5 de febrero de 2025
Aprenda cómo el uso de Docker para la contenerización hace que la implementación de modelos de visión artificial como Ultralytics YOLO11 sea más eficiente y sencilla.
El proceso de construir una solución de visión artificial 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 verlos tener un impacto en entornos del mundo real. El uso de la visión artificial para resolver problemas conduce naturalmente a la implementación de los modelos de visión artificial que desarrolla en producción.
La implementación de modelos implica varios pasos, incluida la optimización de los modelos para la fiabilidad, la escalabilidad y el rendimiento en diversas condiciones. Un flujo de trabajo de implementación bien estructurado tiende un puente entre el desarrollo del modelo y el modelo que tiene un impacto significativo que marca la diferencia.
A menudo, al implementar modelos de visión artificial como Ultralytics YOLO11, existen múltiples técnicas y opciones de implementación entre las que puede elegir, y depende de la aplicación específica que esté construyendo. Por ejemplo, técnicas como la contenerización pueden simplificar el flujo de trabajo de la implementación.
La contenedorización ayuda a empaquetar un modelo y sus dependencias, como bibliotecas, frameworks y configuraciones, en una sola unidad autocontenida 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 en contenedores.
En este artículo, exploraremos cómo la contenerización y Docker agilizan el despliegue de modelos, garantizando una escalabilidad y eficiencia perfectas en las aplicaciones de Vision AI del mundo real.
La implementación 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. Una implementación exitosa es una parte clave para que el modelo funcione de manera fiable en condiciones prácticas.
Por ejemplo, considere un modelo de visión artificial diseñado para identificar matrículas para el cobro automático de peajes. Si bien puede lograr una alta precisión en un entorno controlado con conjuntos de datos bien etiquetados, su implementación en cámaras de 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.
Las predicciones lentas podrían provocar retrasos en el procesamiento de peajes, congestión o incluso detecciones perdidas. Las estrategias adecuadas de implementación de modelos pueden ayudar a reducir la latencia, mejorar la eficiencia y apoyar un rendimiento fiable en aplicaciones del mundo real.
Además, hay varias consideraciones a tener en cuenta al implementar modelos. Una es la escalabilidad, donde los modelos funcionan bien durante el entrenamiento, pero pueden tener dificultades para manejar datos a gran escala.
Otro son las discrepancias ambientales, como las diferencias de hardware, cuando un modelo se entrena en GPU (unidades de procesamiento gráfico) de alto rendimiento pero se implementa en dispositivos con potencia de procesamiento limitada. Estas inconsistencias en la implementación pueden conducir a un comportamiento impredecible del modelo. Se pueden utilizar soluciones avanzadas como la contenerización para abordar estos desafíos.
La contenedorización se puede comparar con preparar tu fiambrera, que contiene todo lo necesario para una comida, como comida, cubiertos y condimentos. Puedes comer en cualquier lugar 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 sola 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 transportan sistemas operativos completos, los contenedores son ligeros y portátiles, lo que los convierte en una alternativa eficiente.
Estas son algunas de las principales ventajas de la contenerización:
Si bien la contenerización es una excelente manera de ejecutar aplicaciones en entornos aislados, su configuración puede ser complicada. Aquí es donde entra en juego Docker. Docker es una plataforma de código abierto que simplifica la creación, el despliegue y la gestión de aplicaciones contenerizadas.
Proporciona un entorno coherente y aislado junto con las herramientas y los marcos necesarios para probar el modelo. Específicamente, Docker es conocido por su sólido ecosistema y su facilidad de uso. Facilita la implementación de modelos de IA al simplificar el proceso, funcionar sin problemas con las plataformas en la nube y permitir que los modelos de IA se ejecuten de manera eficiente en dispositivos periféricos para obtener resultados más rápidos.
Muchas industrias lo están utilizando activamente para desplegar y gestionar aplicaciones en contenedores de forma eficiente. El despliegue de modelos basado en Docker generalmente involucra tres componentes principales:
Digamos que una ciudad quiere implementar un sistema de monitoreo de tráfico utilizando visión artificial para detectar y clasificar vehículos en tiempo real. La implementación de este sistema en múltiples ubicaciones, cada una con diferentes condiciones de hardware y de red, puede ser un reto. 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 los frameworks de IA como TensorFlow y los scripts personalizados), en un contenedor. Esto garantiza que el modelo se ejecute de manera consistente en diferentes entornos, desde el desarrollo local hasta los servidores basados en la nube o incluso los dispositivos perimetrales instalados en las cámaras de tráfico.
Por ejemplo, al implementar modelos de visión artificial en contenedores Docker en múltiples intersecciones, la ciudad puede analizar el flujo de tráfico, detectar infracciones y optimizar las señales de tráfico. Dado que Docker facilita un entorno estandarizado en todas las ubicaciones, el mantenimiento es más fácil, las actualizaciones son fluidas y el rendimiento se mantiene constante.
YOLO11, con su capacidad para realizar tareas complejas de visión artificial, se puede utilizar en diversas industrias, como la manufactura, la atención médica, la conducción autónoma y la agricultura.
Por ejemplo, YOLO11 puede procesar transmisiones de video en aplicaciones de fitness para rastrear ejercicios como flexiones mediante la estimación de la pose. Al detectar los movimientos del cuerpo y contar las repeticiones en tiempo real, ayuda a mejorar el seguimiento del entrenamiento y el análisis del rendimiento.
Si queremos desplegar un modelo de este tipo en aplicaciones del mundo real, necesitamos gestionar las dependencias, optimizar el hardware y garantizar un rendimiento consistente en diferentes 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.
Aquí tienes un vistazo rápido a los beneficios de implementar YOLO11 usando Docker:
Repasemos algunos ejemplos de aplicaciones de visión artificial que se pueden construir utilizando YOLO11 y Docker.
Anteriormente, hablamos sobre la monitorización del tráfico mediante visión artificial. Curiosamente, el soporte de YOLO11 para el seguimiento de objetos puede ayudar a construir un sistema integral de gestión del tráfico. ¿Cómo funciona esto?
YOLO11 puede analizar transmisiones de video 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 monitorear los niveles de congestión, detectar infracciones de tráfico (como pasarse un semáforo en rojo o giros ilegales) y optimizar las señales de tráfico en función de los datos en tiempo real.
Además, la implementación de YOLO11 en dispositivos edge o plataformas basadas en la nube con la ayuda de Docker garantiza un procesamiento y una escalabilidad eficientes, lo que la convierte en una herramienta valiosa para la gestión del tráfico en ciudades inteligentes.
Cuando se trata de la atención médica, la fisioterapia es crucial para la rehabilitación, y una postura y un movimiento adecuados son vitales para una recuperación exitosa. La retroalimentación en tiempo real de un sistema de monitoreo de pacientes basado en la 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 a la altura correcta o está compensando con una postura incorrecta, 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 los movimientos de las articulaciones. Puede procesar transmisiones de video en vivo para proporcionar retroalimentación instantánea, lo que ayuda a los terapeutas a corregir la postura, mejorar la precisión del movimiento y prevenir lesiones. Esto facilita la creación de planes de tratamiento personalizados basados en el progreso de cada paciente.
Con respecto a la implementación de este tipo de solución, el uso de Docker puede garantizar un funcionamiento sin problemas en diferentes entornos, ya sea en clínicas o para el monitoreo remoto de pacientes. Docker simplifica la implementación, mejora la escalabilidad y mantiene la consistencia del sistema, lo que hace que las herramientas de fisioterapia impulsadas por IA sean más confiables y accesibles.
La implementación de un modelo de visión artificial es un paso fundamental para llevarlo del desarrollo al uso en el mundo real. Un proceso de implementación fluido garantiza que el modelo entrenado funcione de forma fiable en aplicaciones prácticas. Herramientas como Docker y la contenerización han facilitado este proceso al eliminar muchos retos tradicionales.
Con su naturaleza ligera, portátil y escalable, estas tecnologías están cambiando la forma en que se construyen e implementan modelos como YOLO11. Mediante el uso de la contenerización, las empresas pueden ahorrar tiempo, reducir costes y mejorar la eficiencia, al tiempo que garantizan que los modelos se ejecuten de forma coherente en diferentes entornos.
Únase a nuestra comunidad y consulte nuestro repositorio de GitHub para obtener más información sobre la IA. Lea sobre las diversas aplicaciones de la visión artificial en la atención sanitaria y la IA en la fabricación. Explore nuestras opciones de licencia de YOLO para empezar a trabajar con Vision AI.
