Exportar para el despliegue

Ejemplo práctico: exportar a ONNX#

yolo export model=runs/detect/pills_v1/weights/best.pt format=onnx

PyTorch: starting from 'runs/detect/pills_v1/weights/best.pt' with input shape (1, 3, 320, 320) BCHW and output shape(s) (1, 5, 2100) (5.2 MB)
ONNX: export success ✅ 0.9s, saved as 'runs/detect/pills_v1/weights/best.onnx' (9.3 MB)
Predict:         yolo predict task=detect model=runs/detect/pills_v1/weights/best.onnx imgsz=320
Validate:        yolo val task=detect model=runs/detect/pills_v1/weights/best.onnx imgsz=320 data=my_dataset/data.yaml

Línea por línea:

• input shape (1, 3, 320, 320): una imagen, 3 canales de color y un cuadrado fijo de 320×320: el imgsz del entrenamiento, integrado en el archivo.
• output shape(s) (1, 5, 2100): 4 valores de caja más 1 puntuación de clase para 2100 cajas candidatas; NMS se ejecuta fuera del grafo de forma predeterminada.
• 9.3 MB: el archivo ONNX almacena pesos FP32, por lo que es más grande que .pt en FP16.
• Predict: / Validate:: comandos listos para el archivo exportado, ya configurados con el imgsz adecuado.

Bastan unos pocos argumentos para cubrir la mayoría de los casos; la guía de integración de ONNX enumera los demás.

Ejemplo práctico: demostrar que la exportación coincide#

La clase YOLO también carga archivos exportados, por lo que el código de predicción anterior funciona sin cambios. Compara ambos archivos con la misma imagen de validación:

from ultralytics import YOLO

image = "my_dataset/images/val/Frame_144.jpg"
pt = YOLO("runs/detect/pills_v1/weights/best.pt")(image, rect=False, verbose=False)[0]  # square input, like ONNX
onnx = YOLO("runs/detect/pills_v1/weights/best.onnx")(image, verbose=False)[0]

print(f"pt:   {len(pt.boxes)} pills, mean conf {pt.boxes.conf.mean():.3f}")
print(f"onnx: {len(onnx.boxes)} pills, mean conf {onnx.boxes.conf.mean():.3f}")
print(f"max box difference: {(pt.boxes.xyxy - onnx.boxes.xyxy).abs().max():.4f} px")

pt:   25 pills, mean conf 0.870
onnx: 25 pills, mean conf 0.870
max box difference: 0.0002 px

Mismo recuento, misma confianza y cajas idénticas con una precisión de una fracción de píxel. Ahora, la comprobación más rigurosa: validación en todo el subconjunto:

from ultralytics import YOLO

pt = YOLO("runs/detect/pills_v1/weights/best.pt").val(data="my_dataset/data.yaml", rect=False, verbose=False)
onnx = YOLO("runs/detect/pills_v1/weights/best.onnx").val(data="my_dataset/data.yaml", verbose=False)
print(f".pt   mAP50-95 {pt.box.map:.4f}")
print(f".onnx mAP50-95 {onnx.box.map:.4f}")

.pt   mAP50-95 0.6570
.onnx mAP50-95 0.6570

Idénticos. (La validación rectangular predeterminada del archivo .pt obtuvo 0,659: una pequeña diferencia debida al relleno de entrada, no a la exportación).

Cuando coincidan, mide el tiempo con yolo benchmark en el dispositivo de destino para conocer su velocidad real antes de desplegarlo.

Elige un formato para tu destino#

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")

model.export(format="onnx")  # Multiplataforma: ONNX Runtime
model.export(format="openvino")  # CPU / iGPU de Intel
model.export(format="engine", quantize=16)  # NVIDIA TensorRT, FP16 (ejecútalo en la GPU de destino)
model.export(format="coreml")  # Apple iOS / macOS
model.export(format="litert", quantize=8, data="my_dataset/data.yaml")  # Android / edge, INT8
model.export(format="qnn", name="73", data="my_dataset/data.yaml")  # NPU Qualcomm Snapdragon (HTP v73); calibra con tus propios datos

Cada exportación se guarda junto a los pesos: best.onnx, best_openvino_model/, best.engine, etc. Empieza con ONNX aunque acabes usando otro formato: es el más rápido de verificar y sirve como entrada para varias cadenas de herramientas. La guía de opciones de despliegue compara todos los formatos, y Elige un destino de despliegue te guía en la decisión.

La cuantización del modelo sacrifica precisión para reducir el tamaño y aumentar la velocidad. FP16 (quantize=16) reduce el tamaño del archivo a la mitad con una precisión casi idéntica. INT8 (quantize=8) reduce aún más el tamaño y aumenta la velocidad, pero necesita imágenes de calibración: fotogramas representativos que se procesan durante la exportación para elegir los rangos de valores; Ultralytics recomienda al menos 300. Valida siempre un modelo INT8 antes de ponerlo en producción: la pérdida puede ser insignificante o considerable, según el modelo y el conjunto de calibración.

Evita estos errores#

Ya lo has puesto en producción#

Ahora tienes un best.pt entrenado, pruebas de validación junto a una línea de base, un archivo exportado para tu entorno de ejecución y la confirmación de que la exportación coincide con el original. Ese es el ciclo completo —datos, entrenamiento, validación, exportación y despliegue—, y los equipos de producción lo ejecutan según un calendario. Ultralytics YOLO en producción parte de tu exportación verificada y abarca entornos de ejecución optimizados, flujos de trabajo de seguimiento, servicio de varios flujos y supervisión.