25 de junho de 2025
Aprenda como exportar e implantar modelos Ultralytics YOLO11 com a integração MNN para inferência rápida em plataformas móveis, embarcadas e de baixa potência.
Atualmente, as inovações em IA se expandiram para além dos ambientes de servidor remoto. As soluções de IA estão sendo integradas em dispositivos de borda, como sensores e smartphones. Graças a essa mudança tecnológica, os dados agora podem ser tratados diretamente onde são gerados, permitindo respostas mais rápidas, maior privacidade e menor dependência da conectividade constante com a nuvem.
Como resultado, a IA de borda está a ganhar força em muitos setores. Espera-se que o mercado de software de IA de borda atinja 8,88 bilhões de dólares até 2031, à medida que mais sistemas se movem em direção a um processamento mais rápido e local.
Em particular, a visão computacional, um ramo da IA que se concentra na compreensão de imagens e vídeos, está a ser rapidamente adotada na edge. Desde a contagem de alimentos à medida que são embalados até ajudar os veículos a detectar pedestres, a visão computacional suporta inúmeras aplicações práticas em diferentes setores.
Isso é possível por meio de modelos de visão computacional. Por exemplo, o Ultralytics YOLO11 é um modelo que oferece suporte a várias tarefas de IA de visão, como detecção de objetos, segmentação de instâncias, rastreamento de objetos e estimativa de pose. Ele é projetado para ser rápido e eficiente e tem um bom desempenho em dispositivos com recursos de hardware limitados.
Além de ser adequado para implantação edge, através de várias integrações suportadas pela Ultralytics, o YOLO11 pode ser exportado para vários formatos adequados para diferentes ambientes de hardware.
Uma das opções mais eficientes é o MNN (Mobile Neural Network), um mecanismo de inferência leve projetado para dispositivos com poucos recursos. Exportar o YOLO11 para MNN permite que ele seja executado diretamente em telefones celulares, sistemas embarcados e outras plataformas de borda onde o processamento rápido no dispositivo é essencial.
Neste artigo, exploraremos como a integração MNN funciona, destacaremos casos de uso comuns e mostraremos como começar a executar inferências usando um modelo YOLO11 exportado. Vamos começar!
Executar modelos de visão computacional em dispositivos menores, como telefones celulares, sensores industriais e sistemas portáteis, nem sempre é simples. Esses dispositivos geralmente têm memória limitada, processadores mais lentos e limites de energia estritos.
A Rede Neural Móvel, ou MNN, é um mecanismo de inferência leve e de alto desempenho desenvolvido pela Alibaba para fazer com que os modelos de IA sejam executados de forma eficiente em hardware com poucos recursos, mantendo o desempenho em tempo real. O MNN suporta uma ampla gama de plataformas, incluindo Android, iOS e Linux, e funciona em uma variedade de tipos de hardware, como unidades centrais de processamento (CPUs) e unidades de processamento gráfico (GPUs).
A integração do MNN suportada pela Ultralytics torna possível exportar facilmente os modelos YOLO11 para o formato MNN. Simplificando, isso significa que os modelos podem ser convertidos do formato YOLO para MNN.
Uma vez convertidos, eles podem ser implementados em dispositivos que suportam a estrutura MNN para inferência eficiente no dispositivo. Um benefício fundamental do uso do formato MNN é que ele simplifica a implantação do YOLO11 em cenários onde tamanho, velocidade e eficiência de recursos são críticos.
Antes de nos aprofundarmos em como usar a integração MNN, vamos dar uma olhada no que torna a estrutura MNN uma ótima opção para executar modelos de IA em dispositivos do mundo real. Ele é construído para lidar com as restrições exclusivas dos ambientes de borda, ao mesmo tempo em que oferece desempenho rápido e confiável.
Curiosamente, o MNN é usado internamente no Alibaba em mais de 30 aplicações, incluindo Taobao, Tmall, Youku, DingTalk e Xianyu, em uma ampla gama de cenários como vídeo ao vivo, conteúdo de formato curto, pesquisa de imagens e verificações de segurança no dispositivo. Ele suporta implantação em larga escala e executa milhões de inferências por dia em ambientes de produção.
Aqui estão alguns dos principais recursos da estrutura MNN:
Em seguida, vamos percorrer o processo de exportação de modelos YOLO11 para o formato MNN.
O primeiro passo é instalar o pacote Ultralytics Python, que fornece tudo o que é necessário para exportar modelos YOLO11 para o formato MNN. Você pode fazer isso executando "pip install ultralytics" no seu terminal ou usando o prompt de comando. Se você estiver usando um Jupyter Notebook ou Google Colab, adicione um ponto de exclamação antes do comando.
Se você encontrar algum problema durante a instalação, consulte o guia de problemas comuns para obter dicas de solução de problemas.
Depois que o seu ambiente estiver configurado, pode carregar um modelo YOLO11 pré-treinado, como "yolo11n.pt", e exportá-lo para o formato MNN, conforme mostrado no trecho de código abaixo. Se treinou o seu próprio modelo YOLO11 personalizado, pode exportá-lo simplesmente substituindo o nome do ficheiro pelo caminho do seu modelo.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="mnn")Depois de converter seu modelo para MNN, você pode usá-lo em diferentes plataformas móveis e embarcadas, dependendo das necessidades da sua aplicação.
Por exemplo, suponha que você queira testar o modelo exportado em um vídeo de tráfego. Nesse caso, você pode carregar o modelo YOLO11 no formato MNN para detectar objetos como veículos, pedestres e sinais de trânsito diretamente no dispositivo, conforme mostrado no exemplo abaixo.
mnn_model = YOLO("yolo11n.mnn")
results = mnn_model("https://videos.pexels.com/video-files/27783817/12223745_1920_1080_24fps.mp4", save=True)Quando a inferência é concluída, o vídeo de saída com os objetos detectados é salvo automaticamente na pasta 'runs/detect/predict'. Além disso, se você quiser executar a inferência usando o pacote Python MNN diretamente, pode consultar a documentação oficial da Ultralytics para obter mais detalhes e exemplos.
Implementar o YOLO11 com MNN permite tarefas de visão computacional rápidas e eficientes, como detecção de objetos, em ambientes onde o processamento baseado em nuvem não é prático ou possível. Vamos ver como essa integração pode ser especialmente útil em cenários do mundo real.
Aplicativos de identificação de doenças de plantas que usam classificação de imagem estão ganhando popularidade entre jardineiros, pesquisadores e entusiastas da natureza. Com apenas uma foto, os usuários podem identificar rapidamente os primeiros sinais de doença, como manchas nas folhas ou descoloração. Como esses aplicativos são frequentemente usados em áreas externas onde o acesso à internet pode ser limitado ou indisponível, confiar no processamento em nuvem pode ser não confiável.
Após o treinamento, um modelo YOLO11 pode ser exportado para o formato MNN e executado diretamente em dispositivos móveis. O modelo pode então classificar espécies de plantas e detectar sintomas visíveis de doenças localmente, sem enviar quaisquer dados para um servidor.
O rastreamento preciso de pacotes é essencial em linhas de produção movimentadas em instalações de manufatura. O YOLO11 pode ser usado para rastrear e contar cada item à medida que ele se move através de pontos de verificação importantes, atualizando as contagens em tempo real e sinalizando quaisquer discrepâncias. Isso ajuda a reduzir remessas perdidas ou não contabilizadas e oferece suporte a operações mais suaves e confiáveis.
A integração do MNN pode ser especialmente impactante neste contexto. Uma vez que o modelo YOLO11 é exportado para o formato MNN, ele pode ser executado diretamente em dispositivos compactos e de baixa potência instalados ao longo da esteira.
Como todo o processamento acontece localmente, o sistema pode fornecer feedback instantâneo e não requer conexão com a internet. Isso garante um desempenho rápido e confiável no chão de fábrica, mantendo a produção em movimento de forma eficiente, mantendo alta precisão e controle.
Aqui estão alguns dos principais benefícios da integração do MNN fornecida pela Ultralytics:
Antes de escolher o MNN como sua estrutura de implantação, também é importante avaliar o quão bem ele se adapta aos requisitos do seu projeto, aos alvos de implantação e às limitações técnicas. Aqui estão alguns fatores-chave a serem considerados:
O suporte da Ultralytics para a integração do MNN facilita a exportação de modelos YOLO11 para uso em dispositivos móveis e embarcados. É uma opção prática para aplicações que exigem detecção rápida e confiável, sem depender do acesso à nuvem ou conectividade constante.
Esta configuração ajuda a otimizar a implementação, mantendo o desempenho e mantendo baixas as exigências de recursos. Quer esteja a construir sistemas domésticos inteligentes, ferramentas de campo ou dispositivos industriais compactos, exportar o YOLO11 para MNN oferece uma forma flexível e eficiente de executar tarefas de visão computacional diretamente em dispositivos edge.
Junte-se à nossa crescente comunidade! Explore nosso repositório GitHub para mergulhar mais fundo na IA. Pronto para iniciar seus projetos de visão computacional? Confira nossas opções de licenciamento. Descubra mais sobre IA na área da saúde e visão computacional no varejo em nossas páginas de soluções!
.webp)