Contenerización con Docker para agilizar la implementación de modelos

El proceso de crear una solución de visión artificial implica más pasos que simplemente entrenar y probar un modelo. De hecho, una de las partes más emocionantes de crear modelos de vanguardia es ver cómo tienen un impacto real en entornos reales. Usar Vision AI para resolver problemas conduce naturalmente al despliegue en producción de los modelos de visión artificial que desarrollas.

El despliegue de modelos implica varios pasos, como optimizarlos para garantizar la fiabilidad, la escalabilidad y el rendimiento en condiciones diversas. Un flujo de trabajo de despliegue bien estructurado conecta el desarrollo del modelo con la consecución de un impacto significativo y diferencial.

A menudo, al desplegar modelos de visión artificial como Ultralytics YOLO11, puedes elegir entre varias técnicas y opciones de despliegue, según la aplicación específica que estés desarrollando. Por ejemplo, técnicas como la containerización pueden simplificar el flujo de trabajo de despliegue.

La containerización ayuda a empaquetar un modelo y sus dependencias, como bibliotecas, frameworks y configuraciones, en una única unidad autosuficiente llamada contenedor. Una de las formas más eficientes y populares de hacerlo es con Docker, una plataforma de código abierto que facilita la creación, el envío y la ejecución de aplicaciones containerizadas.

En este artículo, veremos cómo la containerización y Docker agilizan el despliegue de modelos, garantizando una escalabilidad y una eficiencia fluidas en aplicaciones de Vision AI del mundo real.

¿Qué es el despliegue de modelos?#

El despliegue de modelos es la etapa final del ciclo de vida del aprendizaje automático, en la que el modelo entrenado se introduce en un entorno de producción para realizar predicciones en el mundo real. Un despliegue correcto es fundamental para que el modelo funcione de forma fiable en condiciones prácticas.

Por ejemplo, considera un modelo de visión artificial diseñado para identificar matrículas para el cobro automatizado de peajes. Aunque puede alcanzar una gran precisión en un entorno controlado con conjuntos de datos bien etiquetados, desplegarlo en cámaras situadas en carretera puede introducir problemas de latencia debido a factores como el procesamiento de imágenes de alta resolución, los retrasos de red, las limitaciones del hardware y las restricciones de la inferencia en tiempo real.

Las predicciones lentas pueden provocar retrasos en el procesamiento de peajes, congestión o incluso detecciones fallidas. Unas estrategias adecuadas de despliegue de modelos pueden ayudar a reducir la latencia, mejorar la eficiencia y mantener un rendimiento fiable en aplicaciones del mundo real.

Fig. 1. Detección de matrículas con Ultralytics YOLO11.

Además, hay varios aspectos que debes tener en cuenta al desplegar modelos. Uno de ellos es la escalabilidad: los modelos pueden funcionar bien durante el entrenamiento, pero tener dificultades para gestionar datos a gran escala.

Otro son las discrepancias entre entornos, como las diferencias de hardware, cuando un modelo se entrena con GPU de alto rendimiento (unidades de procesamiento gráfico (GPUs)), pero se despliega en dispositivos con una potencia de procesamiento limitada. Estas incoherencias en el despliegue pueden provocar un comportamiento impredecible del modelo. Se pueden utilizar soluciones avanzadas como la containerización para abordar estos desafíos.

Containerización#

La containerización se puede comparar con preparar tu fiambrera, que contiene todo lo que necesitas para una comida, como alimentos, cubiertos y condimentos. Puedes comer en cualquier lugar sin preocuparte por encontrar una cocina o utensilios específicos.

Del mismo modo, la containerización empaqueta un modelo con todas sus dependencias, como bibliotecas, frameworks y configuraciones, en una única unidad llamada contenedor. Estos contenedores garantizan que el modelo se ejecute de forma coherente al proporcionar las mismas dependencias en cualquier sistema, independientemente del entorno subyacente. A diferencia de las máquinas virtuales, que incluyen sistemas operativos completos, los contenedores son ligeros y portátiles, lo que los convierte en una alternativa eficiente.

Fig. 2. Descripción general de la containerización.

Estas son algunas de las principales ventajas de la containerización:

• Control de versiones: Con la containerización, pueden coexistir distintas versiones de un modelo o stack de software, lo que permite realizar reversiones y actualizaciones fácilmente sin interrumpir los sistemas de producción.
• Seguridad: Los contenedores aíslan las aplicaciones del sistema subyacente, reduciendo el riesgo de conflictos, vulnerabilidades y accesos no autorizados.
• Despliegue rápido: Las imágenes de contenedor preconfiguradas permiten realizar despliegues rápidos y repetibles, reduciendo el tiempo de configuración y minimizando los errores de despliegue.

Docker: simplificación de la containerización#

Aunque la containerización es una excelente forma de ejecutar aplicaciones en entornos aislados, configurarla puede ser complicado. Ahí es donde entra Docker. Docker es una plataforma de código abierto que simplifica la creación, el despliegue y la gestión de aplicaciones containerizadas.

Proporciona un entorno coherente y aislado, junto con las herramientas y los frameworks necesarios para probar el modelo. En concreto, Docker es conocido por su sólido ecosistema y su facilidad de uso. Facilita el despliegue de modelos de IA al simplificar el proceso, integrarse sin problemas con plataformas en la nube y permitir que los modelos de IA se ejecuten de forma eficiente en dispositivos periféricos para obtener resultados más rápidos.

Muchos sectores lo utilizan activamente para desplegar y gestionar aplicaciones containerizadas de forma eficiente. El despliegue de modelos basado en Docker suele incluir tres componentes principales:

• Dockerfile: Archivo de configuración basado en texto que actúa como plano para crear una imagen de Docker. Contiene todas las instrucciones necesarias, incluida la imagen base, las dependencias requeridas, la configuración del entorno y los comandos para ejecutar el modelo.

• Imágenes de Docker: Archivos de paquete preconfigurados que incluyen todo lo necesario para ejecutar el modelo, como código, bibliotecas, entornos de ejecución y dependencias. Estas imágenes garantizan que el modelo se ejecute con la misma configuración en cualquier sistema.

• Contenedores de Docker: Instancias en ejecución de imágenes de Docker que proporcionan un entorno aislado y seguro para ejecutar el modelo. En este entorno, el modelo se puede entrenar, probar y ajustar sin interferir con otras aplicaciones ni con el sistema anfitrión.

Fig. 3. Comprender los componentes clave de Docker.

Exploración de una aplicación de visión artificial con Docker#

Supongamos que una ciudad quiere desplegar un sistema de monitorización del tráfico que utilice visión artificial para detectar y clasificar vehículos en tiempo real. Desplegar este sistema en varias ubicaciones, cada una con condiciones de hardware y red diferentes, puede ser complicado. Los problemas de compatibilidad, los conflictos entre dependencias y los entornos incoherentes pueden provocar un rendimiento poco fiable.

Con Docker, los desarrolladores pueden empaquetar todo el modelo de visión artificial, junto con sus dependencias (como frameworks de IA como TensorFlow y scripts personalizados), en un contenedor. Esto garantiza que el modelo se ejecute de forma coherente en distintos entornos, desde el desarrollo local hasta servidores basados en la nube o incluso dispositivos periféricos instalados en cámaras de tráfico.

Fig. 4. Cómo funciona Docker.

Por ejemplo, al desplegar modelos de visión artificial basados en Docker en varias intersecciones, la ciudad puede analizar el flujo del tráfico, detectar infracciones y optimizar los semáforos. Como Docker facilita un entorno estandarizado en todas las ubicaciones, el mantenimiento es más sencillo, las actualizaciones se realizan sin problemas y el rendimiento se mantiene constante.

Despliegue de Ultralytics YOLO11 con Docker#

Ultralytics YOLO11, gracias a su capacidad para realizar tareas complejas de visión artificial, se puede utilizar en diversos sectores, como la fabricación, la sanidad, la conducción autónoma y la agricultura.

Por ejemplo, Ultralytics YOLO11 puede procesar vídeos en aplicaciones de fitness para realizar un seguimiento de ejercicios como las flexiones mediante estimación de poses. Al detectar los movimientos corporales y contar las repeticiones en tiempo real, ayuda a mejorar el seguimiento del entrenamiento y el análisis del rendimiento.

Fig. 5. Monitorización de un entrenamiento con Ultralytics YOLO11.

Si queremos desplegar un modelo de este tipo en aplicaciones del mundo real, debemos gestionar las dependencias, optimizar el hardware y garantizar un rendimiento coherente en distintos entornos. Docker simplifica este proceso al empaquetar Ultralytics YOLO11 con todas las bibliotecas y configuraciones necesarias, haciendo que el despliegue sea más eficiente, escalable y fiable.

Aquí tienes un breve resumen de las ventajas de desplegar Ultralytics YOLO11 con Docker:

• Mantenimiento simplificado: Docker simplifica el proceso de actualizar y mantener Ultralytics YOLO11 y sus dependencias. Las actualizaciones se pueden aplicar a la imagen del contenedor sin afectar al sistema anfitrión, lo que garantiza una gestión fluida y eficiente del modelo.
• Colaboración simplificada: Los desarrolladores y los investigadores pueden compartir fácilmente contenedores de Docker preconfigurados, garantizando que los equipos trabajen con el mismo entorno y evitando problemas de compatibilidad.
• Eficiencia de los recursos: A diferencia de las máquinas virtuales tradicionales, los contenedores de Docker comparten el sistema operativo del anfitrión, reduciendo la sobrecarga y mejorando el aprovechamiento de los recursos, algo crucial para las tareas de inferencia en tiempo real.

Aplicaciones de Ultralytics YOLO11 que se pueden desplegar con Docker#

Veamos algunos ejemplos de aplicaciones de visión artificial que se pueden crear con Ultralytics YOLO11 y Docker.

Monitorización del tráfico con Ultralytics YOLO11#

Antes hemos hablado de monitorizar el tráfico mediante visión artificial. Curiosamente, la compatibilidad de Ultralytics YOLO11 con el seguimiento de objetos puede ayudar a crear un sistema integral de gestión del tráfico. ¿Cómo funciona?

Ultralytics YOLO11 puede analizar vídeos en directo de cámaras de tráfico para detectar y seguir vehículos en tiempo real. Al identificar continuamente las posiciones, velocidades y patrones de movimiento de los vehículos, el sistema puede monitorizar los niveles de congestión, detectar infracciones de tráfico (como saltarse un semáforo en rojo o realizar giros ilegales) y optimizar los semáforos basándose en datos en tiempo real.

Además, desplegar Ultralytics YOLO11 en dispositivos periféricos o plataformas basadas en la nube con la ayuda de Docker garantiza un procesamiento eficiente y escalable, lo que lo convierte en una herramienta valiosa para la gestión del tráfico en ciudades inteligentes.

Fig. 6. Seguimiento y conteo de vehículos con YOLO11.

Fisioterapia mejorada con Ultralytics YOLO11#

En el ámbito de la sanidad, la fisioterapia es fundamental para la rehabilitación, y una postura y un movimiento adecuados son vitales para una recuperación satisfactoria. La información en tiempo real de un sistema de monitorización de pacientes basado en visión puede ayudar a los terapeutas a detectar problemas como ángulos articulares incorrectos o desequilibrios musculares.

Por ejemplo, si un paciente está realizando una elevación de hombro, pero no levanta el brazo hasta la altura correcta o compensa con una postura inadecuada, el sistema puede detectar estos errores y proporcionar correcciones instantáneas. Esto permite a los terapeutas ajustar los tratamientos en tiempo real.

Las capacidades de estimación de poses de Ultralytics YOLO11 se pueden utilizar para detectar puntos corporales clave y analizar los movimientos articulares. Puede procesar vídeos en directo para proporcionar información instantánea, ayudar a los terapeutas a corregir la postura, mejorar la precisión de los movimientos y prevenir lesiones. Esto facilita la creación de planes de tratamiento personalizados basados en la evolución de cada paciente.

Fig. 7. Ejemplo de monitorización de fisioterapia con Ultralytics YOLO11.

En cuanto al despliegue de este tipo de solución, usar Docker puede garantizar un funcionamiento fluido en distintos entornos, tanto en clínicas como en la monitorización remota de pacientes. Docker simplifica el despliegue, mejora la escalabilidad y mantiene la coherencia del sistema, haciendo que las herramientas de fisioterapia basadas en IA sean más fiables y accesibles.

Conclusiones clave#

Desplegar un modelo de visión artificial es un paso fundamental para llevarlo del desarrollo al uso en el mundo real. Un proceso de despliegue fluido garantiza que el modelo entrenado funcione de forma fiable en aplicaciones prácticas. Herramientas como Docker y la containerización han facilitado este proceso al eliminar muchos desafíos tradicionales.

Gracias a su naturaleza ligera, portátil y escalable, estas tecnologías están cambiando la forma de crear y desplegar modelos como Ultralytics YOLO11. Al utilizar la containerización, las empresas pueden ahorrar tiempo, reducir costes y mejorar la eficiencia, garantizando al mismo tiempo que los modelos se ejecuten de forma coherente en distintos entornos.

Únete a nuestra comunidad y consulta nuestro repositorio de GitHub para obtener más información sobre la IA. Lee sobre diversas aplicaciones de la visión artificial en la sanidad y la IA en la fabricación. Explora nuestras opciones de licencia de YOLO para empezar a utilizar Vision AI.