Exportación ONNX para modelos YOLO26#

A menudo, al desplegar modelos de visión artificial, necesitas un formato de modelo flexible y compatible con varias plataformas.

Exportar modelos Ultralytics YOLO26 al formato ONNX simplifica el despliegue y garantiza un rendimiento óptimo en distintos entornos. Esta guía te mostrará cómo convertir fácilmente tus modelos YOLO26 a ONNX y mejorar su escalabilidad y eficacia en aplicaciones reales.

ONNX y ONNX Runtime#

ONNX, sigla de Open Neural Network Exchange (intercambio abierto de redes neuronales), 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 objetivo del proyecto es crear un formato de archivo abierto para representar modelos de aprendizaje automático de forma que puedan utilizarse en distintos frameworks de IA y hardware.

Los modelos ONNX permiten pasar fácilmente de un framework a otro. Por ejemplo, puedes exportar a ONNX un modelo de aprendizaje profundo entrenado en PyTorch e importarlo después a TensorFlow.

También puedes usar 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 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 distintas plataformas de hardware, como CPU, GPU y aceleradores especializados.

Tanto si se usa de forma independiente como junto con ONNX Runtime, ONNX ofrece una solución flexible para el despliegue de modelos de aprendizaje automático y la compatibilidad.

Características principales de los modelos ONNX#

La capacidad de ONNX para gestionar distintos 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.

• Control de versiones y compatibilidad con versiones anteriores: ONNX mantiene un sistema de versiones para sus operadores. Así, aunque el estándar evolucione, los modelos creados con versiones anteriores siguen siendo utilizables. La compatibilidad con versiones anteriores es fundamental para evitar 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: los nodos representan operaciones o cálculos y las aristas representan los tensores que fluyen entre ellos. Este formato se adapta fácilmente a distintos frameworks que también representan los modelos como grafos.

• Herramientas y ecosistema: ONNX cuenta con un amplio ecosistema de herramientas que facilitan la conversión, la visualización y la optimización de modelos. Estas herramientas permiten a los desarrolladores trabajar con modelos ONNX y convertirlos fácilmente entre distintos frameworks.

Usos habituales de ONNX#

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

Despliegue en CPU#

Los modelos ONNX suelen desplegarse en CPU por su compatibilidad con ONNX Runtime, un entorno de ejecución optimizado para CPU. Mejora considerablemente la velocidad de inferencia y hace viables los despliegues en tiempo real en CPU.

Opciones de despliegue compatibles#

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

• Aceleración por GPU: ONNX admite plenamente la aceleración por GPU en GPU NVIDIA mediante CUDA y en GPU AMD mediante ROCm y MIGraphX.

• Dispositivos edge y móviles: ONNX también funciona en dispositivos edge y móviles, ideales para inferencias en el dispositivo y en tiempo real. Es ligero y compatible con hardware edge, y sirve de base para formatos de NPU de distintos fabricantes, como Huawei Ascend, Qualcomm QNN para dispositivos Snapdragon y RKNN para NPU Rockchip.

• Navegadores web: ONNX puede ejecutarse directamente en navegadores web y permitir aplicaciones de IA interactivas y dinámicas.

Tareas compatibles#

La exportación ONNX admite 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 de los modelos y la flexibilidad de despliegue convirtiendo modelos YOLO26 al formato ONNX. Ultralytics YOLO26 ofrece un proceso de exportación sencillo que puede mejorar considerablemente 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 obtener instrucciones detalladas y buenas prácticas sobre el proceso de instalación, consulta nuestra guía de instalación de YOLO26. Si tienes dificultades al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas habituales, donde encontrarás soluciones y consejos.

Uso#

Antes de consultar las instrucciones de uso, echa un vistazo a la gama de modelos YOLO26 que ofrece Ultralytics. Así podrás elegir el modelo más adecuado para los requisitos de tu proyecto.

El formato ONNX admite los modos Export, Predict y Validate. Exporta tu modelo y, a continuación, carga el modelo exportado para ejecutar inferencias o validar su precisión.

from ultralytics import YOLO

# Carga un modelo YOLO26
model = YOLO("yolo26n.pt")

# Exporta el modelo al formato ONNX
model.export(format="onnx")  # crea 'yolo26n.onnx'

# Exporta un modelo ONNX cuantizado a INT8 con datos de calibración
model.export(format="onnx", quantize=8, data="coco8.yaml")  # crea 'yolo26n_int8.onnx'

from ultralytics import YOLO

# Carga el modelo ONNX exportado
model = YOLO("yolo26n.onnx")

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

from ultralytics import YOLO

# Carga el modelo ONNX exportado
model = YOLO("yolo26n.onnx")

# Valida la precisión con el conjunto de datos COCO8
metrics = model.val(data="coco8.yaml")

Argumentos de exportación#

Al exportar tu modelo YOLO26 al formato ONNX, puedes personalizar el proceso con distintos argumentos para adaptarlo a tus necesidades de despliegue:

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

Despliegue de modelos YOLO26 ONNX exportados#

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

• Documentación de la API de Python de ONNX Runtime: esta guía ofrece información esencial para cargar y ejecutar modelos ONNX con ONNX Runtime.

• Despliegue en dispositivos edge: consulta esta página de la documentación para ver distintos ejemplos de despliegue de modelos ONNX en dispositivos edge.

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

• Triton Inference Server: aprende a desplegar tus modelos ONNX con Triton Inference Server de NVIDIA para conseguir despliegues escalables y de alto rendimiento.

Inferencia en GPU AMD con MIGraphX#

Ultralytics ejecuta modelos ONNX exportados en GPU AMD mediante el proveedor de ejecución MIGraphX de ONNX Runtime. En un sistema ROCm (HIP), el backend ONNX instala el complemento onnxruntime-ep-migraphx al primer uso y selecciona automáticamente MIGraphXExecutionProvider sin necesidad de cambiar el código; además, admite todas las tareas de YOLO26. Consulta la guía de inferencia en GPU AMD para conocer los requisitos previos, la instalación, el uso, las evaluaciones comparativas y la caché de programas compilados.

Resumen#

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

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

Para obtener más información sobre el uso, visita la documentación oficial de ONNX.

Además, si quieres saber más sobre otras integraciones de Ultralytics YOLO26, visita nuestra página de la guía de integración. Allí encontrarás muchos recursos e ideas útiles.

Preguntas frecuentes#