganar popularidad, la mayoría de los modelos se implementaban en servidores potentes en entornos controlados. Sin embargo, a medida que la tecnología ha avanzado, la implementación se ha extendido mucho más allá del centro de datos.

Hoy en día, los modelos de IA se ejecutan desde servidores en la nube y equipos de sobremesa hasta smartphones y dispositivos periféricos. Este cambio permite un procesamiento más rápido, funcionalidad sin conexión y sistemas más inteligentes que operan más cerca del lugar donde se generan los datos.

Un ámbito en el que esto resulta especialmente evidente es la visión por ordenador, una rama de la IA que permite a las máquinas interpretar datos visuales. Se utiliza para impulsar aplicaciones como el reconocimiento facial, la conducción autónoma y el análisis de vídeo en tiempo real. A medida que crecen estos casos de uso, también aumenta la necesidad de modelos que funcionen correctamente en distintos tipos de hardware y plataformas.

Pero implementar modelos de visión por ordenador en distintos destinos de implementación no siempre es sencillo. Los dispositivos varían en cuanto a hardware, sistemas operativos y frameworks compatibles, por lo que la flexibilidad y la compatibilidad son esenciales.

Por eso, disponer de la opción de exportar modelos de visión por ordenador como Ultralytics YOLO11 a distintos formatos es fundamental. Por ejemplo, la integración de ONNX (Intercambio Abierto de Redes Neuronales) compatible con Ultralytics ofrece una forma práctica de salvar la distancia entre el entrenamiento y la implementación. ONNX es un formato abierto que hace que los modelos sean independientes del framework y estén listos para implementarse en distintas plataformas.

Fig. 1. ONNX te ayuda a coger un modelo entrenado en un framework y ejecutarlo fácilmente en otro.

En este artículo, analizaremos más detenidamente la integración de ONNX compatible con Ultralytics y veremos cómo puedes exportar tu modelo YOLO11 para implementarlo de forma flexible en distintas plataformas.

¿Qué son ONNX y ONNX Runtime?#

Intercambio Abierto de Redes Neuronales es un proyecto de código abierto que define un formato estándar para modelos de aprendizaje automático. Desarrollado originalmente por Microsoft y Facebook, permite a los desarrolladores entrenar un modelo en un framework, como PyTorch, y ejecutarlo en otro, como TensorFlow. Esto hace que el desarrollo de IA sea más flexible, colaborativo y accesible, especialmente en ámbitos como la visión por ordenador.

ONNX proporciona un conjunto común de operadores y un formato de archivo unificado, lo que facilita mover modelos entre distintas herramientas, frameworks, runtimes y compiladores. Normalmente, un modelo entrenado en un framework no es fácilmente compatible con otro, pero con ONNX puedes exportar tu modelo una vez e implementarlo prácticamente en cualquier lugar: en CPU (unidades centrales de procesamiento), GPU (unidades de procesamiento gráfico), dispositivos móviles o hardware periférico.

Además, ONNX Runtime es un motor de inferencia de alto rendimiento desarrollado específicamente para ejecutar modelos en formato ONNX. Está diseñado para que los modelos ONNX se ejecuten de forma más rápida y eficiente en una amplia variedad de plataformas, incluidos servidores, dispositivos móviles y hardware periférico. ONNX Runtime es compatible con frameworks populares como PyTorch, TensorFlow, TensorFlow Lite y scikit-learn, lo que facilita su integración en distintos flujos de trabajo y la implementación de modelos allí donde se necesiten.

Fig. 2. ONNX y ONNX Runtime permiten implementar modelos de forma flexible en distintas plataformas.

Características principales de ONNX#

Antes de explicar cómo exportar Ultralytics YOLO11 al formato ONNX, veamos algunas características clave del formato de modelo ONNX.

Tanto si cambias de herramienta como si implementas modelos en distintos dispositivos o actualizas sistemas, ONNX ayuda a que todo funcione sin problemas. Esto es lo que hace único al formato de modelo ONNX:

• Un único formato estándar: ONNX utiliza una forma común de describir cómo se construyen los modelos, como las capas y las operaciones (puedes pensar en ellas como bloques de construcción). Cuando un modelo se convierte a ONNX, sigue este estándar para que cualquier sistema compatible con ONNX pueda entenderlo y ejecutarlo.

• Compatibilidad con versiones anteriores: Aunque ONNX sigue mejorando, garantiza que los modelos antiguos continúen funcionando con las versiones más recientes. Esto significa que no tienes que volver a entrenar ni reconstruir tus modelos cada vez que ONNX recibe una actualización.

• Diseño de modelos basado en grafos: Los modelos ONNX están estructurados como grafos de cálculo, donde cada nodo representa una operación (como una capa o una función matemática) y las aristas indican el flujo de datos. Este diseño basado en grafos facilita la integración con diversos sistemas que utilizan estructuras de grafos de cálculo similares.

• Herramientas fáciles de usar para desarrolladores: Incluye una amplia variedad de herramientas que te ayudan a convertir, validar y optimizar tus modelos. Estas herramientas simplifican el proceso de trasladar modelos entre distintos frameworks y pueden acelerar la implementación, especialmente en aplicaciones de visión por ordenador.

Descripción general de la integración de ONNX#

Exportar modelos YOLO de Ultralytics, como Ultralytics YOLO11, al formato ONNX es sencillo y puede hacerse en unos pocos pasos.

Para empezar, instala el paquete de Python de Ultralytics mediante un gestor de paquetes como ‘pip’. Para ello, ejecuta el comando “pip install ultralytics” en el símbolo del sistema o el terminal.

Con el paquete de Ultralytics puedes entrenar, probar, ajustar, exportar e implementar modelos fácilmente para diversas tareas de visión por ordenador, lo que hace que todo el proceso sea más rápido y eficiente. Si encuentras alguna dificultad durante la instalación, consulta la guía de problemas habituales, donde encontrarás soluciones y consejos.

Una vez instalado el paquete de Ultralytics, puedes cargar y exportar el modelo YOLO11 al formato ONNX utilizando el código siguiente. Este ejemplo carga un modelo YOLO11 preentrenado (yolo11n.pt) y lo exporta como un archivo ONNX (yolo11n.onnx), dejándolo listo para implementarlo en distintas plataformas y dispositivos.

Después de convertir tu modelo al formato ONNX, puedes implementarlo en diversas plataformas.

El ejemplo siguiente muestra cómo cargar el modelo YOLO11 exportado (yolo11n.onnx) y ejecutar una inferencia con él. Inferir simplemente significa utilizar el modelo entrenado para realizar predicciones sobre datos nuevos. En este caso, usaremos la URL de una imagen de un autobús para probar el modelo.

Al ejecutar este código, la imagen de salida siguiente se guardará en la carpeta runs/detect/predict.

Fig. 3. Ejecución de una inferencia con el modelo Ultralytics YOLO11 exportado sobre una imagen.

¿Cuándo debes elegir la integración de ONNX?#

El paquete de Python de Ultralytics permite exportar modelos a varios formatos, incluidos TorchScript, CoreML, TensorRT y ONNX. Entonces, ¿por qué elegir ONNX?

Lo que distingue a ONNX es que se trata de un formato independiente del framework. Mientras que muchos otros formatos de exportación están vinculados a herramientas o entornos específicos, ONNX utiliza un formato estandarizado y un conjunto compartido de operadores. Esto lo hace muy portable, compatible con el hardware e ideal para implementaciones multiplataforma, tanto si trabajas con servidores en la nube como con aplicaciones móviles o dispositivos periféricos.

Estas son algunas razones por las que la integración de ONNX podría ser la opción ideal para tus proyectos de Ultralytics YOLO11:

• Implementación portátil: Una vez exportado a ONNX, tu modelo Ultralytics YOLO11 puede implementarse en diversas plataformas sin cambiar el código ni volver a entrenarlo.

• Compatibilidad generalizada en el sector: ONNX es compatible con las principales empresas y frameworks de IA, lo que lo convierte en un formato fiable y ampliamente aceptado. Garantiza la compatibilidad a largo plazo, de forma similar a cómo funcionan los PDF en distintos dispositivos.

• Desarrollo preparado para el futuro: El uso de ONNX ayuda a proteger tus inversiones en modelos. A medida que evolucionan las herramientas, ONNX mantiene tus modelos vigentes y utilizables, incluso en entornos nuevos o diferentes.

• Sin dependencia de un proveedor: Algunas herramientas te obligan a utilizar únicamente su sistema, lo que puede limitar las capacidades de tu modelo. ONNX evita esta limitación al permitirte elegir la plataforma que mejor se adapte a tus necesidades, sin quedar atado a una única configuración.

Aplicaciones de Ultralytics YOLO11 y del formato de modelo ONNX#

A continuación, veremos algunas aplicaciones reales en las que Ultralytics YOLO11 puede implementarse con ayuda de la integración de ONNX.

Seguimiento del inventario en almacenes mediante Ultralytics YOLO11#

En los almacenes con mucha actividad, resulta difícil controlar todos los productos y paquetes en todo momento. Los sistemas de visión por ordenador pueden ayudar a los trabajadores a encontrar productos en las estanterías y obtener información, como el número y el tipo de productos. Estos sistemas pueden ayudar a las empresas a gestionar automáticamente sus grandes inventarios y ahorrar mucho tiempo a los trabajadores del almacén.

Concretamente, en los almacenes inteligentes, los modelos Ultralytics YOLO11 exportados a ONNX pueden utilizarse para identificar y contar artículos en tiempo real mediante cámaras y dispositivos periféricos. El modelo exportado puede ayudar a escanear estanterías o palés para detectar los niveles de existencias, artículos que faltan o espacios vacíos. Como la exportación a ONNX hace que el modelo sea ligero y eficiente, puede ejecutarse directamente en pequeños dispositivos periféricos, como cámaras inteligentes, eliminando la necesidad de utilizar servidores caros o acceder continuamente a la nube.

Fig. 4. Ejemplo del uso de YOLO11 para detectar y contar paquetes.

Gestión de residuos hospitalarios con Ultralytics YOLO11#

Los hospitales de todo el mundo generan grandes cantidades de residuos cada día, desde guantes y jeringas usadas hasta equipos utilizados durante las operaciones (como herramientas quirúrgicas desechables o contaminadas, por ejemplo tijeras y bisturíes). De hecho, las investigaciones muestran que los hospitales producen alrededor de 5 millones de toneladas de residuos al año, lo que equivale a 29 libras de residuos por cama al día.

Clasificar correctamente estos residuos es esencial para la higiene, la seguridad y el cumplimiento de la normativa. Con modelos Ultralytics YOLO11 exportados al formato ONNX, los hospitales pueden automatizar y supervisar la eliminación de residuos en tiempo real.

Por ejemplo, las cámaras instaladas cerca de los contenedores de residuos en zonas como quirófanos o pasillos pueden supervisar los artículos cuando se desechan. Un modelo personalizado de Ultralytics YOLO11, entrenado para reconocer distintos tipos de residuos médicos, puede analizar las imágenes e identificar qué se está tirando. Si un artículo acaba en el contenedor equivocado, como una jeringa usada en la basura convencional, el sistema puede configurarse para avisar inmediatamente al personal mediante una señal luminosa o sonora, ayudando a evitar la contaminación y garantizar el cumplimiento de la normativa.

Fig. 5. Uso de Ultralytics YOLO11 para detectar instrumentos médicos.

Supervisión de cultivos con Ultralytics YOLO11#

Saber cuál es el momento adecuado para cosechar los cultivos puede influir considerablemente tanto en la calidad de los productos como en la productividad general de una explotación agrícola. Tradicionalmente, los agricultores se basan en la experiencia y las inspecciones manuales, pero los avances tecnológicos recientes están empezando a cambiar esta situación.

Ahora, con innovaciones de visión por ordenador como YOLO11, exportado al formato ONNX, los agricultores pueden introducir automatización y precisión en el campo. Mediante drones o cámaras instaladas en tractores o postes, pueden capturar imágenes de sus cultivos, como tomates, manzanas o trigo. Después, YOLO11 puede utilizarse para detectar indicadores clave como el color, el tamaño y la distribución de los cultivos. A partir de esta información, los agricultores pueden determinar si los cultivos están listos para cosechar, siguen madurando o ya han pasado su mejor momento.

Fig. 6. YOLO11 puede utilizarse para detectar cultivos en imágenes aéreas capturadas por un dron.

Limitaciones de ONNX que debes tener en cuenta#

Aunque ONNX ofrece numerosas ventajas, como portabilidad, compatibilidad multiplataforma e interoperabilidad entre frameworks, hay algunas limitaciones que debes tener en cuenta:

• Tamaño del modelo: Convertir modelos al formato ONNX puede dar lugar a archivos más grandes que los de sus formatos originales. Técnicas como la cuantización y la poda pueden ayudar a mitigar este problema reduciendo el tamaño del modelo sin afectar significativamente al rendimiento.

• Compatibilidad del runtime: Aunque ONNX Runtime está diseñado para ser compatible con distintas plataformas, el rendimiento y la compatibilidad pueden variar según el hardware y el sistema operativo.

• Dificultades de depuración: Depurar modelos ONNX puede ser más complejo que hacerlo en frameworks nativos como PyTorch o TensorFlow. Los mensajes de error pueden ser menos descriptivos, lo que dificulta localizar los problemas. Sin embargo, herramientas como Netron para visualizar modelos y las capacidades de registro de ONNX Runtime pueden ayudar a solucionar problemas.

Conclusiones clave#

Exportar Ultralytics YOLO11 a ONNX facilita coger un modelo de visión por ordenador entrenado e implementarlo prácticamente en cualquier lugar, ya sea en un portátil, un dispositivo móvil o incluso una cámara inteligente compacta. Con la integración de ONNX, no estás limitado a un único framework o plataforma, lo que te da la flexibilidad de ejecutar tu modelo en el entorno que mejor se adapte a tu aplicación.

Esto hace que la transición del entrenamiento a la implementación en el mundo real sea más rápida y eficiente. Tanto si haces un seguimiento del inventario en un almacén como si garantizas que los residuos hospitalarios se eliminan correctamente, esta configuración ayuda a que los sistemas funcionen mejor, reduce los errores y ahorra un tiempo valioso.

¿Quieres obtener más información sobre visión por ordenador e IA? Explora nuestro repositorio de GitHub, conéctate con nuestra comunidad y consulta nuestras opciones de licencia para poner en marcha tu proyecto de visión por ordenador. Si estás explorando innovaciones como la IA en la fabricación y la visión por ordenador en la industria automovilística, visita nuestras páginas de soluciones para descubrir más.