Exportación de modelos YOLO26 a ONNX#

A menudo, al implementar modelos de visión por ordenador, necesitarás un formato de modelo que sea flexible y compatible con varias plataformas.

Exportar modelos Ultralytics YOLO26 al formato ONNX agiliza la implementación y garantiza un rendimiento óptimo en diversos entornos. Esta guía te mostrará cómo convertir fácilmente tus modelos YOLO26 a ONNX y mejorar su escalabilidad y eficacia en aplicaciones del mundo real.

ONNX y ONNX Runtime#

ONNX, cuyas siglas corresponden a Open Neural Network Exchange, es un proyecto comunitario desarrollado inicialmente por Facebook y Microsoft. El desarrollo continuo de ONNX es un esfuerzo colaborativo respaldado por varias organizaciones, como IBM, Amazon (a través de AWS) y Google. El proyecto tiene como objetivo crear un formato de archivo abierto diseñado para representar modelos de aprendizaje automático de forma que puedan utilizarse en distintos frameworks de IA y hardware.

Los modelos ONNX se pueden utilizar para pasar de un framework a otro sin problemas. Por ejemplo, un modelo de aprendizaje profundo entrenado en PyTorch se puede exportar al formato ONNX y después importar fácilmente en TensorFlow.

Como alternativa, puedes utilizar los modelos ONNX con ONNX Runtime. ONNX Runtime es un acelerador multiplataforma versátil para modelos de aprendizaje automático compatible con frameworks como PyTorch, TensorFlow, scikit-learn, etc.

ONNX Runtime optimiza la ejecución de los modelos ONNX aprovechando las capacidades específicas del hardware. Esta optimización permite que los modelos se ejecuten de forma eficiente y con un alto rendimiento en diversas plataformas de hardware, incluidas CPU, GPU y aceleradores especializados.

Tanto si se utiliza de forma independiente como junto con ONNX Runtime, ONNX proporciona una solución flexible para la implementación de modelos de aprendizaje automático y la compatibilidad entre plataformas.

Características principales de los modelos ONNX#

La capacidad de ONNX para gestionar diversos formatos se debe a las siguientes características principales:

• Representación común de modelos: ONNX define un conjunto común de operadores (como convoluciones, capas, etc.) y un formato de datos estándar. Al convertir un modelo al formato ONNX, su arquitectura y sus pesos se traducen a esta representación común. Esta uniformidad garantiza que cualquier framework compatible con ONNX pueda interpretar el modelo.

• Versionado y compatibilidad con versiones anteriores: ONNX mantiene un sistema de versionado para sus operadores. Esto garantiza que, aunque el estándar evolucione, los modelos creados con versiones anteriores sigan siendo utilizables. La compatibilidad con versiones anteriores es una característica esencial que evita que los modelos queden obsoletos rápidamente.

• Representación de modelos basada en grafos: ONNX representa los modelos como grafos computacionales. Esta estructura basada en grafos es una forma universal de representar modelos de aprendizaje automático, donde los nodos representan operaciones o cálculos y las aristas representan los tensores que fluyen entre ellos. Este formato se adapta fácilmente a diversos frameworks que también representan los modelos como grafos.

• Herramientas y ecosistema: Existe un amplio ecosistema de herramientas en torno a ONNX que ayudan en la conversión, visualización y optimización de modelos. Estas herramientas facilitan que los desarrolladores trabajen con modelos ONNX y los conviertan sin problemas entre distintos frameworks.

Usos habituales de ONNX#

Antes de explicar cómo exportar modelos YOLO26 al formato ONNX, veamos dónde se suelen utilizar los modelos ONNX.

Implementación en CPU#

Los modelos ONNX se suelen implementar en CPU debido a su compatibilidad con ONNX Runtime. Este entorno de ejecución está optimizado para ejecutarse en CPU. Mejora considerablemente la velocidad de inferencia y hace viables las implementaciones en CPU en tiempo real.

Opciones de implementación compatibles#

Aunque los modelos ONNX se utilizan habitualmente en CPU, también se pueden implementar en las siguientes plataformas:

• Aceleración de GPU: ONNX es totalmente compatible con la aceleración de GPU, especialmente con NVIDIA CUDA. Para el entrenamiento y la inferencia nativos en GPU AMD, utiliza PyTorch ROCm; un archivo ONNX sigue necesitando un entorno de ejecución compatible con AMD.

• Dispositivos periféricos y móviles: ONNX también se utiliza en dispositivos periféricos y móviles, ideales para escenarios de inferencia en el dispositivo y en tiempo real. Es ligero y compatible con hardware periférico, y sirve de base para formatos NPU de proveedores, como Huawei Ascend, Qualcomm QNN para dispositivos Snapdragon y RKNN para NPU Rockchip.

• Navegadores web: ONNX puede ejecutarse directamente en navegadores web y hacer posibles aplicaciones de IA interactivas y dinámicas basadas en la web.

Tareas compatibles#

La exportación a ONNX es compatible con las siete tareas de Ultralytics. La segmentación semántica y la estimación de profundidad solo están disponibles con YOLO26, la única familia que incluye esas cabezas.

Exportación de modelos YOLO26 a ONNX#

Puedes ampliar la compatibilidad y la flexibilidad de implementación de los modelos YOLO26 convirtiéndolos al formato ONNX. Ultralytics YOLO26 proporciona un proceso de exportación sencillo que puede mejorar significativamente el rendimiento de tu modelo en distintas plataformas.

Instalación#

Para instalar el paquete necesario, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para consultar instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, revisa nuestra guía de instalación de YOLO26. Si encuentras dificultades al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Uso#

Antes de consultar las instrucciones de uso, no olvides revisar la variedad de modelos YOLO26 que ofrece Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

El formato ONNX es compatible con los modos Export, Predict y Validate. Exporta tu modelo y, después, carga el modelo exportado para ejecutar la inferencia o validar su precisión.

from ultralytics import YOLO

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

# Export the model to ONNX format
model.export(format="onnx")  # creates 'yolo26n.onnx'

# Export an INT8-quantized ONNX model with calibration data
model.export(format="onnx", quantize=8, data="coco8.yaml")  # creates 'yolo26n_int8.onnx'

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

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

from ultralytics import YOLO

# Load the exported ONNX model
model = YOLO("yolo26n.onnx")

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

Argumentos de exportación#

Al exportar tu modelo YOLO26 al formato ONNX, puedes personalizar el proceso mediante varios argumentos para optimizarlo según tus necesidades específicas de implementación:

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

Implementación de modelos YOLO26 ONNX exportados#

Una vez que hayas exportado correctamente tus modelos Ultralytics YOLO26 al formato ONNX, el siguiente paso es implementarlos en distintos entornos. Para obtener instrucciones detalladas sobre cómo implementar tus modelos ONNX, consulta los siguientes recursos:

• Documentación de la API de ONNX Runtime para Python: Esta guía proporciona información esencial para cargar y ejecutar modelos ONNX mediante ONNX Runtime.

• Implementación en dispositivos periféricos: Consulta esta página de la documentación para ver distintos ejemplos de implementación de modelos ONNX en dispositivos periféricos.

• Tutoriales de ONNX en GitHub: Una colección de tutoriales completos que cubren diversos aspectos del uso y la implementación de modelos ONNX en distintos escenarios.

• Triton Inference Server: Aprende a implementar tus modelos ONNX con Triton Inference Server de NVIDIA para conseguir implementaciones escalables y de alto rendimiento.

Resumen#

En esta guía has aprendido a exportar modelos Ultralytics YOLO26 al formato ONNX para aumentar su interoperabilidad y rendimiento en distintas plataformas. También has conocido ONNX Runtime y las opciones de implementación de ONNX.

La exportación a ONNX es solo uno de los muchos formatos de exportación compatibles con Ultralytics YOLO26, lo que te permite implementar tus modelos prácticamente en cualquier entorno. Según tus necesidades específicas, también puedes explorar otras opciones de exportación, como TensorRT para obtener el máximo rendimiento de GPU o CoreML para dispositivos Apple.

Para obtener más información, consulta la documentación oficial de ONNX.

Además, si quieres obtener más información sobre otras integraciones de Ultralytics YOLO26, visita nuestra página de la guía de integraciones. Allí encontrarás muchos recursos y conocimientos útiles.

Preguntas frecuentes#