Contenerización con Docker para optimizar la implementación de modelos

El proceso de construir una solución de visión artificial conlleva 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 generan un impacto en entornos del mundo real. 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, incluyendo la optimización de los modelos para obtener fiabilidad, escalabilidad y rendimiento en diversas condiciones. Un flujo de trabajo de despliegue bien estructurado cierra la brecha entre el desarrollo del modelo y que este tenga un impacto significativo que marque la diferencia.

A menudo, al desplegar modelos de visión artificial como Ultralytics YOLO11, existen múltiples técnicas y opciones de despliegue entre las que puedes elegir, y esto depende de la aplicación específica que estés construyendo. Por ejemplo, técnicas como la contenerización pueden simplificar el flujo de trabajo de despliegue.

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

En este artículo, exploraremos cómo la contenerización y Docker optimizan el despliegue de modelos, asegurando una escalabilidad y eficiencia fluidas en aplicaciones de visión artificial del mundo real.

Link to this section¿Qué es el despliegue de modelos?#

El despliegue de modelos es la etapa final del ciclo de vida del aprendizaje automático, donde el modelo entrenado se introduce en un entorno de producción para realizar predicciones en el mundo real. Un despliegue exitoso es una parte clave para que el modelo funcione de manera 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 alta precisión en un entorno controlado con conjuntos de datos bien etiquetados, desplegarlo en cámaras de carretera puede introducir problemas de latencia debido a factores como el procesamiento de imágenes de alta resolución, retrasos en la red, limitaciones de hardware y restricciones de inferencia en tiempo real.

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

Fig 1. Detección de matrículas usando YOLO11.

Además, hay varias consideraciones a tener en cuenta al desplegar modelos. Una es la escalabilidad, donde los modelos funcionan bien durante el entrenamiento pero pueden tener dificultades para manejar datos a gran escala.

Otra son los desajustes ambientales, como las diferencias de hardware, cuando un modelo se entrena en GPUs (Unidades de Procesamiento Gráfico) de alto rendimiento pero se despliega en dispositivos con potencia de procesamiento limitada. Estas inconsistencias en el despliegue pueden conducir a un comportamiento impredecible del modelo. Se pueden utilizar soluciones avanzadas como la contenerización para abordar estos desafíos.

Link to this sectionContenerización#

La contenerización puede compararse con preparar tu tartera, que contiene todo lo que necesitas para una comida, como alimentos, cubiertos y condimentos. Puedes comer en cualquier lugar sin preocuparte de encontrar una cocina o utensilios específicos.

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

Fig 2. Una descripción general de la contenerización.

Aquí tienes algunas de las ventajas clave de la contenerización:

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

Link to this sectionDocker: simplificando la contenerización#

Aunque la contenerización es una excelente forma de ejecutar aplicaciones en entornos aislados, su configuración puede ser complicada. Ahí es donde entra en juego Docker. Docker es una plataforma de código abierto que simplifica la construcción, el despliegue y la gestión de aplicaciones contenerizadas.

Proporciona un entorno consistente y aislado junto con las herramientas y frameworks necesarios para probar el modelo. Específicamente, Docker es conocido por su sólido ecosistema y 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 manera eficiente en dispositivos edge para obtener resultados más rápidos.

Muchas industrias lo utilizan activamente para desplegar y gestionar aplicaciones contenerizadas de manera eficiente. El despliegue de modelos basado en Docker generalmente involucra tres componentes principales:

• Dockerfile: Un archivo de configuración basado en texto que actúa como plano para crear una imagen de Docker. Contiene todas las instrucciones necesarias, incluyendo 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 la ejecución del modelo, como código, bibliotecas, entornos de ejecución y dependencias. Estas imágenes aseguran 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 la ejecución del modelo. Dentro de este entorno, el modelo puede ser entrenado, probado y ajustado sin interferir con otras aplicaciones o el sistema anfitrión.

Fig 3. Entendiendo los componentes clave de Docker.

Link to this sectionExplorando una aplicación de visión artificial usando Docker#

Digamos que una ciudad quiere desplegar un sistema de monitorización de tráfico usando visión artificial para detectar y clasificar vehículos en tiempo real. Desplegar este sistema en múltiples ubicaciones, cada una con diferentes condiciones de hardware y red, puede ser un desafío. Los problemas de compatibilidad, los conflictos de dependencias y los entornos inconsistentes pueden conducir a un rendimiento poco fiable.

Al usar Docker, los desarrolladores pueden empaquetar todo el modelo de visión artificial, junto con sus dependencias (como AI frameworks como TensorFlow y scripts personalizados), en un contenedor. Esto asegura que el modelo se ejecute de manera consistente en diferentes entornos, desde el desarrollo local hasta servidores basados en la nube o incluso dispositivos edge instalados en cámaras de tráfico.

Fig 4. Cómo funciona Docker.

Por ejemplo, al desplegar modelos de visión artificial contenerizados 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 permanece consistente.

Link to this sectionDesplegando YOLO11 usando Docker#

YOLO11, con su capacidad para realizar complejas tareas de visión artificial, puede ser utilizado en diversas industrias, tales como la fabricación, la atención sanitaria, la conducción autónoma y la agricultura.

Por ejemplo, YOLO11 puede procesar transmisiones de vídeo en aplicaciones de fitness para realizar un seguimiento de ejercicios como flexiones usando estimación de pose. 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 usando YOLO11.

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

Aquí tienes un vistazo rápido a los beneficios de desplegar YOLO11 usando Docker:

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

Link to this sectionAplicaciones de YOLO11 que pueden desplegarse usando Docker#

Revisemos algunos ejemplos de aplicaciones de visión artificial que se pueden construir usando YOLO11 y Docker.

Link to this sectionMonitorización del tráfico usando YOLO11#

Anteriormente, discutimos la monitorización del tráfico usando visión artificial. Curiosamente, el soporte de YOLO11 para seguimiento de objetos puede ayudar a construir un sistema integral de gestión del tráfico. ¿Cómo funciona esto?

YOLO11 puede analizar transmisiones de vídeo en vivo 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 monitorizar los niveles de congestión, detectar infracciones de tráfico (como saltarse un semáforo en rojo o giros ilegales) y optimizar los semáforos basándose en datos en tiempo real.

Además, desplegar YOLO11 en dispositivos edge o plataformas basadas en la nube con la ayuda de Docker asegura un procesamiento eficiente y escalabilidad, convirtiéndolo en una herramienta valiosa para la gestión del tráfico en ciudades inteligentes.

Fig 6. Seguimiento y conteo de vehículos usando YOLO11.

Link to this sectionFisioterapia mejorada con YOLO11#

Cuando se trata de salud, la fisioterapia es crucial para la rehabilitación, y una postura y movimiento correctos son vitales para una recuperación exitosa. La retroalimentación en tiempo real de un sistema de monitorización del paciente 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 eleva su brazo a la altura correcta o está compensando 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 pose de YOLO11 se pueden utilizar para detectar puntos clave del cuerpo y analizar movimientos articulares. Puede procesar transmisiones de vídeo en vivo para proporcionar retroalimentación instantánea, ayudando a los terapeutas a corregir la postura, mejorar la precisión del movimiento y prevenir lesiones. Esto hace que sea más fácil crear planes de tratamiento personalizados basados en el progreso de cada paciente.

Fig 7. Un ejemplo de monitorización de fisioterapia con YOLO11.

Con respecto al despliegue de este tipo de solución, usar Docker puede asegurar un funcionamiento fluido en diferentes entornos, ya sea en clínicas o para la monitorización remota de pacientes. Docker simplifica el despliegue, mejora la escalabilidad y mantiene la consistencia del sistema, haciendo que las herramientas de fisioterapia potenciadas por IA sean más fiables y accesibles.

Link to this sectionConclusiones clave#

Desplegar un modelo de visión artificial es un paso crítico para llevarlo del desarrollo al uso en el mundo real. Un proceso de despliegue fluido asegura que el modelo entrenado funcione de forma fiable en aplicaciones prácticas. Herramientas como Docker y la contenerización han hecho que este proceso sea más sencillo al eliminar muchos desafíos tradicionales.

Con su naturaleza ligera, portátil y escalable, estas tecnologías están cambiando cómo se construyen y despliegan modelos como YOLO11. Al usar la contenerización, las empresas pueden ahorrar tiempo, reducir costes y mejorar la eficiencia mientras aseguran que los modelos se ejecuten de manera consistente en diferentes entornos.

Únete a nuestra comunidad y revisa nuestro repositorio de GitHub para aprender más sobre IA. Lee sobre diversas aplicaciones de la visión artificial en la salud y la IA en la fabricación. Explora nuestras opciones de licencia de YOLO para empezar con la visión artificial.