Ultralytics Platform: implementación de modelos de visión artificial en cualquier región

A principios de esta semana, Ultralytics lanzó Ultralytics Platform, un nuevo entorno integral diseñado para acelerar la puesta en producción de sistemas de visión artificial (CV) mediante la optimización de todas las etapas del flujo de trabajo de IA visual, desde la preparación de datos y el desarrollo de modelos hasta la implementación.

Una de las principales razones para desarrollar Ultralytics Platform es que llevar una solución de visión artificial desde la idea hasta su impacto en el mundo real implica algo más que crear un modelo sólido. Una vez entrenado y validado, el modelo debe implementarse para que las aplicaciones puedan enviar imágenes, recibir predicciones y ejecutar inferencias de forma fiable en entornos reales.

En esta etapa del ciclo de vida del aprendizaje automático, los modelos de visión artificial van más allá de la experimentación y empiezan a impulsar sistemas prácticos. Aunque las etapas anteriores, como la preparación de conjuntos de datos, la anotación, el entrenamiento de modelos y las pruebas, avancen sin problemas, los resultados no servirán de nada si no hay una forma fiable de implementar los modelos.

La realidad de muchos proyectos de visión artificial es que la implementación puede ser una de las etapas más complejas del flujo de trabajo.

A menudo, los equipos tienen que configurar API de inferencia, gestionar recursos computacionales, implementar los modelos cerca de los usuarios para reducir la latencia y supervisar el rendimiento una vez que los sistemas están en producción.

Ultralytics Platform agiliza y automatiza este proceso al ofrecer varias opciones de implementación, como formatos de exportación de modelos, servicios de inferencia compartidos y endpoints dedicados en regiones de todo el mundo. Gracias a la infraestructura gestionada y a la supervisión integrada, los equipos pueden pasar fácilmente de los modelos entrenados a sistemas de visión artificial listos para producción.

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

En este artículo exploraremos cómo implementar modelos de visión artificial en cualquier región mediante endpoints dedicados en Ultralytics Platform.

¿Qué es la implementación de modelos de CV?#

Antes de profundizar en cómo implementar modelos de aprendizaje profundo con Ultralytics Platform, vamos a entender mejor qué significa realmente implementar un modelo de visión artificial.

La implementación de modelos de visión artificial es el proceso de poner un modelo entrenado a disposición para su uso en el mundo real. En lugar de ejecutarse únicamente en un entorno de entrenamiento, el modelo se configura para que las aplicaciones puedan enviarle imágenes o vídeos y recibir predicciones.

Por ejemplo, un modelo puede detectar objetos en una imagen, realizar segmentación de imágenes, identificar artículos en un almacén o reconocer patrones en secuencias de vídeo. En la mayoría de los sistemas reales, esto se lleva a cabo mediante una API o un endpoint de inferencia.

Una aplicación envía una imagen al modelo, el modelo la procesa y devuelve una predicción en milisegundos. Esto es lo que permite a modelos de visión artificial como Ultralytics YOLO impulsar aplicaciones en tiempo real.

Los modelos se pueden implementar en distintos entornos según el caso de uso. Algunos se ejecutan en la nube (a través de plataformas en la nube) y muchas aplicaciones pueden acceder a ellos; otros se ejecutan en dispositivos edge, como cámaras locales, robots o sistemas integrados que necesitan predicciones locales rápidas.

Opciones de implementación de modelos de IA en Ultralytics Platform#

Ultralytics Platform aborda muchos de los retos a los que se enfrenta la comunidad de visión artificial al implementar modelos y ofrece formas flexibles de ejecutar inferencias según las necesidades de tu aplicación.

Aquí tienes un breve resumen de las opciones de implementación de modelos disponibles en la plataforma:

• Exportación de modelos: Puedes exportar modelos a 22 formatos distintos, como ONNX, TensorRT, CoreML y TFLite, lo que permite ejecutarlos en una amplia variedad de entornos, incluidos dispositivos edge como Raspberry Pi y NVIDIA Jetson, aplicaciones móviles, contenedores Docker e infraestructuras personalizadas.
• Inferencia compartida: La plataforma permite ejecutar predicciones mediante un servicio compartido de inferencia gestionado, ideal para probar modelos rápidamente.
• Endpoints dedicados: Despliega fácilmente modelos como servicios independientes con URL de API únicas que pueden ejecutarse en 42 regiones de todo el mundo, con escalado a cero, monitorización y comprobaciones de estado para despliegues en producción.

Implementación mediante endpoints dedicados#

Una de las formas más escalables de ejecutar modelos preentrenados o modelos de visión artificial entrenados a medida en producción con Ultralytics Platform es mediante endpoints dedicados. Un endpoint dedicado te permite implementar un modelo entrenado como un servicio independiente, para que las aplicaciones puedan enviarle imágenes y recibir predicciones a través de una API.

En lugar de ejecutar un modelo únicamente en un entorno de entrenamiento o en un cuaderno local, implementarlo como endpoint lo pone al alcance de aplicaciones reales. Por ejemplo, un sistema de almacén podría enviar imágenes de paquetes para detectar objetos, una cámara inteligente podría analizar fotogramas de vídeo o un sistema robótico podría utilizar predicciones para guiar sus acciones.

Cada endpoint dedicado funciona como un servicio de inquilino único, lo que significa que la infraestructura que ejecuta tu modelo no se comparte con otros usuarios. Esto ofrece un rendimiento más predecible y facilita la supervisión del comportamiento del modelo en producción.

Cómo funcionan los endpoints de inferencia dedicados#

Puedes considerar un endpoint dedicado como un servicio alojado para tu modelo. Ultralytics Platform proporciona una URL de endpoint única que sirve como punto de entrada para las aplicaciones.

Cuando una aplicación envía una solicitud a esa URL, incluye una imagen y parámetros opcionales, como umbrales de confianza o el tamaño de la imagen, además de una clave de API para la autenticación.

El servicio ejecuta la inferencia sobre la imagen con tu modelo y devuelve las predicciones en una respuesta estructurada. Esta configuración permite a los desarrolladores integrar modelos de visión artificial en sistemas reales mediante herramientas web estándar.

Las aplicaciones pueden enviar solicitudes con Python, JavaScript, cURL u otros clientes HTTP, lo que facilita conectar modelos a paneles, sistemas robóticos o aplicaciones en la nube. Como el endpoint se ejecuta de forma independiente, también puede admitir el escalado, la supervisión y la implementación global, y ayudar a los equipos a crear sistemas de visión artificial fiables para producción.

La implementación en varias regiones mejora la inferencia en tiempo real#

Una ventaja clave de los endpoints dedicados de Ultralytics Platform es la posibilidad de desplegar modelos en 42 regiones de todo el mundo. Estas regiones abarcan distintas partes del planeta, como América del Norte, América del Sur, Europa, Asia-Pacífico, Oriente Medio y África.

Fig. 2. Ultralytics Platform admite 42 regiones de todo el mundo (Fuente)

Implementar modelos en regiones cercanas a aquellas donde se ejecutan las aplicaciones ayuda a reducir la latencia, es decir, el tiempo que tarda una aplicación en enviar una imagen y recibir una predicción. También puede ayudar a las organizaciones a cumplir los requisitos de privacidad de los datos y de residencia de datos, al mantener el procesamiento de datos cerca de su lugar de origen.

La baja latencia es importante para muchas aplicaciones de visión artificial que dependen de la inferencia en tiempo real, como los sistemas de robótica, los dispositivos del Internet de las cosas (IoT), los procesos de inspección industrial y las infraestructuras de ciudades inteligentes.

Por ejemplo, si una aplicación se utiliza principalmente en Europa, implementar el modelo en una región europea puede mejorar considerablemente los tiempos de respuesta en comparación con ejecutar el modelo en una región lejana.

Cómo implementar en cualquier región con Ultralytics Platform#

Implementar un modelo en una región concreta es sencillo y suele llevar solo un par de minutos. La plataforma se encarga de configurar la infraestructura para que los desarrolladores puedan centrarse en integrar el modelo en sus aplicaciones. Veamos los pasos necesarios.

Paso 1: Entrena o sube un modelo#

Antes de implementar un modelo, debes tener uno entrenado disponible en tu proyecto. Puede ser un modelo entrenado directamente en Ultralytics Platform, uno que hayas subido después de entrenarlo en otro lugar o uno clonado de un proyecto de la comunidad que hayas encontrado en la «pestaña Explore», donde puedes copiar con un solo clic a tu cuenta proyectos públicos compartidos por otros usuarios.

Cuando el modelo esté listo, abre su página dentro del proyecto para continuar.

Paso 2: Abre la pestaña Deploy#

Ve a la pestaña Deploy del modelo. En esta sección de la plataforma puedes configurar e iniciar las implementaciones.

En esa página verás una tabla de regiones y un mapa interactivo que muestra las ubicaciones de implementación disponibles en todo el mundo. La plataforma mide la latencia desde tu ubicación y ordena las regiones en consecuencia para ayudarte a elegir la más adecuada.

Fig. 3. Regiones ordenadas por latencia en Ultralytics Platform (Fuente)

Paso 3: Elige una región de implementación#

Selecciona una región en función de dónde se encuentren tus usuarios o aplicaciones. Implementar el modelo más cerca del origen de las solicitudes puede reducir considerablemente los tiempos de respuesta.

Paso 4: Implementa el endpoint#

Después de seleccionar la región y confirmar la configuración, puedes hacer clic en Deploy.

A continuación, la plataforma prepara el entorno de implementación, descarga la imagen del modelo, inicia el servicio y realiza una comprobación de estado para asegurarse de que el endpoint está listo. Este proceso suele tardar entre uno y dos minutos.

Cuando se completa la implementación, la plataforma genera una URL de endpoint única que las aplicaciones pueden utilizar para enviar solicitudes de inferencia.

Fig. 4. Ejemplo de un endpoint implementado (Fuente)

Paso 5: Empieza a enviar solicitudes de inferencia#

Con el endpoint en funcionamiento, las aplicaciones pueden empezar a enviar imágenes al modelo mediante el endpoint de REST API proporcionado y una clave de API incluida en el encabezado Authorization. El endpoint procesa cada solicitud y devuelve predicciones, como objetos detectados, cuadros delimitadores u otros resultados específicos de la tarea.

Para obtener más información sobre la implementación de modelos, consulta la documentación oficial de Ultralytics Platform.

Supervisión del rendimiento y las métricas de los modelos en endpoints implementados#

Una vez implementado un modelo de visión artificial, supervisar su rendimiento es fundamental para mantener la fiabilidad y la robustez del sistema. Incluso un modelo bien entrenado debe supervisarse en producción para asegurarse de que sigue respondiendo rápidamente, gestionando correctamente las solicitudes entrantes y ofreciendo predicciones precisas.

Ultralytics Platform proporciona herramientas de supervisión integrada que permiten a los equipos ver cómo funcionan los endpoints implementados. La página Deploy de la plataforma actúa como un panel de supervisión y ofrece una vista centralizada de todos los endpoints activos, junto con métricas clave que ayudan a realizar un seguimiento del estado y el uso del sistema.

Estas son algunas de las métricas que puedes supervisar con Platform:

• Latencia P95: Esta métrica mide el tiempo de respuesta del servidor para las solicitudes de inferencia en el percentil 95. Permite saber cuánto tardan la mayoría de las solicitudes de inferencia e identificar ralentizaciones del rendimiento.
• Tasa de errores: Representa el porcentaje de solicitudes que han fallado o devuelto errores durante el periodo de supervisión seleccionado. Supervisar las tasas de errores permite a los equipos detectar rápidamente problemas en las implementaciones o en las solicitudes entrantes.
• Total de solicitudes: Esta métrica muestra el número total de solicitudes de inferencia procesadas en los endpoints implementados durante el periodo seleccionado (por ejemplo, las últimas 24 horas). Ayuda a los equipos a entender el volumen de tráfico y la frecuencia de uso de sus modelos.

Además de estas métricas, la plataforma también proporciona comprobaciones del estado de los endpoints y registros de implementación. Las comprobaciones de estado indican si un endpoint responde correctamente, mientras que los registros ofrecen información detallada sobre las solicitudes recientes y la actividad del sistema.

Conclusiones clave#

El despliegue de modelos de visión artificial es un paso crucial para convertir modelos entrenados en sistemas que impulsen aplicaciones del mundo real. Con Ultralytics Platform, los equipos pueden desplegar modelos fácilmente mediante endpoints dedicados en 42 regiones de todo el mundo, ejecutar inferencias en tiempo real a través de API y monitorizar el rendimiento desde un único entorno. Al combinar opciones de despliegue flexibles, monitorización integrada e infraestructura escalable, la plataforma ayuda a los desarrolladores a pasar más rápido de los modelos de aprendizaje automático entrenados a aplicaciones fiables de visión artificial.

¡Forma parte de nuestra creciente comunidad! Explora nuestro repositorio de GitHub para obtener más información sobre la IA. Si quieres crear soluciones de visión artificial, consulta nuestras opciones de licencia. Descubre las ventajas de la visión artificial en el sector sanitario y cómo la IA en la logística está marcando la diferencia.