Link to this sectionUltralytics YOLO26 en Intel Core Ultra Series 3 utilizando el marco de trabajo de canalización DL Streamer y OpenVINO™#

Q: ¿Cómo elijo entre precisión FP16 e INT8?

FP16 se recomienda como valor predeterminado para la inferencia en GPU; ofrece una precisión cercana a FP32 con aproximadamente el doble de mejora en el rendimiento. INT8 ofrece el mayor rendimiento (2-3 veces más que FP32) con una pequeña compensación en la precisión y es ideal cuando la prioridad es el máximo rendimiento. Los modelos INT8 se calibran automáticamente durante la exportación de Ultralytics.

Q: ¿Cómo puedo exportar detecciones como datos estructurados?

Utiliza la opción de salida json para escribir los resultados de detección como JSON-lines en un archivo: Alternativamente, utiliza el elemento gvametapublish en canalizaciones personalizadas para publicar metadatos en archivos, MQTT o Kafka.

Esta guía completa ofrece un recorrido detallado para implementar Ultralytics YOLO26 en plataformas Intel Core Ultra Series 3 utilizando el marco de trabajo de canalización DL Streamer y el kit de herramientas OpenVINO™. Aquí utilizamos OpenVINO™ para maximizar el rendimiento de la inferencia en CPUs Intel, GPUs integradas y discretas, y NPUs.

Contenido: ¿Qué es Intel DL Streamer? • Requisitos previos • Preparación del modelo YOLO26 • Ejecución de la inferencia con YOLO26 • Configuración multicanal • FAQ

Link to this section¿Qué es Intel DL Streamer?#

El marco de trabajo de canalización Deep Learning Streamer (DL Streamer) es un marco de análisis de medios de transmisión de código abierto basado en el marco multimedia GStreamer, diseñado para crear canalizaciones complejas de análisis de medios para la nube o el borde (Edge).

DL Streamer permite el análisis de flujos de audio y vídeo para detectar, clasificar, rastrear, identificar y contar objetos, eventos y personas. Está optimizado para hardware Intel y proporciona interoperabilidad entre complementos de GStreamer integrados en varias bibliotecas de backend:

Inferencia: motor de inferencia OpenVINO™, optimizado para CPU, GPU y NPU de Intel
Codificación/Decodificación de vídeo: aceleración por GPU mediante VA-API
Procesamiento de imágenes: aceleración por GPU mediante VA-API
Metadatos: GStreamer Analytics para resultados de inferencia estructurados
Ecosistema: cientos de complementos de GStreamer para E/S de medios, muxing/demuxing, soporte de códecs y más

DL Streamer admite muchos modelos de IA, incluida la familia completa Ultralytics YOLO (desde YOLOv5 hasta YOLO26), todos en formato OpenVINO™.

DL Streamer se valida periódicamente con los sistemas proporcionados en la Documentación de System Requirements — Open Edge Platform

Link to this sectionRequisitos previos#

Antes de comenzar, asegúrate de que lo siguiente esté instalado y configurado en tu sistema Intel:

Ubuntu 24.04 con controladores de GPU/NPU Intel instalados (consulta la guía de instalación)
motor docker (consulta la guía de instalación)

Link to this sectionPreparación del modelo YOLO26#

DL Streamer utiliza modelos en formato OpenVINO™ IR. Los modelos Ultralytics YOLO26 se exportan desde PyTorch a OpenVINO™ IR mediante el exportador de Ultralytics. DL Streamer aprovecha la integración oficial de Ultralytics con OpenVINO™, que proporciona capacidades optimizadas de exportación e inferencia para hardware Intel.

Crea la carpeta ~/intel/dlstreamer_demo e instala OpenVINO™ y Ultralytics en un entorno virtual

mkdir -p ~/intel/dlstreamer_demo && cd ~/intel/dlstreamer_demo
python3 -m venv .dls-venv && source .dls-venv/bin/activate
pip install openvino==2026.2.0 ultralytics==8.4.92

Descarga el modelo PyTorch YOLO26s de Ultralytics, conviértelo al formato OpenVINO™ IR y genera la variante de precisión INT8.

yolo export model=yolo26s.pt format=openvino dynamic=True quantize=8 data=coco128.yaml

El modelo debe descargarse en la carpeta ~/intel/dlstreamer_demo/yolo26s_int8_openvino_model.

Link to this sectionPrecisión del modelo#

DL Streamer admite modelos de precisión FP32, FP16 e INT8. Cada uno requiere un paso de exportación por separado:

# FP32 (default precision, highest accuracy)
yolo export model=yolo26s.pt format=openvino dynamic=True

# FP16 (recommended for GPU inference, good accuracy/performance balance)
yolo export model=yolo26s.pt format=openvino dynamic=True quantize=16

# INT8 (maximum performance, requires calibration dataset)
yolo export model=yolo26s.pt format=openvino dynamic=True quantize=8 data=coco128.yaml

Los ejemplos a continuación utilizan el modelo INT8 exportado en el paso de preparación. Para utilizar modelos FP32 o FP16, reemplaza la ruta del modelo en consecuencia (por ejemplo, yolo26s_openvino_model/yolo26s.xml).

Link to this sectionEjecución de la inferencia con YOLO26#

Antes de ejecutar la canalización de inferencia de detección YOLO26 de DL Streamer, ejecuta la imagen de docker de DL Streamer en modo interactivo. Asegúrate de haber seguido el paso de Preparación del modelo YOLO26 y descarga el siguiente archivo de vídeo de la base de datos de Pexels.

curl -L https://videos.pexels.com/video-files/1192116/1192116-sd_640_360_30fps.mp4 --output ~/intel/dlstreamer_demo/video1.mp4

Ejecuta la imagen de docker de DL Streamer en modo interactivo.

Nota

Este comando está destinado a sistemas equipados con procesadores Intel Core Ultra Series 3 con GPU integrada (iGPU) y NPU a bordo.

docker run -it --rm \
  -v ~/intel/dlstreamer_demo:/home/dlstreamer/demo \
  -v "$HOME/.Xauthority:/root/.Xauthority:rw" \
  -e DISPLAY=$DISPLAY \
  -e XDG_RUNTIME_DIR=/tmp \
  -v /tmp/.X11-unix:/tmp/.X11-unix \
  --device /dev/dri \
  --group-add $(stat -c "%g" /dev/dri/render*) \
  --device /dev/accel \
  --group-add $(stat -c "%g" /dev/accel/accel*) \
  -e ZE_ENABLE_ALT_DRIVERS=libze_intel_npu.so \
  intel/dlstreamer:latest

Link to this sectionPrecisión INT8 (máximo rendimiento)#

La cuantización INT8 ofrece el mayor rendimiento al reducir los pesos del modelo a enteros de 8 bits. El exportador de Ultralytics gestiona la calibración automáticamente.

Link to this sectionEjecuta YOLO26s con INT8 en GPU#

gst-launch-1.0 filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU ! queue ! vapostproc ! gvawatermark ! gvafpscounter ! autovideosink sync=false

Link to this sectionEjecuta YOLO26s con INT8 en GPU, guarda la salida en un archivo de vídeo (~/intel/dlstreamer_demo/yolo_video1_yolo26s_INT8_GPU.mp4)#

gst-launch-1.0 filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU ! queue ! vapostproc ! gvawatermark ! gvafpscounter ! vah264enc ! h264parse ! mp4mux ! filesink location=/home/dlstreamer/demo/yolo_video1_yolo26s_INT8_GPU.mp4

Link to this sectionEjecuta YOLO26s con INT8 en NPU#

gst-launch-1.0 filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=NPU ! queue ! vapostproc ! gvawatermark ! gvafpscounter ! autovideosink sync=false

Link to this sectionConfiguración multicanal#

DL Streamer admite el procesamiento multicanal, donde múltiples fuentes de vídeo se decodifican e infieren simultáneamente. Puedes iniciar múltiples canalizaciones en paralelo utilizando el elemento vacompositor de GStreamer para combinar múltiples transmisiones.

Link to this sectionEjecución de múltiples canalizaciones (4 transmisiones) en paralelo (GPU)#

gst-launch-1.0 vacompositor name=comp sink_0::xpos=0 sink_0::ypos=0 sink_1::xpos=660 sink_1::ypos=0 sink_2::xpos=0 sink_2::ypos=380 sink_3::xpos=660 sink_3::ypos=380 ! autovideosink sync=false \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_0 \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_1 \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_2 \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_3

Link to this sectionFAQ#

Link to this section¿Cómo configuro Ultralytics YOLO26 en una plataforma Intel con DL Streamer?#

Instala DL Streamer siguiendo la Guía de instalación, configura el entorno con source /opt/intel/dlstreamer/scripts/setup_dls_env.sh, instala Ultralytics y OpenVINO™, y descarga los modelos utilizando download_ultralytics_models.sh. Luego, ejecuta la inferencia con la aplicación de ejemplo de DL Streamer yolo_detect.sh, que proporciona un script listo para usar para ejecutar canalizaciones de inferencia YOLO26. Consulta el breve tutorial para saber cómo ejecutarlo.

Link to this section¿Cuál es el beneficio de usar OpenVINO™ con YOLO26 en hardware Intel?#

OpenVINO™ optimiza el modelo YOLO26 específicamente para hardware Intel mediante técnicas como la optimización de grafos, la fusión de capas y el ajuste de núcleos específico para el hardware. Combinado con la decodificación acelerada por VA-API de DL Streamer y el preprocesamiento va-surface-sharing de copia cero, la canalización completa de análisis de vídeo logra un rendimiento significativamente mayor que los marcos de trabajo no optimizados.

Link to this section¿Puedo ejecutar YOLO26 con DL Streamer en diferentes dispositivos Intel?#

Sí. DL Streamer admite la inferencia en CPUs Intel (Core, Core Ultra, Xeon), GPUs integradas (Iris Xe, Arc), GPUs discretas (Arc A-Series, B-Series) y NPUs (AI Boost) a través de múltiples generaciones de plataformas Intel. Simplemente cambia el parámetro DEVICE a CPU, GPU o NPU.

Link to this section¿Cómo elijo entre precisión FP16 e INT8?#

FP16 se recomienda como valor predeterminado para la inferencia en GPU; ofrece una precisión cercana a FP32 con aproximadamente el doble de mejora en el rendimiento.
INT8 ofrece el mayor rendimiento (2-3 veces más que FP32) con una pequeña compensación en la precisión y es ideal cuando la prioridad es el máximo rendimiento. Los modelos INT8 se calibran automáticamente durante la exportación de Ultralytics.

Link to this section¿Qué tareas de YOLO26 son compatibles?#

DL Streamer admite todas las variantes de tareas de YOLO26: - Detección: yolo26n, yolo26s, yolo26m, yolo26l, yolo26x - Cuadro delimitador orientado (OBB): yolo26s-obb (y todas las variantes de tamaño) - Segmentación de instancias: yolo26s-seg (y todas las variantes de tamaño) - Estimación de pose: yolo26s-pose (y todas las variantes de tamaño) - Clasificación: yolo26s-cls (canalización compuesta con detección)

Link to this section¿Cómo puedo exportar detecciones como datos estructurados?#

Utiliza la opción de salida json para escribir los resultados de detección como JSON-lines en un archivo:

./yolo_detect.sh yolo26s GPU input_video.mp4 json va-surface-sharing INT8

Alternativamente, utiliza el elemento gvametapublish en canalizaciones personalizadas para publicar metadatos en archivos, MQTT o Kafka.

Link to this sectionRecursos adicionales#

Colaboradores

TBtbujewsk¹

Creado hace 1 horaActualizado hace 1 hora