Supervisión de Ultralytics Platform: mantén bajo control tus implementaciones de IA visual

Implementar un modelo de visión artificial es un hito importante, pero el éxito en producción depende de lo que ocurra después. A medida que aumenta el tráfico y cambian las condiciones reales, los equipos necesitan saber si los endpoints siguen respondiendo, siendo fiables y resultando útiles.

Monitoring de Ultralytics Platform ofrece a los equipos visibilidad sobre los modelos Ultralytics YOLO implementados desde el mismo entorno que se utiliza para gestionar los datos, el entrenamiento y la implementación. Supervisa el estado operativo, analiza las tendencias de las predicciones, soluciona problemas y convierte ejemplos útiles de producción en datos para futuras mejoras del modelo.

¿Qué es la supervisión de modelos de IA de visión?#

La supervisión de modelos de IA de visión ayuda a los equipos a entender el comportamiento en producción de los endpoints implementados y sus predicciones.

Ultralytics Platform responde a dos preguntas importantes:

• ¿Funciona el endpoint de forma fiable? Supervisa las solicitudes, la latencia P95, las tasas de error, el estado de salud y los registros.
• ¿Qué ve y predice el modelo? Analiza predicciones de muestra y estadísticas como el recuento de clases, la confianza, el tiempo de inferencia y, cuando sea compatible, las ubicaciones de las predicciones.

En conjunto, esta información ofrece una imagen más completa que la mera disponibilidad del endpoint. Un endpoint puede seguir en línea mientras cambian los patrones de tráfico, los tiempos de respuesta o las distribuciones de las predicciones. La supervisión facilita la investigación de estas señales.

Consulta el estado de la implementación de un vistazo#

La página Deploy funciona como un panel central de supervisión de tus endpoints. Las tarjetas de resumen muestran las solicitudes HTTP, las implementaciones activas, las tasas de error y la latencia P95 de las últimas 24 horas.

Con estas métricas, los equipos pueden:

• Entender la demanda: Comprueba si el tráfico de los endpoints aumenta, disminuye o cambia de forma inesperada.
• Identificar problemas de rendimiento: Usa la latencia P95 para investigar respuestas más lentas que podrían afectar a una aplicación.
• Detectar fallos: Localiza tasas elevadas de errores HTTP y utiliza los registros de implementación para diagnosticar la causa.
• Comprobar la disponibilidad: Confirma si los endpoints individuales están en buen estado y responden.
• Comparar implementaciones: Revisa los endpoints en vista de tarjetas, compacta o de tabla ordenable.

La tarjeta de tasa de errores se resalta cuando esta supera el 5 %, lo que ayuda a destacar los problemas operativos sin que los equipos tengan que inspeccionar cada endpoint individualmente.

Soluciona problemas más rápido con comprobaciones de estado y registros#

Cuando un endpoint tiene problemas, los equipos necesitan algo más que una métrica general. Cada implementación lista incluye un indicador de estado y acceso a los registros recientes.

Las comprobaciones de estado muestran si un endpoint responde e indican su latencia de respuesta. También pueden ayudar a activar un endpoint que se haya escalado a cero antes de enviarle tráfico de producción.

Los registros aportan contexto adicional mediante marcas de tiempo, niveles de gravedad, mensajes y detalles HTTP. Esto ayuda a los equipos a investigar solicitudes fallidas, respuestas inesperadas o cambios de rendimiento sin tener que pasar inmediatamente a otra interfaz de registro.

Al conectar las métricas, las comprobaciones de estado y los registros con cada implementación, Ultralytics Platform ofrece una vía más directa para pasar de identificar un problema a entenderlo.

Analiza el comportamiento de las predicciones en tiempo real#

Los endpoints dedicados de pago, facturados según el tiempo de actividad y que ejecutan un entorno de ejecución compatible con la supervisión, ofrecen una pestaña Monitoring adicional con ejemplos temporales y estadísticas de predicciones.

La galería de ejemplos temporales presenta una muestra continua de imágenes procesadas con superposiciones de predicciones. Los equipos pueden usar estos ejemplos para comprobar qué ve un modelo, analizar sus resultados e identificar entradas que merezcan una revisión más detallada.

Las estadísticas de predicciones disponibles dependen de la tarea del modelo y pueden incluir:

• Imágenes procesadas y predicciones a lo largo del tiempo
• Tiempo medio de inferencia del modelo
• Clases predichas con más frecuencia
• Predicciones por imagen
• Confianza de las predicciones y tendencias de confianza
• Dimensiones de las predicciones
• Mapas de calor espaciales de las ubicaciones de las predicciones

Estas señales pueden revelar cambios que conviene investigar, como una caída de la confianza, un cambio inesperado en la distribución de clases o predicciones que aparecen en zonas inusuales de una imagen.

La confianza indica la certeza del modelo, no que la predicción sea correcta. Al evaluar la precisión del modelo, los equipos deberían analizar ejemplos y comparar las predicciones con etiquetas revisadas.

Convierte los ejemplos de producción en mejores datos de entrenamiento#

La supervisión aporta más valor cuando la información obtenida en producción puede orientar el siguiente ciclo de desarrollo.

Si un ejemplo revela una condición difícil, un objeto inusual o una posible carencia de cobertura, los miembros del espacio de trabajo con los permisos adecuados pueden guardarlo directamente en un conjunto de datos compatible. La imagen y sus predicciones pasan entonces por el flujo de ingesta estándar del conjunto de datos, donde se pueden revisar las etiquetas antes de utilizar los datos para el entrenamiento.

Así se crea un ciclo de mejora conectado:

1. Entrena un modelo Ultralytics YOLO con tu conjunto de datos.
2. Impleméntalo en un endpoint dedicado.
3. Supervisa el estado del endpoint y el comportamiento de las predicciones.
4. Analiza ejemplos útiles o problemáticos de producción.
5. Guarda y revisa los ejemplos seleccionados en un conjunto de datos.
6. Vuelve a entrenar y a implementar con datos que reflejen las condiciones reales.

En lugar de dejar las observaciones de producción aisladas en otro sistema, los equipos pueden conectarlas con los conjuntos de datos y modelos que ya gestionan en Ultralytics Platform.

Diseñado para ofrecer visibilidad operativa sin añadir complejidad#

Los flujos de trabajo de visión artificial en producción suelen utilizar sistemas distintos para la implementación, las métricas, los registros, la inspección de modelos y la gestión de datos. Cambiar de un sistema a otro puede ralentizar las investigaciones y dificultar la conexión entre el comportamiento del modelo y las mejoras futuras.

Ultralytics Platform reúne estas etapas. Los equipos pueden pasar del entrenamiento a la implementación, revisar el estado del endpoint, analizar predicciones de muestra y guardar ejemplos útiles sin tener que reconstruir el contexto en varias herramientas.

Por ejemplo, un equipo de fabricación podría comprobar si las predicciones de defectos aparecen en las zonas esperadas de una imagen. Un equipo de logística podría revisar los cambios en las clases detectadas con frecuencia a medida que evolucionan las condiciones operativas. Un equipo de comercio minorista podría investigar un aumento de la latencia y determinar si debe revisar la configuración del endpoint o el tamaño de las imágenes entrantes.

En cada caso, la supervisión ayuda a los equipos a pasar de «algo ha cambiado» a un siguiente paso más fundamentado.

Datos de supervisión y requisitos de disponibilidad#

La experiencia de implementación ofrece supervisión operativa, incluidas las solicitudes, la latencia, los errores, las comprobaciones de estado y los registros.

Las estadísticas de predicciones en tiempo real y los ejemplos temporales requieren un endpoint dedicado de pago, listo y con un entorno de ejecución compatible con la supervisión. Es posible que haya que actualizar los endpoints antiguos para que la pestaña Monitoring esté disponible.

Los ejemplos y las estadísticas de predicciones se conservan en la memoria de la instancia de servicio. Se pueden borrar cuando un endpoint se detiene, se reinicia, se vuelve a implementar, cambia de recursos o sustituye su modelo. Guarda en un conjunto de datos los ejemplos que quieras conservar antes de modificar el endpoint.

Empieza a supervisar tus modelos implementados#

Monitoring de Ultralytics Platform ofrece a los equipos la visibilidad que necesitan para gestionar la IA de visión más allá de la implementación. Al reunir las métricas de los endpoints, los registros, las comprobaciones de estado, la información sobre las predicciones y los comentarios sobre los conjuntos de datos en un único flujo de trabajo, ayuda a identificar problemas más rápido y a trazar una vía más clara hacia sistemas fiables en producción.

Inicia sesión en Ultralytics Platform, abre Deploy y selecciona un endpoint listo para revisar su estado y rendimiento. Consulta la disponibilidad de las funciones, las estadísticas de predicciones y los detalles de conservación de datos en la documentación de Monitoring.