Link to this sectionExportación del modelo YOLO26 a TorchScript para una implementación rápida#

Desplegar modelos de computer vision en entornos C++ sin Python requiere una representación serializada y portátil. TorchScript proporciona esa compatibilidad para aplicaciones de LibTorch heredadas.

Exporta a TorchScript para serializar tus modelos Ultralytics YOLO26 para compatibilidad multiplataforma e implementación optimizada. En esta guía, te mostraremos cómo exportar tus modelos YOLO26 al formato TorchScript, facilitándote su uso en una gama más amplia de aplicaciones.

Link to this section¿Por qué deberías exportar a TorchScript?#

Desarrollado por los creadores de PyTorch, TorchScript es una herramienta potente para optimizar e implementar modelos de PyTorch en diversas plataformas. Exportar modelos YOLO26 a TorchScript es crucial para pasar de la investigación a aplicaciones reales. TorchScript, parte del framework de PyTorch, ayuda a suavizar esta transición permitiendo que los modelos de PyTorch se utilicen en entornos que no admiten Python.

El proceso involucra dos técnicas: tracing (trazado) y scripting. El tracing registra las operaciones durante la ejecución del modelo, mientras que el scripting permite definir modelos utilizando un subconjunto de Python. Estas técnicas aseguran que modelos como YOLO26 puedan seguir funcionando igual de bien incluso fuera de su entorno habitual de Python.

Los modelos de TorchScript también pueden optimizarse mediante técnicas como la fusión de operadores y mejoras en el uso de la memoria, asegurando una ejecución eficiente. Otra ventaja de exportar a TorchScript es su potencial para acelerar la ejecución del modelo en diversas plataformas de hardware. Crea una representación independiente y lista para producción de tu modelo de PyTorch que puede integrarse en entornos C++.

Link to this sectionCaracterísticas clave de los modelos de TorchScript#

TorchScript, una parte fundamental del ecosistema de PyTorch, proporciona funciones potentes para optimizar e implementar modelos de aprendizaje profundo.

Aquí tienes las características clave que hacen de TorchScript una herramienta valiosa para los desarrolladores:

• Ejecución de grafo estático: TorchScript utiliza una representación de grafo estático de la computación del modelo, lo cual es diferente de la ejecución de grafo dinámico de PyTorch. En la ejecución de grafo estático, el grafo computacional se define y compila una vez antes de la ejecución real, lo que resulta en un mejor rendimiento durante la inferencia.

• Serialización de modelos: TorchScript te permite serializar modelos de PyTorch en un formato independiente de la plataforma. Los modelos serializados se pueden cargar sin necesidad del código Python original, lo que permite la implementación en diferentes entornos de ejecución.

• Compilación JIT: TorchScript utiliza compilación Just-In-Time (JIT) para convertir modelos de PyTorch en una representación intermedia optimizada. JIT compila el grafo computacional del modelo, permitiendo una ejecución eficiente en los dispositivos de destino.

• Conversión gradual: TorchScript proporciona un enfoque de conversión gradual, permitiéndote convertir incrementalmente partes de tu modelo de PyTorch a TorchScript. Esta flexibilidad es particularmente útil cuando se trata de modelos complejos o cuando deseas optimizar partes específicas del código.

Link to this sectionOpciones de implementación en TorchScript#

Antes de ver el código para exportar modelos YOLO26 al formato TorchScript, entendamos dónde se utilizan normalmente los modelos de TorchScript.

TorchScript ofrece varias opciones de implementación para modelos de aprendizaje automático, tales como:

• C++ API: El caso de uso más común para TorchScript es su LibTorch C++ API, que te permite cargar y ejecutar modelos de TorchScript optimizados directamente dentro de aplicaciones C++. Esto es ideal para entornos de producción donde Python puede no ser adecuado o no estar disponible. La C++ API ofrece una ejecución eficiente y de baja sobrecarga de los modelos de TorchScript, maximizando el potencial de rendimiento.

• Mobile Deployment: Para una inferencia sin conexión de baja latencia y data privacy en dispositivos móviles, utiliza ExecuTorch, el reemplazo de PyTorch para TorchScript Mobile.

• Implementación en la nube: Los modelos de TorchScript pueden implementarse en servidores basados en la nube utilizando soluciones como TorchServe. Proporciona características como versiones de modelos, procesamiento por lotes y monitoreo de métricas para una implementación escalable en entornos de producción. La implementación en la nube con TorchScript puede hacer que tus modelos sean accesibles a través de APIs u otros servicios web.

Link to this sectionExportar a TorchScript: convirtiendo tu modelo YOLO26#

Exportar modelos YOLO26 a TorchScript facilita su uso en diferentes lugares y ayuda a que se ejecuten de forma más rápida y eficiente. Esto es excelente para cualquiera que busque utilizar modelos de aprendizaje profundo de manera más efectiva en aplicaciones reales.

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 TorchScript admite los modos Exportar, Predecir y Validar. Exporta tu modelo, luego carga el modelo exportado para ejecutar inferencia o validar su precisión.

from ultralytics import YOLO

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

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

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

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

# 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 sectionImplementación de modelos YOLO26 TorchScript exportados#

Después de exportar con éxito tus modelos Ultralytics YOLO26 al formato TorchScript, ahora puedes implementarlos. El primer paso principal y recomendado para ejecutar un modelo de TorchScript es utilizar el método YOLO("model.torchscript"), como se describe en el fragmento de código de uso anterior. Para obtener instrucciones detalladas sobre cómo implementar tus modelos de TorchScript en otros entornos, echa un vistazo a los siguientes recursos:

• Explore Mobile Deployment: Utiliza el flujo de trabajo separado torch.export() → .pte de ExecuTorch para el despliegue móvil actual en PyTorch.

• Domina la implementación del lado del servidor: Aprende a implementar modelos del lado del servidor con TorchServe, que ofrece un tutorial paso a paso para un servicio de modelos escalable y eficiente.

• Implementa la implementación en C++: Sumérgete en el tutorial sobre cómo cargar un modelo TorchScript en C++, facilitando la integración de tus modelos TorchScript en aplicaciones C++ para un rendimiento y versatilidad mejorados.

Link to this sectionResumen#

En esta guía, exploramos el proceso de exportar modelos Ultralytics YOLO26 al formato TorchScript. Siguiendo las instrucciones proporcionadas, puedes optimizar los modelos YOLO26 para obtener rendimiento y ganar la flexibilidad de implementarlos en diversas plataformas y entornos.

Para más detalles sobre su uso, visita la documentación oficial de TorchScript.

Además, si deseas saber más sobre otras integraciones de Ultralytics YOLO26, visita nuestra página de guía de integración. Encontrarás muchos recursos útiles e información allí.

Link to this sectionFAQ#

Link to this section¿Qué es la exportación de modelos Ultralytics YOLO26 a TorchScript?#

Exportar un modelo de Ultralytics YOLO26 a TorchScript permite un despliegue flexible y multiplataforma. TorchScript, parte del ecosistema de PyTorch, facilita la serialización de modelos, que luego pueden ejecutarse en entornos que carecen de soporte para Python. Esto lo hace útil para desplegar modelos en entornos C++.

Link to this section¿Cómo puedo exportar mi modelo YOLO26 a TorchScript usando Ultralytics?#

Para exportar un modelo YOLO26 a TorchScript, puedes usar el siguiente código de ejemplo:

from ultralytics import YOLO

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

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

# Load the exported TorchScript model
torchscript_model = YOLO("yolo26n.torchscript")

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

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

Link to this section¿Por qué debería usar TorchScript para implementar modelos YOLO26?#

Usar TorchScript para implementar modelos YOLO26 ofrece varias ventajas:

• Portability: Los modelos exportados pueden ejecutarse en aplicaciones C++ sin necesidad de Python.
• Optimización: TorchScript admite la ejecución de grafo estático y la compilación Just-In-Time (JIT), lo que puede optimizar el rendimiento del modelo.
• Integración entre lenguajes: Los modelos de TorchScript pueden integrarse en otros lenguajes de programación, mejorando la flexibilidad y la capacidad de expansión.
• Serialización: Los modelos pueden serializarse, permitiendo la carga e inferencia independientes de la plataforma.

Para más información sobre la implementación, visita la documentación de TorchServe y la guía de implementación en C++. Para la implementación móvil en el dispositivo, PyTorch recomienda ahora ExecuTorch, que utiliza su propia canalización separada torch.export() → .pte en lugar de TorchScript.

Link to this section¿Cuáles son los pasos de instalación para exportar modelos YOLO26 a TorchScript?#

Para instalar el paquete necesario para exportar modelos YOLO26, utiliza el siguiente comando:

# Install the required package for YOLO26
pip install ultralytics

Para instrucciones detalladas, visita la guía de instalación de Ultralytics. Si surge algún problema durante la instalación, consulta la guía de problemas comunes.

Link to this section¿Cómo implemento mis modelos YOLO26 exportados a TorchScript?#

Después de exportar los modelos YOLO26 al formato TorchScript, puedes implementarlos en diversas plataformas:

• C++ API: Utiliza LibTorch para entornos de producción de alta eficiencia y baja sobrecarga.
• Mobile Deployment: Utiliza ExecuTorch, el reemplazo con soporte de PyTorch que cuenta con un flujo de trabajo de exportación .pte independiente.
• Implementación en la nube: Utiliza servicios como TorchServe para una implementación escalable del lado del servidor.

Explora las directrices exhaustivas para implementar modelos en estos entornos para aprovechar al máximo las capacidades de TorchScript.