Link to this sectionAprende a exportar al formato TFLite Edge TPU desde el modelo YOLO26#

Desplegar modelos de visión artificial en dispositivos con potencia computacional limitada, como sistemas móviles o integrados, puede ser complicado. Usar un formato de modelo optimizado para un rendimiento más rápido simplifica el proceso. El formato de modelo TensorFlow Lite Edge TPU o TFLite Edge TPU está diseñado para consumir energía mínima a la vez que ofrece un rendimiento rápido para redes neuronales.

La función de exportación al formato TFLite Edge TPU te permite optimizar tus modelos Ultralytics YOLO26 para una inferencia de alta velocidad y bajo consumo energético. En esta guía, te guiaremos a través de la conversión de tus modelos al formato TFLite Edge TPU, facilitando que tus modelos funcionen bien en diversos dispositivos móviles e integrados.

Link to this section¿Por qué deberías exportar a TFLite Edge TPU?#

Exportar modelos a TensorFlow Edge TPU hace que las tareas de machine learning sean rápidas y eficientes. Esta tecnología es adecuada para aplicaciones con energía, recursos informáticos y conectividad limitados. La Edge TPU es un acelerador de hardware de Google. Acelera los modelos de TensorFlow Lite en dispositivos periféricos (edge devices). La siguiente imagen muestra un ejemplo del proceso involucrado.

La Edge TPU funciona con modelos cuantizados. La cuantización hace que los modelos sean más pequeños y rápidos sin perder mucha precisión. Es ideal para los recursos limitados de la computación periférica (edge computing), ya que permite a las aplicaciones responder rápidamente al reducir la latencia y permitir el procesamiento rápido de datos localmente, sin dependencia de la nube. El procesamiento local también mantiene los datos del usuario privados y seguros, ya que no se envían a un servidor remoto.

Link to this sectionCaracterísticas clave de TFLite Edge TPU#

Aquí tienes las características clave que hacen de TFLite Edge TPU una excelente opción de formato de modelo para desarrolladores:

• Rendimiento optimizado en dispositivos periféricos: TFLite Edge TPU logra un rendimiento de red neuronal de alta velocidad mediante cuantización, optimización de modelos, aceleración de hardware y optimización del compilador. Su arquitectura minimalista contribuye a su tamaño más reducido y eficiencia de costes.

• Alto rendimiento computacional: TFLite Edge TPU combina aceleración de hardware especializada y una ejecución de tiempo de ejecución eficiente para lograr un alto rendimiento computacional. Es muy adecuado para desplegar modelos de machine learning con requisitos de rendimiento estrictos en dispositivos periféricos.

• Cálculos matriciales eficientes: TensorFlow Edge TPU está optimizado para operaciones matriciales, las cuales son cruciales para los cálculos de redes neuronales. Esta eficiencia es clave en modelos de machine learning, particularmente aquellos que requieren numerosas y complejas multiplicaciones y transformaciones de matrices.

Link to this sectionOpciones de despliegue con TFLite Edge TPU#

Antes de pasar a cómo exportar modelos YOLO26 al formato TFLite Edge TPU, comprendamos dónde se utilizan habitualmente los modelos TFLite Edge TPU.

TFLite Edge TPU ofrece varias opciones de despliegue para modelos de machine learning, incluyendo:

• Despliegue en el dispositivo (On-Device): Los modelos de TensorFlow Edge TPU pueden desplegarse directamente en dispositivos móviles e integrados. El despliegue en el dispositivo permite que los modelos se ejecuten directamente en el hardware, eliminando la necesidad de conectividad a la nube, ya sea incrustando el modelo en el paquete de la aplicación o descargándolo bajo demanda.

• Edge Computing con Cloud TensorFlow TPUs: En escenarios donde los dispositivos periféricos tienen capacidades de procesamiento limitadas, las TensorFlow Edge TPUs pueden descargar tareas de inferencia a servidores en la nube equipados con TPUs.

• Despliegue híbrido: Un enfoque híbrido combina el despliegue en el dispositivo y en la nube, ofreciendo una solución versátil y escalable para desplegar modelos de machine learning. Las ventajas incluyen procesamiento en el dispositivo para respuestas rápidas y cloud computing para cálculos más complejos.

Link to this sectionExportación de modelos YOLO26 a TFLite Edge TPU#

Puedes ampliar la compatibilidad del modelo y la flexibilidad de despliegue convirtiendo los modelos YOLO26 a TensorFlow Edge TPU.

Link to this sectionInstalación#

Para instalar el paquete requerido, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para obtener instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si encuentras dificultades mientras instalas los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Link to this sectionUso#

Todos los modelos Ultralytics YOLO26 están diseñados para soportar la exportación directamente, lo que facilita su integración en tu flujo de trabajo de despliegue preferido. Puedes ver la lista completa de formatos de exportación y opciones de configuración compatibles para elegir la mejor configuración para tu aplicación.

El formato TFLite Edge TPU admite los modos Exportar, Predecir y Validar. La inferencia y la validación se ejecutan en hardware Coral Edge TPU. Exporta tu modelo y, a continuación, 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 TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

Link to this sectionArgumentos de exportación#

Para obtener más detalles sobre el proceso de exportación, visita la página de documentación de Ultralytics sobre exportación.

Link to this sectionDespliegue de modelos YOLO26 TFLite Edge TPU exportados#

Después de exportar con éxito tus modelos Ultralytics YOLO26 al formato TFLite Edge TPU, ya puedes desplegarlos. El primer paso principal y recomendado para ejecutar un modelo TFLite Edge TPU es usar el método YOLO("model_edgetpu.tflite"), como se describe en el fragmento de código de uso anterior.

Sin embargo, para obtener instrucciones detalladas sobre cómo desplegar tus modelos TFLite Edge TPU, echa un vistazo a los siguientes recursos:

• Coral Edge TPU en una Raspberry Pi con Ultralytics YOLO26: Descubre cómo integrar Coral Edge TPUs con Raspberry Pi para obtener capacidades mejoradas de machine learning.

• Ejemplos de código: Accede a ejemplos prácticos de despliegue de TensorFlow Edge TPU para poner en marcha tus proyectos.

• Ejecutar inferencia en la Edge TPU con Python: Explora cómo utilizar la API de TensorFlow Lite para Python para aplicaciones Edge TPU, incluyendo pautas de configuración y uso.

Link to this sectionResumen#

En esta guía, hemos aprendido a exportar modelos Ultralytics YOLO26 al formato TFLite Edge TPU. Siguiendo los pasos mencionados anteriormente, puedes aumentar la velocidad y la potencia de tus aplicaciones de visión artificial.

Para más detalles sobre el uso, visita el sitio web oficial de Edge TPU.

Además, para más información sobre otras integraciones de Ultralytics YOLO26, visita nuestra página de guías de integración. Allí descubrirás recursos e ideas valiosas.

Link to this sectionPreguntas frecuentes#

Link to this section¿Cómo exporto un modelo YOLO26 al formato TFLite Edge TPU?#

Para exportar un modelo YOLO26 al formato TFLite Edge TPU, puedes seguir estos pasos:

from ultralytics import YOLO

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

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

Para obtener detalles completos sobre la exportación de modelos a otros formatos, consulta nuestra guía de exportación.

Link to this section¿Cuáles son las ventajas de exportar modelos YOLO26 a TFLite Edge TPU?#

Exportar modelos YOLO26 a TFLite Edge TPU ofrece varias ventajas:

• Rendimiento optimizado: Logra un rendimiento de red neuronal de alta velocidad con un consumo de energía mínimo.
• Latencia reducida: Procesamiento rápido de datos localmente sin necesidad de dependencia de la nube.
• Privacidad mejorada: El procesamiento local mantiene los datos del usuario privados y seguros.

Esto lo hace ideal para aplicaciones en edge computing, donde los dispositivos tienen energía y recursos computacionales limitados. Aprende más sobre por qué deberías exportar.

Link to this section¿Puedo desplegar modelos TFLite Edge TPU en dispositivos móviles e integrados?#

Sí, los modelos TensorFlow Lite Edge TPU se pueden desplegar directamente en dispositivos móviles e integrados. Este enfoque de despliegue permite que los modelos se ejecuten directamente en el hardware, ofreciendo una inferencia más rápida y eficiente. Para ver ejemplos de integración, consulta nuestra guía sobre cómo desplegar Coral Edge TPU en Raspberry Pi.

Link to this section¿Cuáles son algunos casos de uso comunes para los modelos TFLite Edge TPU?#

Los casos de uso comunes para los modelos TFLite Edge TPU incluyen:

• Cámaras inteligentes: Mejora del análisis de imágenes y vídeo en tiempo real.
• Dispositivos IoT: Habilitación de hogares inteligentes y automatización industrial.
• Atención sanitaria: Aceleración de imágenes y diagnósticos médicos.
• Venta al por menor: Mejora de la gestión de inventarios y del análisis del comportamiento del cliente.

Estas aplicaciones se benefician del alto rendimiento y bajo consumo energético de los modelos TFLite Edge TPU. Descubre más sobre escenarios de uso.

Link to this section¿Cómo puedo solucionar problemas al exportar o desplegar modelos TFLite Edge TPU?#

Si encuentras problemas al exportar o desplegar modelos TFLite Edge TPU, consulta nuestra guía de problemas comunes para obtener consejos de solución. Esta guía cubre problemas comunes y soluciones para ayudarte a asegurar un funcionamiento sin problemas. Para obtener asistencia adicional, visita nuestro Centro de Ayuda.