ONNX (Open Neural Network Exchange)

ONNX (Open Neural Network Exchange) es un formato de código abierto diseñado para representar modelos de aprendizaje automático, lo que permite la interoperabilidad entre varios marcos y herramientas de IA. Sirve como un traductor universal para el aprendizaje profundo, permitiendo a los desarrolladores construir modelos en un marco—como PyTorch, TensorFlow o Scikit-learn—y desplegarlos sin problemas en otro entorno optimizado para la inferencia. Al definir un conjunto común de operadores y un formato de archivo estándar, ONNX elimina la necesidad de scripts de conversión personalizados y complejos que históricamente se requerían para llevar los modelos de la investigación a la producción. Esta flexibilidad es crucial para los flujos de trabajo de IA modernos, donde el entrenamiento puede ocurrir en potentes GPU en la nube mientras que el despliegue apunta a diversos hardware como dispositivos de borde, teléfonos móviles o navegadores web.

El papel de ONNX en la IA moderna#

En el panorama de la inteligencia artificial en rápida evolución, los investigadores e ingenieros a menudo utilizan diferentes herramientas para diferentes etapas del ciclo de vida del desarrollo. Un científico de datos puede preferir la flexibilidad de PyTorch para la experimentación y el entrenamiento, mientras que un ingeniero de producción necesita el rendimiento optimizado de TensorRT o OpenVINO para el despliegue. Sin un formato de intercambio estándar, mover un modelo entre estos ecosistemas es difícil y propenso a errores.

ONNX puentea esta brecha al proporcionar una definición compartida del grafo de cálculo. Cuando un modelo se exporta a ONNX, se serializa en un formato que captura la estructura de la red (capas, conexiones) y los parámetros (pesos, sesgos) de una manera agnóstica al marco. Esto permite que los motores de inferencia específicamente ajustados para la aceleración de hardware—como el ONNX Runtime—ejecuten el modelo de manera eficiente en múltiples plataformas, incluidos Linux, Windows, macOS, Android e iOS.

Beneficios clave de usar ONNX#

La adopción del formato Open Neural Network Exchange ofrece varias ventajas estratégicas para los proyectos de IA:

• Interoperabilidad de marcos: Los desarrolladores pueden cambiar entre marcos sin quedar atrapados en un solo ecosistema. Puedes entrenar un modelo utilizando la intuitiva Ultralytics Python API y exportarlo para su uso en una aplicación C++ o un entorno de JavaScript basado en web.
• Optimización de hardware: Muchos fabricantes de hardware proporcionan proveedores de ejecución especializados que interactúan con ONNX. Esto significa que un solo archivo .onnx se puede acelerar en GPU NVIDIA, CPU Intel o NPU móviles (Unidades de Procesamiento Neural) utilizando herramientas como OpenVINO o CoreML.
• Inferencia más rápida: El ONNX Runtime aplica optimizaciones de grafos—como la fusión de nodos y el plegado de constantes—que pueden reducir significativamente la latencia de inferencia. Esto es esencial para aplicaciones en tiempo real como vehículos autónomos o líneas de fabricación de alta velocidad.
• Despliegue simplificado: En lugar de mantener tuberías de despliegue separadas para cada marco de entrenamiento, los equipos de ingeniería pueden estandarizarse en ONNX como el formato de entrega, agilizando los procesos de ModelOps.

Aplicaciones en el mundo real#

La versatilidad de ONNX lo convierte en un elemento básico en diversas industrias. Aquí tienes dos ejemplos concretos de su aplicación:

IA de borde en dispositivos móviles#

Considera una aplicación móvil diseñada para el monitoreo de la salud de los cultivos en tiempo real. El modelo puede ser entrenado en un potente servidor en la nube utilizando un gran conjunto de datos de imágenes de plantas. Sin embargo, la aplicación necesita ejecutarse sin conexión en el teléfono inteligente de un agricultor. Al exportar el modelo entrenado a ONNX, los desarrolladores pueden integrarlo en la aplicación móvil utilizando ONNX Runtime Mobile. Esto permite que el procesador del teléfono ejecute la detección de objetos localmente, identificando plagas o enfermedades al instante sin necesidad de una conexión a Internet.

Inferencia web multiplataforma#

En el comercio electrónico, una función de "probador virtual" puede utilizar la estimación de poses para superponer ropa en la transmisión de la cámara web de un usuario. El entrenamiento de este modelo puede ocurrir en Python, pero el objetivo de despliegue es un navegador web. Usando ONNX, el modelo se puede convertir y ejecutar directamente en el navegador del usuario a través de ONNX Runtime Web. Esto utiliza las capacidades del dispositivo del cliente (WebGL o WebAssembly) para realizar tareas de visión por computador, asegurando una experiencia fluida y que preserve la privacidad, ya que los datos de video nunca salen de la computadora del usuario.

Comparación con términos relacionados#

Es útil distinguir ONNX de otros formatos y herramientas de modelos:

• vs. TensorRT: Mientras que ONNX es un formato de intercambio, TensorRT es un motor de inferencia y optimizador específico para GPU NVIDIA. Un flujo de trabajo común implica exportar un modelo a ONNX primero, y luego analizar ese archivo ONNX en TensorRT para lograr el máximo rendimiento en hardware NVIDIA.
• vs. TensorFlow SavedModel: SavedModel es el formato de serialización nativo para TensorFlow. Aunque es robusto dentro del ecosistema de Google, es menos universalmente compatible que ONNX. A menudo existen herramientas para convertir SavedModels en ONNX para obtener un soporte de plataforma más amplio.
• vs. CoreML: CoreML es el marco de Apple para el aprendizaje automático en el dispositivo. Aunque son distintos, los modelos se convierten frecuentemente de PyTorch a ONNX, y luego de ONNX a CoreML (o directamente) para ejecutarse de manera eficiente en iPhone y iPad.

Exportar a ONNX con Ultralytics#

El ecosistema Ultralytics simplifica el proceso de conversión de modelos de última generación como YOLO26 al formato ONNX. La funcionalidad de exportación está integrada directamente en la biblioteca, manejando automáticamente el recorrido complejo del grafo y el mapeo de operadores.

El siguiente ejemplo demuestra cómo exportar un modelo prémium de Ultralytics YOLO26 al formato ONNX para su despliegue:

from ultralytics import YOLO

# Load the YOLO26n model (Nano version recommended for edge deployment)
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
# The 'dynamic' argument enables variable input sizes
path = model.export(format="onnx", dynamic=True)

print(f"Model exported successfully to: {path}")

Una vez exportado, este archivo .onnx se puede utilizar en la Ultralytics Platform para su gestión o desplegarse directamente en dispositivos de borde utilizando el ONNX Runtime, haciendo que la visión por computador de alto rendimiento sea accesible en prácticamente cualquier entorno.