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 mientras ofrece un rendimiento rápido para redes neuronales.

La función de exportación al formato TFLite Edge TPU te permite optimizar tus modelos de Ultralytics YOLO26 para una inferencia de alta velocidad y bajo consumo energético. En esta guía, te llevaremos 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 imagen de abajo 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 en el borde (edge computing), permitiendo que las aplicaciones respondan rápidamente al reducir la latencia y permitiendo un rápido procesamiento 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 elección de formato de modelo para desarrolladores:

• Rendimiento optimizado en dispositivos Edge: TFLite Edge TPU logra un rendimiento de red neuronal de alta velocidad a través de cuantización, optimización de modelos, aceleración de hardware y optimización del compilador. Su arquitectura minimalista contribuye a su menor tamaño y rentabilidad.

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

• Cálculos de matriz eficientes: TensorFlow Edge TPU está optimizado para operaciones de matriz, que son cruciales para los cálculos de redes neuronales. Esta eficiencia es clave en los 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, entendamos dónde se suelen utilizar los modelos TFLite Edge TPU.

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

• Despliegue en el dispositivo: Los modelos TensorFlow Edge TPU se pueden desplegar 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 edge tienen capacidades de procesamiento limitadas, 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, y ofrece una solución versátil y escalable para desplegar modelos de machine learning. Las ventajas incluyen el procesamiento en el dispositivo para respuestas rápidas y cloud computing para cálculos más complejos.

Link to this sectionExportar 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 necesario, 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 requeridos para YOLO26, si encuentras alguna dificultad, consulta nuestra Guía de problemas comunes para obtener soluciones y consejos.

Link to this sectionUso#

Todos los modelos de Ultralytics YOLO26 están diseñados para admitir la exportación desde el primer momento, facilitando su integración en tu flujo de trabajo de despliegue preferido. Puedes ver la lista completa de formatos de exportación admitidos y las opciones de configuración para elegir la mejor configuración para tu aplicación.

El formato TFLite Edge TPU admite los modos Export, Predict y Validate. La inferencia y la validación se ejecutan en hardware Coral Edge TPU. Exporta tu modelo y luego cárgalo para realizar 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 la exportación.

Link to this sectionDesplegar modelos YOLO26 TFLite Edge TPU exportados#

Después de exportar correctamente tus modelos Ultralytics YOLO26 al formato TFLite Edge TPU, ahora puedes desplegarlos. El primer paso principal y recomendado para ejecutar un modelo TFLite Edge TPU es utilizar 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 Python de TensorFlow Lite para aplicaciones Edge TPU, incluyendo directrices de configuración y uso.

Link to this sectionResumen#

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 potencia de tus aplicaciones de visión artificial.

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

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

Link to this sectionFAQ#

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 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 de datos local rápido 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 ejemplos de integración, consulta nuestra guía sobre el despliegue de 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: Mejorar el análisis de imágenes y vídeos en tiempo real.
• Dispositivos IoT: Habilitar la automatización industrial y de hogares inteligentes.
• Atención sanitaria: Acelerar el diagnóstico y la imagenología médica.
• Venta minorista: Mejorar 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.

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 de problemas. Esta guía cubre los problemas y soluciones habituales para ayudarte a garantizar un funcionamiento fluido. Para obtener asistencia adicional, visita nuestro Centro de ayuda.