Aprende a exportar al formato TFLite Edge TPU desde un modelo YOLO26

Desplegar modelos de visión artificial en dispositivos con potencia computacional limitada, como sistemas móviles o integrados, puede resultar complejo. Utilizar un formato de modelo optimizado para un mayor rendimiento simplifica el proceso. El TFLite Edge TPU o formato de modelo TFLite Edge TPU está diseñado para consumir energía mínima mientras 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 mostraremos cómo convertir tus modelos al formato TFLite Edge TPU, facilitando que tus modelos funcionen correctamente en diversos dispositivos móviles e integrados.

¿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 se adapta a aplicaciones con recursos limitados de energía, cómputo y conectividad. El Edge TPU es un acelerador de hardware de Google que acelera los modelos TensorFlow Lite en dispositivos periféricos (edge). La siguiente imagen muestra un ejemplo del proceso involucrado.

El Edge TPU funciona con modelos cuantizados. La cuantización hace que los modelos sean más pequeños y rápidos sin perder gran parte de la precisión. Es ideal para los recursos limitados del edge computing, permitiendo que las aplicaciones respondan rápidamente al reducir la latencia y permitir un procesamiento de datos rápido 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.

Características clave de TFLite Edge TPU

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

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

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

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

Opciones de despliegue con TFLite Edge TPU

Antes de pasar a cómo exportar modelos YOLO26 al formato TFLite Edge TPU, entendamos dónde se suelen utilizar los modelos TFLite Edge TPU.

TFLite Edge TPU ofrece varias opciones de despliegue para modelos de aprendizaje automático, incluyendo:

• Despliegue en el dispositivo: 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 TensorFlow TPUs en la nube: En escenarios donde los dispositivos periféricos tienen capacidades de procesamiento limitadas, los 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 aprendizaje automático. Las ventajas incluyen el procesamiento en el dispositivo para respuestas rápidas y cloud computing para cómputos más complejos.

Exportación de modelos YOLO26 a TFLite Edge TPU

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

Instalación

Para instalar el paquete requerido, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

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

Uso

Todos los Los modelos YOLO26 de Ultralytics están diseñados para admitir la exportación de forma nativa, facilitando 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.

from ultralytics import YOLO

# Load the 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")

Argumentos de exportación

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

Despliegue de modelos YOLO26 exportados a TFLite Edge TPU

Tras 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 utilizar el método YOLO("model_edgetpu.tflite"), tal y 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 de aprendizaje automático mejoradas.

• Ejemplos de código: Accede a ejemplos prácticos de despliegue con TensorFlow Edge TPU para impulsar tus proyectos.

• Ejecuta la inferencia en el Edge TPU con Python: Explora cómo usar la API de Python de TensorFlow Lite para aplicaciones de Edge TPU, incluyendo la configuración y las directrices de uso.

Resumen

En esta guía, hemos aprendido cómo exportar modelos Ultralytics YOLO26 al formato TFLite Edge TPU. Siguiendo los pasos mencionados anteriormente, puedes aumentar la velocidad y la potencia de tu computer vision.

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

Además, para obtener más información sobre otras integraciones de Ultralytics YOLO26, por favor visita nuestro página de guías de integración. Allí encontrarás recursos valiosos e información detallada.

Preguntas frecuentes

¿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 the 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.

¿Cuáles son los beneficios de exportar modelos YOLO26 a TFLite Edge TPU?

Exportar modelos YOLO26 a TFLite Edge TPU ofrece varios beneficios:

• Rendimiento optimizado: Logra un rendimiento de red neuronal de alta velocidad con un consumo de energía mínimo.
• Latencia reducida: Procesamiento rápido de datos locales sin necesidad de depender 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.

¿Puedo desplegar modelos TFLite Edge TPU en dispositivos móviles e integrados?

Sí, los modelos de TensorFlow Lite Edge TPU pueden desplegarse 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 el despliegue de Coral Edge TPU en Raspberry Pi.

¿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 la automatización industrial y del hogar inteligente.
• Cuidado de la salud: Aceleración de diagnósticos e imágenes médicas.
• Comercio minorista: Mejora de la gestión de inventario y el análisis del comportamiento del cliente.

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

¿Cómo puedo solucionar problemas durante la exportación o el despliegue de 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 de problemas. Esta guía cubre problemas comunes y soluciones para ayudarte a asegurar una operación fluida. Para obtener soporte adicional, visita nuestro Centro de Ayuda.