AIModelos de IA

Integración de DeepStream YOLO26 en las plataformas de inteligencia artificial Jetson Edge

Marzo 10, 2026

Introducción

La IA de borde está transformando la implementación de los sistemas de visión artificial, trasladando la inteligencia de la nube directamente a dispositivos que operan en tiempo real. Las plataformas NVIDIA Jetson lo hacen posible al combinar aceleración de GPU, bajo consumo de energía y paquetes de software de IA optimizados.

Con el último modelo YOLO26 de Ultralytics, los desarrolladores pueden lograr una inferencia más rápida, una mayor precisión de detección y una implementación eficiente en sistemas integrados. Al combinarse con NVIDIA DeepStream SDK y la optimización de TensorRT, YOLO26 se convierte en una potente solución para el análisis de vídeo en tiempo real en el edge.

Esta guía le guiará a través de Integración de extremo a extremo de YOLO26 con DeepStream en Jetson, lo que permite canales de detección de objetos escalables y listos para producción.

¿Por qué DeepStream para Edge AI?

La ejecución de scripts de inferencia sin procesar funciona para la experimentación, pero las implementaciones de producción requieren:

Procesamiento de vídeo de alto rendimiento
Aceleracion de hardware
Escalabilidad de múltiples transmisiones
Manejo eficiente de la memoria
Arquitectura basada en pipeline

DeepStream ofrece:

✅ Decodificación de vídeo acelerada por GPU
✅ Tuberías de memoria de copia cero
✅ Soporte de inferencia por lotes
✅ Seguimiento y análisis integrados
✅ Soporte para RTSP y transmisión por cámara

En lugar de procesar fotogramas manualmente, DeepStream crea canales optimizados utilizando GStreamer.

Descripción general de la arquitectura del sistema

La pila de implementación se ve así:

Camera / Video Stream
        ↓
Video Decode (NVDEC)
        ↓
DeepStream Pipeline
        ↓
TensorRT Engine (YOLO26)
        ↓
Object Detection Metadata
        ↓
Display / Stream / Analytics

Componentes clave:

Componente	Propósito
yolo26	Modelo de detección de objetos
TensorRT	Motor de inferencia optimizado
corriente profunda	Canal de análisis de vídeo
GPU Jetson	Aceleracion de hardware

Requisitos de hardware

Plataformas Jetson compatibles:

Jetson Nano (rendimiento limitado)
Supersónico Xavier NX
Supersónico AGX Xavier
Supersónico Orin Nano
Supersónico Orin NX
Jetson AGX Orin (recomendado)

Mínimo recomendado:

RAM 8GB
JetPack 6.x
CUDA + TensorRT instalado

Pila de software

Asegúrese de que esté instalado lo siguiente:

Kit de desarrollo de software JetPack
Juego de herramientas CUDA
TensorRT
Kit de desarrollo de software de DeepStream
Python 3.8 +
Marco de Ultralytics

Verificar instalación:

deepstream-app --version-all

Paso 1: Instalar Ultralytics YOLO26

Clonar e instalar dependencias:

pip install ultralytics

Inferencia de prueba:

yolo predict model=yolo26.pt source=bus.jpg

Si la inferencia funciona, proceda a exportar.

Paso 2: Exportar YOLO26 a ONNX

DeepStream utiliza motores TensorRT, así que primero exporte el modelo.

yolo export model=yolo26.pt format=onnx opset=12

Salida:

yolo26.onnx

Verificar el modelo ONNX:

pip install onnxruntime
python -c "import onnx; onnx.load('yolo26.onnx')"

Paso 3: Convertir ONNX a motor TensorRT

Utilice TensorRT para optimizar la inferencia para la GPU Jetson.

/usr/src/tensorrt/bin/trtexec \
  --onnx=yolo26.onnx \
  --saveEngine=yolo26.engine \
  --fp16

Optimización INT8 opcional (avanzada):

--int8 --calib=calibration.cache

Beneficios:

Baja latencia
el uso de memoria reducida
Optimización específica del hardware

Paso 4: Integrar YOLO26 con DeepStream

DeepStream requiere un analizador personalizado para las salidas YOLO.

Estructura de directorios

deepstream_yolo26/
 ├── config_infer_primary.txt
 ├── yolo26.engine
 ├── labels.txt
 └── custom_parser.cpp

Configurar la inferencia primaria

Crear:

config_infer_primary.txt

[property]
gpu-id=0
net-scale-factor=0.003921569
model-engine-file=yolo26.engine
labelfile-path=labels.txt
batch-size=1
network-mode=2
num-detected-classes=80
process-mode=1
gie-unique-id=1

Modos de red:

0 → FP32
1 → INT8
2 → FP16

Analizador de cuadro delimitador personalizado

Los modelos YOLO generan tensores de forma diferente a los detectores estándar.
Debe implementar un analizador que convierta las salidas sin procesar en:

cajas delimitadoras.
identificadores de clase
puntuaciones de confianza

Compilar analizador:

make

Salida:

LZ4ezwuSpTeD9pQKcUaPpHYUhy53QerXiD

Paso 5: Modificar la configuración de la aplicación DeepStream

Edit:

deepstream_app_config.txt

Establecer inferencia primaria:

[primary-gie]
enable=1
config-file=config_infer_primary.txt

Paso 6: Ejecutar DeepStream Pipeline

Lanzamiento:

deepstream-app -c deepstream_app_config.txt

Debería ver:

✅ Detecciones en tiempo real
✅ Cuadros delimitadores renderizados
✅ Utilización de GPU activa

Consejos para optimizar el rendimiento

1. Utilice FP16 o INT8

FP16 normalmente proporciona:

Inferencia 2–3 veces más rápida
Pérdida mínima de precisión

INT8 ofrece el máximo rendimiento pero requiere calibración.

2. Aumentar el tamaño del lote (transmisión múltiple)

batch-size=4

Útil para múltiples cámaras RTSP.

3. Habilitar la memoria de copia cero

DeepStream utiliza automáticamente buffers NVMM para evitar copias de CPU.

4. Utilice el decodificador de hardware

Asegúrese de que el oleoducto utilice:

nvv4l2decoder

En lugar de decodificación de software.

Rendimiento esperado (aproximado)

Inteligencia del	FPS (YOLO26 FP16)
Supersónico Nano	6–10 FPS
Javier NX	25–40 FPS
Orin Nano	40–70 FPS
AGX Orín	90–150 FPS

El rendimiento varía según la resolución y el tamaño del modelo.

Casos de uso del mundo real

YOLO26 + DeepStream permite:

Vigilancia de ciudades inteligentes
Analítica minorista
Monitoreo de seguridad industrial
Análisis de tráfico
Percepción robótica
Sistemas de inspección autónomos

Localización de averías

El motor no carga

Reconstruir el motor directamente en Jetson:

trtexec --onnx=model.onnx

Los motores TensorRT son específicos del hardware.

No aparecen cuadros delimitadores

Comprobar:

ruta de la biblioteca del analizador
recuento de clases
nombres de tensores de salida

FPS bajo

Verificar el uso de la GPU:

tegrastats

Causas comunes:

Decodificación de CPU
Inferencia FP32
configuración de lote incorrecta

Mejores prácticas para la producción

Construir motores TensorRT en el hardware de destino
Utilice transmisiones RTSP para escalabilidad
Habilitar complementos de seguimiento
Metadatos de inferencia de registros
Contenerizar con Docker

Conclusión

La integración de YOLO26 con DeepStream en NVIDIA Jetson desbloquea una canalización de inteligencia artificial de borde altamente optimizada capaz de realizar análisis de video en tiempo real a escala de producción.

Combinando: