Cómo simplifica Ultralytics Platform la implementación de modelos de visión artificial

Ultralytics lleva años colaborando con la comunidad de visión artificial y creando modelos y herramientas que acercan la IA visual a todo el mundo. Con Ultralytics Platform, damos un paso más al reunir todo el flujo de trabajo de desarrollo de visión artificial en un entorno unificado, desde la gestión y anotación de conjuntos de datos hasta el entrenamiento, la validación y la implementación de modelos.

En particular, nos hace mucha ilusión facilitar la implementación de modelos de visión artificial. A medida que la visión artificial se abre paso en aplicaciones del mundo real, analizar imágenes y vídeos fuera de entornos controlados sigue siendo complejo.

A diferencia de los entornos de prueba, donde las condiciones son previsibles, las situaciones reales implican cambios en la iluminación, entradas variables y cargas de trabajo imprevisibles, lo que convierte la implementación en una de las partes más complejas del flujo de trabajo de visión artificial.

La implementación implica mucho más que poner un modelo a disposición de los usuarios. Requiere configurar procesos capaces de gestionar datos del mundo real y garantizar que todo funcione sin problemas a medida que aumenta el uso y crecen los proyectos.

Los equipos también deben hacer un seguimiento del rendimiento y mantener la fiabilidad a lo largo del tiempo. Esto suele implicar cambiar entre distintas herramientas de IA para realizar pruebas, integrar, implementar y monitorizar, lo que puede ralentizar el desarrollo de modelos y añadir complejidad innecesaria.

Los flujos de trabajo acaban fragmentándose. Ultralytics Platform unifica y simplifica este proceso.

Ofrece compatibilidad integrada con el servicio, las pruebas y la monitorización de modelos en un único entorno. Los equipos pueden validar modelos mediante inferencia en el navegador, integrarlos en aplicaciones a través de servicios de inferencia compartidos e implementarlos en endpoints dedicados con capacidades de monitorización del rendimiento.

Fig. 1. Vista de la página de implementación de Ultralytics Platform (Fuente)

En este artículo veremos cómo Ultralytics Platform simplifica la implementación de modelos de visión artificial, desde las pruebas y la integración hasta la puesta en producción y la supervisión. ¡Empecemos!

Introducción a la implementación de modelos de visión artificial#

En el ciclo de vida del aprendizaje automático, la implementación de modelos es la etapa en la que un modelo pasa de la experimentación al uso en el mundo real. En el caso de los modelos de visión artificial desarrollados con aprendizaje profundo y redes neuronales convolucionales, esto suele significar ponerlos a disposición para procesar imágenes y vídeos en tiempo real.

Una vez implementados, estos modelos reciben datos nuevos, que suelen pasar por pasos de preprocesamiento como el redimensionamiento, la normalización o el formateo. A continuación, los datos procesados se pasan al modelo, que aplica los patrones aprendidos durante el entrenamiento para generar predicciones de gran precisión.

Según el caso de uso, esto puede incluir distintas tareas de visión artificial. Por ejemplo, los modelos Ultralytics YOLO, como Ultralytics YOLO26, admiten una amplia variedad de tareas de visión, como la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de cajas delimitadoras orientadas (OBB).

Para que esto sea viable en aplicaciones del mundo real, los modelos suelen tener que integrarse en sistemas capaces de gestionar el preprocesamiento y la inferencia de forma eficiente. Aquí es donde la infraestructura de implementación resulta esencial.

En entornos de producción, normalmente se accede a los modelos mediante REST API o sistemas de servicio de modelos. Estas interfaces permiten que las aplicaciones envíen datos y reciban predicciones mediante programación, lo que facilita la integración con aplicaciones externas, dispositivos IoT o sistemas robóticos que dependen de la comprensión visual en tiempo real.

Limitaciones de las herramientas tradicionales de implementación de visión artificial#

La implementación de modelos de visión artificial puede parecer sencilla, pero hasta ahora, en la práctica, ha sido muy distinta. Pensemos en una configuración habitual: primero, se capturan datos con cámaras o sensores, se envían a un modelo para realizar inferencias y, después, se devuelven a una aplicación en forma de predicciones.

En realidad, cada uno de estos pasos suele gestionarse con herramientas y servicios independientes. Un sistema puede encargarse de capturar datos, otro de gestionar el servicio de modelos y, además, se pueden utilizar otras herramientas para el escalado, la monitorización y el registro. Mantener estos componentes conectados y funcionando de forma fiable puede volverse complejo rápidamente.

A medida que aumenta el uso, esta complejidad se incrementa. Gestionar la infraestructura, las dependencias y mantener un rendimiento uniforme en todo el flujo de trabajo puede ralentizar el desarrollo y dificultar la implementación de modelos de visión artificial en aplicaciones del mundo real.

Ultralytics Platform reúne estos componentes en un entorno único y unificado. Así, ofrece una forma más coherente de gestionar todo el flujo de trabajo de implementación, sin dejar de garantizar el rendimiento y la fiabilidad a escala.

Opciones de implementación de modelos disponibles en Ultralytics Platform#

Además de unificar el proceso de implementación de modelos, Ultralytics Platform también aporta flexibilidad a la forma de implementarlos y utilizarlos.

Para cubrir las distintas etapas de la implementación de modelos de visión artificial, la plataforma ofrece cuatro opciones: pruebas en el navegador con inferencia instantánea, inferencia compartida mediante API para el desarrollo, endpoints dedicados para implementaciones de producción escalables en regiones de todo el mundo y exportación de modelos para ejecutarlos en infraestructura externa o dispositivos periféricos.

Veamos con más detalle cómo funciona cada una de estas opciones.

Valida modelos rápidamente con la pestaña Predict#

Antes de pasar un modelo a producción, es importante saber cómo funciona con datos nuevos que no ha visto antes. Ultralytics Platform incluye una pestaña Predict integrada que te permite ejecutar inferencias directamente en el navegador, sin configuración, infraestructura ni dependencias.

La pestaña Predict permite validar modelos de forma rápida e interactiva. Puedes subir imágenes, usar ejemplos precargados o capturar entradas con una cámara web; la inferencia se ejecuta automáticamente en cuanto se proporcionan los datos.

Los resultados aparecen al instante con superposiciones visuales, puntuaciones de confianza y resultados detallados, para que puedas ver claramente cómo se comporta el modelo.

Fig. 2. Ejemplo de validación de un modelo con la pestaña Predict (Fuente)

Así, con unos pocos clics, puedes probar distintas entradas, ajustar parámetros y evaluar el rendimiento desde una única interfaz antes de pasar a la implementación.

Ejecución de inferencias compartidas para pruebas o un uso limitado#

Imagina que has entrenado un modelo y lo has validado con la pestaña Predict. El siguiente paso suele ser empezar a integrar ese modelo en una aplicación o un flujo de trabajo.

En lugar de configurar infraestructura o gestionar servidores, Ultralytics Platform ofrece servicios de inferencia compartidos que te permiten enviar datos a tu modelo y recibir predicciones mediante REST API sencillas.

En segundo plano, la inferencia compartida se ejecuta en un sistema multiinquilino distribuido en varias regiones principales, donde las solicitudes se dirigen automáticamente al servicio disponible más cercano. Esto ayuda a mantener un rendimiento ágil y permite que los usuarios de distintas ubicaciones accedan a los modelos de forma uniforme.

Puedes enviar entradas mediante solicitudes HTTP estándar y recibir salidas estructuradas a cambio, lo que facilita conectar los modelos con aplicaciones, scripts o flujos de trabajo automatizados. Esta configuración es una buena opción para desarrollar, probar e integrar, o para un uso más limitado antes de pasar a implementaciones de producción más escalables.

Implementa modelos en todo el mundo mediante endpoints dedicados#

Cuando un modelo está listo para producción, debe gestionar el tráfico real de forma fiable y a escala. Ultralytics Platform lo permite con endpoints dedicados, donde los modelos funcionan como servicios de un solo inquilino en 42 regiones de todo el mundo. Desplegarlos más cerca de los usuarios finales ayuda a reducir la latencia y a mantener un rendimiento constante en distintas ubicaciones.

Cada endpoint se ejecuta con sus propios recursos de computación asignados y una URL única para las solicitudes de inferencia. Este nivel de control facilita ajustar las implementaciones a las necesidades de rendimiento, desde casos de uso ligeros hasta aplicaciones más exigentes y de alto rendimiento que requieren más recursos computacionales.

Fig. 3. Puedes desplegar modelos en 42 regiones de todo el mundo con Ultralytics Platform (Fuente)

Con los recursos predeterminados, los endpoints dedicados inactivos se escalan a cero y se reinician cuando llegan nuevas solicitudes, lo que ayuda a optimizar el uso de recursos sin intervención manual. En cambio, los endpoints de tamaño personalizado mantienen una instancia activa.

Exporta fácilmente tu modelo con Ultralytics Platform#

Hoy en día, la IA en el edge es cada vez más esencial, ya que más aplicaciones dependen de la ejecución de modelos directamente en dispositivos como teléfonos inteligentes, cámaras y sistemas integrados. La ejecución local de modelos también puede ayudar a cumplir los requisitos de privacidad de los datos, ya que los datos confidenciales, como imágenes o secuencias de vídeo, pueden procesarse directamente en el dispositivo sin enviarse a servidores externos.

En estos casos, los modelos deben ejecutarse fuera de Ultralytics Platform, por lo que exportarlos es una parte fundamental del proceso de implementación. Los modelos Ultralytics YOLO suelen entrenarse con Python y PyTorch, y después se pueden exportar a más de 17 formatos distintos, entre ellos ONNX, TensorRT, CoreML y OpenVINO.

Esta amplia variedad de formatos garantiza la compatibilidad con distintos tipos de hardware, desde unidades de procesamiento gráfico (GPUs) de alto rendimiento hasta dispositivos móviles e integrados. Además, la exportación permite ajustar el rendimiento a entornos específicos.

Según el formato, los modelos pueden alcanzar velocidades de inferencia mayores, por ejemplo, mejorar el rendimiento de la GPU con TensorRT u optimizar la ejecución de la CPU con ONNX y OpenVINO. Opciones como la cuantización FP16 e INT8 pueden reducir aún más el tamaño de los modelos y mejorar el rendimiento, algo especialmente útil para las implementaciones en el edge.

En Ultralytics Platform, la exportación está integrada directamente en el flujo de trabajo, por lo que puedes generar modelos optimizados rápidamente con solo unos clics. Los equipos pueden pasar del entrenamiento a la ejecución de modelos en sistemas externos sin añadir trabajo adicional.

Fig. 4. Selección de formatos de exportación en Ultralytics Platform.

Cómo elegir la opción adecuada para implementar modelos#

Cada opción de implementación de Ultralytics Platform sirve para una etapa distinta del flujo de trabajo, desde las primeras pruebas hasta el uso en producción. Aquí tienes un resumen de cuándo puedes usar cada una:

• Pestaña Predict: suele utilizarse justo después del entrenamiento o el ajuste fino, cuando quieres validar cómo funciona un modelo con datos nuevos mediante inferencia en el navegador.
• Inferencia compartida: en esta etapa, los modelos se pueden integrar en aplicaciones mediante API, lo que permite probar interacciones del mundo real durante el desarrollo.
• Endpoints dedicados: se utilizan para implementaciones de producción, donde los modelos necesitan un rendimiento uniforme, recursos dedicados y capacidad para escalar en regiones de todo el mundo.
• Exportación de modelos: cuando los modelos deben ejecutarse fuera de la plataforma, la opción de exportarlos permite implementarlos en dispositivos periféricos, aplicaciones móviles o infraestructura personalizada.

Los equipos suelen avanzar paso a paso por estas opciones: pasan de la validación a la integración y, por último, a la implementación en producción, todo dentro de la plataforma.

Monitorización de modelos implementados con Ultralytics Platform#

La implementación es fundamental, pero la canalización de visión no termina ahí. Una vez que un modelo está en producción, la supervisión continua es clave para garantizar que funcione de forma fiable a lo largo del tiempo.

Ultralytics Platform ofrece herramientas de monitorización integradas que permiten a los equipos ver claramente cómo se comportan sus modelos de IA de visión a lo largo del tiempo y facilitan un flujo de trabajo más estructurado de operaciones de aprendizaje automático (MLOps).

La página Deploy incluye un panel que registra métricas clave, como el total de solicitudes, las implementaciones activas, la latencia de respuesta y las tasas de error. Esta información ayuda a los equipos a comprender los patrones de uso, evaluar la capacidad de respuesta del sistema y garantizar un rendimiento de baja latencia con distintas cargas de trabajo.

Fig. 5. Ultralytics Platform facilita la monitorización de los modelos implementados. (Fuente)

Cada endpoint dedicado también ofrece observabilidad detallada mediante vistas individuales de las implementaciones. Esto incluye acceso a registros, al estado del modelo y a datos de rendimiento en tiempo real. Los registros se pueden utilizar para depurar problemas, rastrear solicitudes fallidas e identificar posibles incidencias relacionadas con dependencias o infraestructura.

A medida que evolucionan los entornos de producción, factores como los cambios en los datos de entrada, las necesidades de escalado o las variaciones en los patrones de uso pueden afectar a la precisión y la robustez del modelo. Al monitorizar continuamente las métricas de rendimiento, los equipos pueden detectar anomalías, identificar cuellos de botella y tomar medidas correctivas, como optimizar los modelos o ajustar los recursos, para mantener un servicio de modelos uniforme y fiable.

Cómo incorporar la escalabilidad a las implementaciones de modelos de visión artificial#

Tradicionalmente, escalar sistemas de visión artificial implicaba unir flujos de trabajo y marcos de trabajo que nunca se diseñaron para funcionar como un conjunto. Las canalizaciones de datos, los ciclos de entrenamiento, la infraestructura de implementación y los sistemas de monitorización suelen estar separados, lo que genera fricciones en cada etapa.

El verdadero reto no consiste solo en crear modelos, sino en mantenerlos en marcha: desde los datos hasta la producción, adaptándolos a nuevas entradas, gestionando una demanda creciente y mejorándolos continuamente sin ralentizar el proceso.

Lo que distingue a Ultralytics Platform es que este flujo continuo está integrado. En lugar de tratar cada etapa como un paso independiente, las conecta en un ciclo continuo que permite desarrollar, implementar, observar y actualizar modelos en un mismo entorno.

Este cambio transforma la forma en que los equipos escalan. Ya no se trata de orquestar herramientas o infraestructura, sino de mantener el impulso a medida que crecen los sistemas.

Conclusiones clave#

Para incorporar modelos de aprendizaje automático, como los modelos de visión artificial, a aplicaciones del mundo real, estos deben ser fiables, escalables y fáciles de gestionar. Ultralytics Platform simplifica este proceso al combinar varias funciones, como el servicio de modelos, la implementación y la monitorización, en un único entorno unificado. Gracias a las opciones flexibles de implementación y las herramientas integradas, los equipos pueden pasar de la experimentación a producción con mayor rapidez y menos complejidad.

Visita nuestra comunidad y explora nuestro repositorio de GitHub para obtener más información. Consulta nuestras páginas de soluciones para ver distintas aplicaciones, como la IA en el sector sanitario y la visión artificial en logística. Descubre nuestras opciones de licencia y empieza a crear hoy mismo.