5 de febrero de 2025
Descubra cómo el uso de Docker para la contenedorización hace que el despliegue de modelos de visión por ordenador como Ultralytics YOLO11 sea más eficiente y sencillo.
El proceso de creación de una solución de visión por ordenador implica más pasos que simplemente entrenar y probar un modelo. De hecho, una de las partes más emocionantes de la creación de modelos de vanguardia es ver su impacto en entornos reales. El uso de la IA de visión para resolver problemas conduce de forma natural al despliegue en producción de los modelos de visión por ordenador que desarrolle.
El despliegue de modelos implica varios pasos, incluida la optimización de los modelos en cuanto a fiabilidad, escalabilidad y rendimiento en diversas condiciones. Un flujo de trabajo de despliegue bien estructurado tiende un puente entre el desarrollo del modelo y el hecho de que el modelo tenga un impacto significativo que marque la diferencia.
A menudo, cuando se despliegan modelos de visión por ordenador como Ultralytics YOLO11, hay múltiples técnicas y opciones de despliegue entre las que se puede elegir, y depende de la aplicación específica que se esté creando. Por ejemplo, técnicas como la contenedorización pueden simplificar el flujo de trabajo de despliegue.
La contenedorización ayuda a empaquetar un modelo y sus dependencias, como bibliotecas, frameworks y configuraciones, en una única unidad autocontenida denominada 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 en contenedores.
En este artículo, exploraremos cómo la contenedorización y Docker agilizan el despliegue de modelos, garantizando una escalabilidad y eficiencia sin fisuras en las aplicaciones Vision AI del mundo real.
El despliegue del modelo es la fase 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. Para que el modelo funcione de forma fiable en condiciones prácticas, es fundamental que se implante correctamente.
Por ejemplo, consideremos un modelo de visión por ordenador diseñado para identificar matrículas para el cobro automático de peajes. Aunque puede alcanzar una gran precisión en un entorno controlado con conjuntos de datos bien etiquetados, su despliegue en cámaras situadas junto a la carretera puede introducir problemas de latencia debido a factores como el procesamiento de imágenes de alta resolución, los retrasos en la red, las limitaciones de hardware y las restricciones de inferencia en tiempo real.
La lentitud de las predicciones puede provocar retrasos en el procesamiento de los peajes, congestiones o incluso la omisión de detecciones. Unas estrategias adecuadas de despliegue de modelos pueden ayudar a reducir la latencia, mejorar la eficiencia y respaldar un rendimiento fiable en aplicaciones del mundo real.
Además, hay que tener en cuenta varias consideraciones a la hora de desplegar los modelos. Una de ellas es la escalabilidad, ya que los modelos funcionan bien durante el entrenamiento pero pueden tener dificultades para manejar datos a gran escala.
Otra son los desajustes del entorno, como las diferencias de hardware, cuando un modelo se entrena en GPU (unidades de procesamiento gráfico) de alto rendimiento pero se despliega en dispositivos con una potencia de procesamiento limitada. Estas incoherencias en el despliegue pueden provocar un comportamiento imprevisto del modelo. Para hacer frente a estos problemas pueden utilizarse soluciones avanzadas como la contenedorización.
La contenedorización puede compararse con llevar la fiambrera, que contiene todo lo necesario para una comida, como alimentos, cubiertos y condimentos. Puedes comer en cualquier sitio sin preocuparte de encontrar una cocina o utensilios específicos.
Del mismo modo, la contenedorización empaqueta un modelo con todas sus dependencias, como bibliotecas, frameworks y configuraciones, en una única unidad denominada 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 transportan sistemas operativos enteros, los contenedores son ligeros y portátiles, lo que los convierte en una alternativa eficaz.
Estas son algunas de las principales ventajas de la contenedorización:
Aunquela contenedorización es una forma estupenda 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 en contenedores.
Proporciona un entorno coherente y aislado junto con las herramientas y marcos necesarios para probar el modelo. Concretamente, Docker es conocido por su sólido ecosistema y su facilidad de uso. Facilita el despliegue de modelos de IA simplificando el proceso, trabajando sin problemas con plataformas en la nube y permitiendo que los modelos de IA se ejecuten de forma eficiente en dispositivos periféricos para obtener resultados más rápidos.
Muchas industrias lo están utilizando activamente para desplegar y gestionar aplicaciones en contenedores de manera eficiente.El despliegue de modelos basado en Docker generalmente implica tres componentes principales:
Supongamos que una ciudad quiere implantar un sistema de vigilancia del tráfico que utilice visión por ordenador para detectar y clasificar vehículos en tiempo real. Desplegar este sistema en varias ubicaciones, cada una con un hardware y unas condiciones de red diferentes, puede ser todo un reto. Los problemas de compatibilidad, los conflictos de dependencia y los entornos incoherentes pueden dar lugar a un rendimiento poco fiable.
Al utilizar Docker, los desarrolladores pueden empaquetar todo el modelo de visión por ordenador, junto con sus dependencias (como marcos de IA como TensorFlow y scripts personalizados), en un contenedor. Esto garantiza que el modelo se ejecute de forma coherente en diferentes entornos, desde el desarrollo local hasta los servidores basados en la nube o incluso los dispositivos de borde instalados en las cámaras de tráfico.
Por ejemplo, desplegando modelos de visión por ordenador Dockerizados en múltiples intersecciones, la ciudad puede analizar el flujo de tráfico, detectar infracciones y optimizar los semáforos. Dado que Docker facilita un entorno estandarizado en todas las ubicaciones, el mantenimiento es más sencillo, las actualizaciones son fluidas y el rendimiento se mantiene constante.
YOLO11, con su capacidad para realizar complejas tareas de visión por ordenador, puede utilizarse en diversos sectores, como la fabricación, la sanidad, la conducción autónoma y la agricultura.
Por ejemplo, YOLO11 puede procesar secuencias de vídeo en aplicaciones de fitness para hacer un seguimiento de ejercicios como flexiones mediante la estimación de posturas. Al detectar los movimientos del cuerpo y contar las repeticiones en tiempo real, ayuda a mejorar el seguimiento de los entrenamientos y el análisis del rendimiento.
Si queremos desplegar un modelo de este tipo en aplicaciones del mundo real, tenemos que gestionar las dependencias, optimizar el hardware y garantizar un rendimiento coherente en distintos entornos. El uso de Docker simplifica este proceso al empaquetar YOLO11 con todas las bibliotecas y configuraciones necesarias, lo que hace que el despliegue sea más eficiente, escalable y fiable.
He aquí un rápido vistazo a las ventajas de desplegar YOLO11 utilizando Docker:
Veamos algunos ejemplos de aplicaciones de visión por ordenador que pueden construirse utilizando YOLO11 y Docker.
Antes hemos hablado de la supervisión del tráfico mediante visión por ordenador. Curiosamente, la compatibilidad de YOLO11 con el seguimiento de objetos puede ayudar a crear un sistema integral de gestión del tráfico. ¿Cómo funciona?
YOLO11 puede analizar imágenes de vídeo en directo de cámaras de tráfico para detectar y rastrear vehículos en tiempo real. Al identificar continuamente las posiciones, velocidades y patrones de movimiento de los vehículos, el sistema puede controlar los niveles de congestión, detectar infracciones de tráfico (como saltarse semáforos en rojo o giros ilegales) y optimizar los semáforos basándose en datos en tiempo real.
Además, el despliegue de YOLO11 en dispositivos periféricos o plataformas basadas en la nube con ayuda de Docker garantiza un procesamiento y una escalabilidad eficientes, lo que lo convierte en una valiosa herramienta para la gestión inteligente del tráfico urbano.
En el ámbito sanitario, la fisioterapia es crucial 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 del paciente basado en la visión puede ayudar a los terapeutas a detectar problemas como ángulos articulares incorrectos o desequilibrios musculares.
Por ejemplo, si un paciente realiza una elevación de hombros pero no levanta el brazo a la altura correcta o lo compensa con una postura inadecuada, el sistema puede detectar estos errores y corregirlos al instante. Esto permite a los terapeutas ajustar los tratamientos en tiempo real.
Las funciones de estimación de la postura de YOLO11 pueden utilizarse para detectar puntos clave del cuerpo y analizar los movimientos de las articulaciones. Puede procesar secuencias de vídeo en directo para proporcionar información instantánea, lo que ayuda a los terapeutas a corregir posturas, mejorar la precisión de los movimientos y prevenir lesiones. Esto facilita la creación de planes de tratamiento personalizados basados en el progreso de cada paciente.
Con respecto al despliegue de este tipo de soluciones, el uso de Docker puede garantizar un funcionamiento sin problemas en diferentes entornos, ya sea en clínicas o para la monitorización remota de pacientes. Docker simplifica el despliegue, mejora la escalabilidad y mantiene la coherencia del sistema, lo que hace que las herramientas de fisioterapia impulsadas por IA sean más fiables y accesibles.
El despliegue de un modelo de visión por ordenador 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 contenedorización han facilitado este proceso al eliminar muchos de los retos tradicionales.
Gracias a su naturaleza ligera, portátil y escalable, estas tecnologías están cambiando la forma de crear e implantar modelos como YOLO11. Mediante el uso de contenedores, las empresas pueden ahorrar tiempo, reducir costes y mejorar la eficiencia, garantizando al mismo tiempo que los modelos se ejecuten de forma coherente en diferentes entornos.
Únase a nuestra comunidad y consulte nuestro repositorio de GitHub para aprender más sobre IA. Lea sobre diversas aplicaciones de la visión por ordenador en la asistencia sanitaria y la IA en la fabricación. Explore nuestras opciones de licencia yolo para empezar con Vision AI.
.webp)