Link to this sectionExportación y despliegue de Axelera AI#

Ultralytics colabora con Axelera AI para permitir una inferencia de alto rendimiento y eficiencia energética en dispositivos de Edge AI. Exporta y despliega modelos Ultralytics YOLO directamente a la Metis® AIPU utilizando el Voyager SDK.

Axelera AI proporciona aceleración de hardware dedicada para visión artificial en el edge, utilizando una arquitectura de flujo de datos patentada y computación en memoria para ofrecer hasta 856 TOPS con un bajo consumo de energía.

Link to this sectionSelección del hardware adecuado#

Axelera AI ofrece varios factores de forma para adaptarse a diferentes limitaciones de despliegue. El siguiente gráfico ayuda a identificar el hardware óptimo para tu despliegue de Ultralytics YOLO.

graph TD
    A[Start: Select Deployment Target] --> B{Device Type?}
    B -->|Edge Server / Workstation| C{Throughput Needs?}
    B -->|Embedded / Robotics| D{Space Constraints?}
    B -->|Standalone / R&D| E[Dev Kits & Systems]

    C -->|Max Density <br> 30+ Streams| F[**Metis PCIe x4**<br>856 TOPS]
    C -->|Standard PC <br> Low Profile| G[**Metis PCIe x1**<br>214 TOPS]

    D -->|Drones & Handhelds| H[**Metis M.2**<br>2280 M-Key]
    D -->|High Performance Embedded| I[**Metis M.2 MAX**<br>Extended Thermal]

    E -->|ARM-based All-in-One| J[**Metis Compute Board**<br>RK3588 + AIPU]
    E -->|Prototyping| K[**Arduino Portenta x8**<br>Integration Kit]

    click F "https://store.axelera.ai/"
    click G "https://store.axelera.ai/"
    click H "https://store.axelera.ai/"
    click J "https://store.axelera.ai/"

Link to this sectionCartera de hardware#

La línea de hardware de Axelera está optimizada para ejecutar Ultralytics YOLO26 y versiones anteriores con una alta eficiencia de FPS por vatio.

Link to this sectionTarjetas aceleradoras#

Estas tarjetas permiten la aceleración de IA en dispositivos host existentes, facilitando los despliegues en entornos existentes.

Link to this sectionSistemas integrados#

Para soluciones integrales, Axelera colabora con fabricantes para proporcionar sistemas prevalidos para la Metis AIPU.

• Metis Compute Board: Un dispositivo edge autónomo que combina la Metis AIPU con una CPU ARM Rockchip RK3588.
• Estaciones de trabajo: Torres empresariales de Dell (Precision 3460XE) y Lenovo (ThinkStation P360 Ultra).
• PCs industriales: Sistemas robustos de Advantech y Aetina diseñados para automatización de la fabricación.

Link to this sectionTareas compatibles#

Las siguientes tareas son compatibles con los modelos YOLOv8, YOLO11 y YOLO26.

Link to this sectionInstalación#

Link to this sectionInstalación de Ultralytics#

pip install ultralytics

Para obtener instrucciones detalladas, consulta nuestra guía de instalación de Ultralytics. Si tienes dificultades, consulta nuestra guía de problemas comunes.

Link to this sectionInstalación del controlador de Axelera#

1. Añade la clave del repositorio de Axelera:

   sudo sh -c "curl -fsSL https://software.axelera.ai/artifactory/api/security/keypair/axelera/public | gpg --dearmor -o /etc/apt/keyrings/axelera.gpg"

2. Añade el repositorio a apt:

   Elige el fragmento correspondiente de abajo para que coincida con el SO que estás utilizando.

   # Ubuntu 22.04
   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu22 main' > /etc/apt/sources.list.d/axelera.list"

   # Ubuntu 24.04
   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu24 main' > /etc/apt/sources.list.d/axelera.list"

3. Instala el SDK y carga el controlador:

   sudo apt update
   sudo apt install -y metis-dkms=1.4.16
   sudo modprobe metis

pip install axelera-devkit==1.6.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple
pip install axelera-rt==1.6.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple

Link to this sectionExportación de modelos YOLO a Axelera#

El formato Axelera es compatible con los modos Export, Predict y Validate. La inferencia y la validación se ejecutan en el hardware Axelera Metis AIPU. Exporta tu modelo y luego cárgalo para ejecutar la inferencia o validar su precisión.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to Axelera format
model.export(format="axelera")  # creates 'yolo26n_axelera_model'

from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionArgumentos de exportación#

Para todas las opciones de exportación, consulta la documentación del modo Export.

Link to this sectionEstructura de salida#

yolo26n_axelera_model/
├── yolo26n.axm                  # Axelera model file
├── compiler_config_final.toml  # Compiler configuration used for the build
└── metadata.yaml               # Model metadata (classes, image size, etc.)

Link to this sectionBenchmarks de Axelera AI#

La Metis AIPU maximiza el rendimiento y minimiza el consumo de energía.

Benchmarks basados en datos de Axelera AI. Los FPS reales dependen del tamaño del modelo, el procesamiento por lotes y la resolución de entrada.

Link to this sectionAplicaciones en el mundo real#

Ultralytics YOLO en hardware Axelera permite soluciones avanzadas de computación edge:

• Smart Retail: Conteo de objetos y análisis de mapas de calor en tiempo real para la optimización de tiendas.
• Seguridad industrial: Detección de EPI de baja latencia en entornos de fabricación.
• Drone Analytics: High-speed object detection on UAVs for agriculture and search-and-rescue.
• Traffic Systems: Edge-based license plate recognition and speed estimation.

Link to this sectionFlujo de trabajo recomendado#

1. Entrena tu modelo usando el modo Train de Ultralytics
2. Exporta al formato Axelera usando model.export(format="axelera")
3. Valida la precisión con yolo val para verificar una pérdida de cuantización mínima
4. Predice usando yolo predict para una validación cualitativa
5. Despliega en una pipeline integral de alto rendimiento sin dependencia de PyTorch; consulta los ejemplos de YOLO en Voyager SDK para pipelines de Python componibles usando axelera-rt

Link to this sectionComprobación del estado del dispositivo#

Verifica que tu dispositivo Axelera funcione correctamente:

# if axdevice cannot be found, please run at least one inference (see above) to ensure the required packages are installed
axdevice

Para diagnósticos detallados, consulta la documentación de AxDevice.

Link to this sectionMáximo rendimiento#

Esta integración utiliza una configuración de un solo núcleo para mayor compatibilidad. Para producción que requiera el máximo rendimiento, el Axelera Voyager SDK ofrece:

• Utilización de múltiples núcleos (Metis AIPU de cuatro núcleos)
• Canalizaciones de inferencia en streaming
• Inferencia en mosaico (tiled) para cámaras de alta resolución

Consulta el model-zoo para ver puntos de referencia de FPS o contacta con Axelera para recibir soporte de producción.

Link to this sectionProblemas conocidos#

Para recibir soporte, visita la Comunidad de Axelera.

Link to this sectionFAQ#

Link to this section¿Qué versiones de YOLO son compatibles con Axelera?#

El Voyager SDK permite exportar modelos YOLOv8, YOLO11 y YOLO26. Consulta Tareas admitidas para conocer la disponibilidad de tareas por modelo.

Link to this section¿Puedo implementar modelos entrenados a medida?#

Sí. Cualquier modelo entrenado utilizando el Modo de entrenamiento de Ultralytics se puede exportar al formato de Axelera, siempre que utilice capas y operaciones compatibles.

Link to this section¿Cómo afecta la cuantificación INT8 a la precisión?#

El Voyager SDK de Axelera cuantifica automáticamente los modelos para la arquitectura AIPU de precisión mixta. Para la mayoría de las tareas de detección de objetos, las ganancias en rendimiento (más FPS, menor consumo de energía) compensan significativamente el impacto mínimo en el mAP. La cuantificación tarda desde unos segundos hasta varias horas según el tamaño del modelo. Ejecuta yolo val después de la exportación para verificar la precisión.

Link to this section¿Cuántas imágenes de calibración debo usar?#

Recomendamos entre 100 y 400 imágenes. Más de 400 no proporcionan ningún beneficio adicional y aumentan el tiempo de cuantificación. Experimenta con 100, 200 y 400 imágenes para encontrar el equilibrio óptimo.

Link to this section¿Dónde puedo encontrar el Voyager SDK?#

El SDK, los controladores y las herramientas de compilación están disponibles a través del Portal de desarrolladores de Axelera.