Exportar modelos YOLO26 a TorchScript para una implementación rápida#

Implementar modelos de visión artificial en entornos C++ sin Python requiere una representación serializada y portable. TorchScript ofrece esa compatibilidad para aplicaciones heredadas de LibTorch.

Exporta tus modelos Ultralytics YOLO26 a TorchScript para serializarlos y lograr compatibilidad multiplataforma y una implementación más sencilla. En esta guía, te mostraremos cómo exportar tus modelos YOLO26 al formato TorchScript para que puedas utilizarlos con más facilidad en una gama más amplia de aplicaciones.

¿Por qué deberías exportar a TorchScript?#

Desarrollado por los creadores de PyTorch, TorchScript es una herramienta potente para optimizar e implementar modelos PyTorch en distintas plataformas. Exportar modelos YOLO26 a TorchScript es fundamental para pasar de la investigación a las aplicaciones del mundo real. TorchScript, que forma parte del marco de trabajo PyTorch, facilita esta transición al permitir usar modelos PyTorch en entornos que no admiten Python.

El proceso incluye dos técnicas: el trazado y la creación de scripts. El trazado registra las operaciones durante la ejecución del modelo, mientras que la creación de scripts permite definir modelos mediante un subconjunto de Python. Estas técnicas permiten que modelos como YOLO26 sigan funcionando incluso fuera de su entorno habitual de Python.

Los modelos TorchScript también se pueden optimizar mediante técnicas como la fusión de operadores y el uso más eficiente de la memoria, lo que garantiza una ejecución eficaz. Otra ventaja de exportar a TorchScript es que puede acelerar la ejecución del modelo en distintas plataformas de hardware. Crea una representación independiente, lista para producción, de tu modelo PyTorch que se puede integrar en entornos C++.

Características principales de los modelos TorchScript#

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

Estas son las características principales que hacen de TorchScript una herramienta valiosa para los desarrolladores:

• Ejecución con grafo estático: TorchScript utiliza una representación de grafo estático para los cálculos del modelo, a diferencia de la ejecución con grafo dinámico de PyTorch. En la ejecución con grafo estático, el grafo computacional se define y compila una sola vez antes de la ejecución propiamente dicha, lo que mejora el rendimiento durante la inferencia.

• Serialización de modelos: TorchScript permite serializar modelos PyTorch en un formato independiente de la plataforma. Los modelos serializados se pueden cargar sin necesitar el código Python original, lo que permite implementarlos en distintos entornos de ejecución.

• Compilación JIT: TorchScript utiliza la compilación en tiempo de ejecución (JIT) para convertir modelos PyTorch en una representación intermedia optimizada. JIT compila el grafo computacional del modelo para permitir una ejecución eficiente en los dispositivos de destino.

• Conversión gradual: TorchScript ofrece un enfoque de conversión gradual que permite convertir progresivamente partes de un modelo PyTorch a TorchScript. Esta flexibilidad resulta especialmente útil con modelos complejos o cuando quieres optimizar partes concretas del código.

Opciones de implementación en TorchScript#

Antes de ver el código para exportar modelos YOLO26 al formato TorchScript, veamos dónde se suelen utilizar los modelos TorchScript.

TorchScript ofrece varias opciones para implementar modelos de aprendizaje automático, como las siguientes:

• API de C++: El caso de uso más habitual de TorchScript es su API de C++ de LibTorch, que permite cargar y ejecutar modelos TorchScript optimizados directamente en aplicaciones C++. Es ideal para entornos de producción en los que Python puede no ser adecuado o no estar disponible. La API de C++ permite ejecutar modelos TorchScript de forma eficiente y con poca sobrecarga, para aprovechar al máximo el rendimiento.

• Implementación en móviles: Para obtener inferencias de baja latencia y sin conexión, así como privacidad de los datos en dispositivos móviles, utiliza ExecuTorch, el sustituto de TorchScript Mobile de PyTorch.

• Implementación en la nube: Los modelos TorchScript se pueden implementar en servidores basados en la nube con soluciones como TorchServe. Ofrece funciones como el control de versiones de modelos, el procesamiento por lotes y la supervisión de métricas para escalar la implementación en entornos de producción. La implementación de TorchScript en la nube permite que tus modelos estén disponibles mediante API u otros servicios web.

Tareas compatibles#

La exportación a TorchScript 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.

Exportar a TorchScript: convertir tu modelo YOLO26#

Exportar modelos YOLO26 a TorchScript facilita su uso en distintos entornos y ayuda a ejecutarlos de forma más rápida y eficiente. Es una opción ideal para quienes quieren aprovechar mejor los modelos de aprendizaje profundo en aplicaciones del mundo real.

Instalación#

Para instalar el paquete necesario, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si tienes dificultades al instalar los paquetes necesarios para YOLO26, consulta nuestra guía sobre problemas habituales, donde encontrarás soluciones y consejos.

Uso#

Todos los modelos Ultralytics YOLO26 están diseñados para admitir la exportación desde el primer momento, lo que facilita su integración en el flujo de trabajo de implementación que prefieras. Puedes consultar la lista completa de formatos de exportación y opciones de configuración compatibles para elegir la configuración más adecuada para tu aplicación.

El formato TorchScript es compatible con los modos Exportar, Predecir y Validar. 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 TorchScript
model.export(format="torchscript")  # crea 'yolo26n.torchscript'

from ultralytics import YOLO

# Carga el modelo TorchScript exportado
model = YOLO("yolo26n.torchscript")

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

from ultralytics import YOLO

# Carga el modelo TorchScript exportado
model = YOLO("yolo26n.torchscript")

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

Argumentos de exportación#

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

Implementar modelos YOLO26 TorchScript exportados#

Tras exportar correctamente tus modelos Ultralytics YOLO26 al formato TorchScript, ya puedes implementarlos. El primer paso recomendado para ejecutar un modelo TorchScript es utilizar el método YOLO("model.torchscript"), tal como se muestra en el fragmento de código de uso anterior. Si necesitas instrucciones detalladas para implementar tus modelos TorchScript en otros entornos, consulta los siguientes recursos:

• Descubre la implementación en móviles: Utiliza la canalización independiente torch.export() → .pte de ExecuTorch para las implementaciones móviles actuales de PyTorch.

• Domina la implementación en servidores: Aprende a implementar modelos en servidores con TorchServe mediante un tutorial paso a paso para servir modelos de forma escalable y eficiente.

• Implementa en C++: Consulta el tutorial sobre cómo cargar un modelo TorchScript en C++, que facilita la integración de tus modelos TorchScript en aplicaciones C++ para mejorar el rendimiento y la versatilidad.

Resumen#

En esta guía, hemos explicado el proceso para exportar modelos Ultralytics YOLO26 al formato TorchScript. Si sigues las instrucciones, puedes optimizar el rendimiento de los modelos YOLO26 y obtener la flexibilidad necesaria para implementarlos en distintas plataformas y entornos.

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

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#