Uso de Ultralytics YOLO11 para ejecutar inferencias por lotes

Si has visto un coche autónomo en acción, has presenciado la inferencia de IA en tiempo real. Un coche autónomo suele utilizar cámaras, sensores e IA para procesar lo que le rodea y tomar decisiones casi al instante. Sin embargo, cuando no se necesitan respuestas rápidas, la inferencia en tiempo real puede consumir muchos recursos.

Una opción mejor en estos casos es la inferencia por lotes. En lugar de procesar los datos continuamente en tiempo real, una inferencia por lotes puede gestionar grandes conjuntos de datos en intervalos programados. Este enfoque ayuda a ahorrar recursos, reducir el consumo energético y disminuir los costes de infraestructura.

Por ejemplo, en aplicaciones de visión por ordenador, los modelos como Ultralytics YOLO11 pueden utilizarse para tareas en tiempo real, como la detección de objetos y la segmentación de instancias. Sin embargo, procesar grandes volúmenes de datos visuales en tiempo real puede exigir muchos recursos.

Fig. 1. Ejemplo de segmentación de objetos en una imagen con Ultralytics YOLO11.

Con la inferencia por lotes, Ultralytics YOLO11 puede ejecutarse sobre datos visuales en lotes, lo que reduce la carga del sistema y mejora la eficiencia sin sacrificar el rendimiento. Esto facilita la implementación de soluciones de IA de visión a escala sin sobrecargar el hardware ni aumentar los costes.

En este artículo, exploraremos la inferencia por lotes, sus ventajas y cómo se puede aplicar la inferencia por lotes con Ultralytics YOLO11 en aplicaciones de visión por ordenador. ¡Empecemos!

Una mirada a la inferencia por lotes en visión por ordenador#

Puedes pensar en la inferencia por lotes como abordar una tarea grande de una sola vez, en lugar de gestionarla poco a poco a medida que llega. En vez de procesar datos constantemente en tiempo real, la inferencia por lotes permite procesar grandes grupos de datos en intervalos establecidos. Este enfoque es mucho más eficiente cuando no son necesarias respuestas inmediatas, ya que ayuda a ahorrar recursos de computación, reducir el consumo energético y disminuir los costes.

En lo que respecta a la visión por ordenador, hay determinadas aplicaciones en las que la baja latencia es vital. La baja latencia se refiere al retraso mínimo entre la recepción de una entrada (como una imagen o un fotograma de vídeo) y la respuesta del sistema. Por ejemplo, en la supervisión de seguridad en tiempo real, incluso pequeños retrasos pueden provocar riesgos para la seguridad.

Sin embargo, en muchos otros escenarios de visión por ordenador, la baja latencia no es tan importante. Aquí es donde destaca la inferencia por lotes: cuando el sistema no necesita reaccionar al instante. La inferencia por lotes funciona proporcionando datos visuales a un modelo de visión por ordenador en grupos o lotes, lo que permite al sistema procesar grandes conjuntos de datos de una sola vez en lugar de hacerlo continuamente en tiempo real.

Cómo funciona la inferencia por lotes#

Estos son los pasos que intervienen en la inferencia por lotes:

• Recopilación de datos: Los datos visuales se recopilan durante un periodo de tiempo. Pueden incluir imágenes de cámaras de seguridad, imágenes de productos o datos de clientes, según la aplicación.

• Preparación de lotes: A continuación, los datos recopilados se agrupan en lotes. Durante este paso, los datos se formatean según los requisitos del modelo. Por ejemplo, las imágenes pueden redimensionarse, normalizarse o convertirse al formato adecuado para que el modelo las procese.

• Predicción: Una vez preparados los datos, el lote completo se introduce en el modelo (como Ultralytics YOLO11), que procesa todo el lote de una sola vez. Esto permite al modelo realizar predicciones para todos los datos del lote simultáneamente, haciendo que el proceso sea más eficiente que gestionar cada punto de datos de forma individual.

¿Cuándo utilizar la inferencia por lotes?#

Ahora que hemos explicado qué es la inferencia por lotes y en qué se diferencia de la inferencia en tiempo real, veamos con más detalle cuándo utilizarla.

La inferencia por lotes es ideal para analizar datos históricos. Supongamos que tienes grabaciones de vigilancia de una estación de metro del último mes y quieres identificar patrones concretos, como el número de personas que entran y salen a distintas horas del día.

En lugar de procesar cada fotograma en tiempo real, la inferencia por lotes permite procesar en lotes las grabaciones de todo el mes, identificando eventos o tendencias clave sin necesidad de obtener resultados inmediatos. De este modo, puedes analizar grandes volúmenes de datos de forma más eficiente y obtener información sobre patrones a largo plazo sin sobrecargar el sistema ni necesitar una supervisión constante.

La inferencia por lotes también es una solución óptima cuando los recursos del sistema son limitados. Al ejecutar la inferencia durante las horas valle (por ejemplo, por la noche), puedes ahorrar costes de computación y asegurarte de que el sistema no se sobrecargue durante las horas de mayor uso. Esto la convierte en un enfoque eficiente y rentable para empresas o proyectos que necesitan procesar grandes conjuntos de datos, pero no requieren análisis en tiempo real.

Inferencia por lotes con Ultralytics YOLO11#

El paquete de Python de Ultralytics admite la inferencia por lotes para modelos como YOLO11. Con YOLO11, puedes ejecutar fácilmente una inferencia por lotes especificando el argumento ‘batch’, que determina cuántas imágenes o fotogramas de vídeo se procesan a la vez.

Durante el proceso de inferencia por lotes, se generan predicciones para todas las imágenes del lote simultáneamente. De forma predeterminada, el tamaño del lote está establecido en 1, pero puedes ajustarlo al número que prefieras.

Por ejemplo, si el tamaño del lote está establecido en 5, Ultralytics YOLO11 procesará cinco imágenes o fotogramas de vídeo cada vez y generará predicciones para los cinco simultáneamente. Los tamaños de lote más grandes suelen dar lugar a tiempos de inferencia más rápidos, ya que procesar varias imágenes en un lote es más eficiente que gestionarlas individualmente.

Aplicaciones de visión por ordenador habilitadas por la inferencia por lotes#

A continuación, exploremos algunos casos de uso reales de la inferencia por lotes en visión por ordenador.

Mejora del diagnóstico y la investigación en el ámbito sanitario#

En la investigación médica, trabajar con grandes cantidades de datos visuales es muy habitual. En este contexto, la inferencia por lotes puede ayudar a los científicos a analizar datos con mayor facilidad en campos como la química, la biología y la genética. En lugar de analizarlos de uno en uno, los datos se procesan en lotes, lo que ahorra tiempo y esfuerzo.

Por ejemplo, en los centros sanitarios, la inferencia por lotes puede ser especialmente útil para analizar grandes conjuntos de imágenes médicas, como resonancias magnéticas o tomografías computarizadas. Los hospitales pueden recopilar estas exploraciones durante el día y procesarlas en lotes por la noche.

Este enfoque permite a los hospitales aprovechar mejor su hardware y su personal, reducir los costes operativos y garantizar que todas las exploraciones se revisen de forma coherente y uniforme. También resulta beneficioso para grandes proyectos de investigación y estudios a largo plazo, en los que es necesario gestionar enormes cantidades de datos.

Fig. 2. Detección en una exploración médica con Ultralytics YOLO11.

Mejora de los vehículos autónomos mediante simulaciones#

Los coches autónomos utilizan tecnologías de IA como la visión por ordenador para procesar el mundo que los rodea. Con la ayuda de modelos avanzados como Ultralytics YOLO11, los sistemas integrados en el coche pueden reconocer otros vehículos, las líneas de los carriles, las señales de tráfico y a las personas que circulan por la calle. Aunque la inferencia en tiempo real es fundamental en carretera, la tecnología de conducción autónoma también depende en gran medida de la inferencia por lotes entre bastidores.

Fig. 3. YOLO11 puede detectar fácilmente a peatones en la carretera.

Después de que un coche complete un trayecto, los datos que recopila, como horas de grabaciones de vídeo, lecturas de sensores y escaneos LIDAR, pueden procesarse posteriormente en grandes lotes. Esto permite a los ingenieros actualizar los modelos de IA del coche, mejorar la seguridad del sistema y aumentar su capacidad para afrontar distintas condiciones de conducción.

La inferencia por lotes también se utiliza en simulaciones de conducción autónoma para probar cómo reaccionarían los coches autónomos en distintas situaciones, como al atravesar intersecciones con mucho tráfico o responder a movimientos impredecibles de peatones. Este enfoque ahorra tiempo, reduce costes y evita los riesgos asociados a probar cada escenario en la vida real.

Análisis de datos minoristas impulsado por la inferencia por lotes#

Del mismo modo, en las tiendas minoristas, la inferencia por lotes con modelos de visión por ordenador como Ultralytics YOLO11 puede mejorar significativamente la eficiencia operativa. Por ejemplo, los sistemas de cámaras de las tiendas pueden capturar miles de imágenes a lo largo del día, que después pueden procesarse en lotes durante la noche.

Esto permite a las tiendas analizar lo que ocurre en ellas, como el comportamiento de los clientes, los patrones de afluencia y las interacciones con los productos, sin necesidad de procesarlo todo en tiempo real, algo que puede resultar difícil para las tiendas más pequeñas.

Otro ejemplo interesante es utilizar la inferencia por lotes para generar mapas de calor que visualizan las zonas con mayor y menor actividad de los clientes dentro de la tienda. Al analizar estos mapas de calor, los minoristas pueden identificar qué zonas atraen más afluencia y qué partes de la tienda podrían necesitar más atención u optimizar la colocación de productos. Estos datos pueden ayudar a los minoristas a tomar mejores decisiones sobre la distribución de la tienda, la ubicación de los productos e incluso las estrategias promocionales para mejorar la experiencia del cliente y las ventas.

Fig. 4. Los mapas de calor pueden ayudar a los minoristas a identificar las zonas más populares de las tiendas.

Ventajas y desventajas de la inferencia por lotes#

Estas son algunas de las principales ventajas que la inferencia por lotes puede aportar a distintos sectores:

• Facilidad de integración: La inferencia por lotes se puede integrar fácilmente en los flujos de trabajo existentes, especialmente en sectores como el comercio minorista, la seguridad o la sanidad, donde es necesario procesar grandes volúmenes de datos en bloque.
• Gestión de datos más sencilla: Al trabajar con grandes cantidades de datos, la inferencia por lotes puede agilizar su gestión, ya que los datos se agrupan en fragmentos manejables. Esto facilita su seguimiento, revisión y organización a lo largo del tiempo.
• Menor carga de red: Cuando los datos se procesan en lotes, se puede minimizar la cantidad de datos transferidos en un momento dado, reduciendo la presión sobre los recursos de red en sistemas basados en la nube o entornos de computación distribuida.

Aunque utilizar la inferencia por lotes ofrece muchas ventajas, también hay algunas limitaciones que deben tenerse en cuenta. Estos son algunos factores importantes:

• Requisitos de almacenamiento: Almacenar grandes conjuntos de datos para procesarlos por lotes puede aumentar considerablemente los costes de almacenamiento, especialmente en el caso de imágenes de alta resolución, vídeos o grandes volúmenes de datos.
• Posibilidad de acumulación: Si los datos se acumulan rápidamente o los lotes grandes no se procesan a tiempo, puede generarse una acumulación. Esto puede provocar retrasos en la obtención de información y en el procesamiento puntual de nuevos datos.
• Picos de consumo de recursos: Los lotes grandes, especialmente los que contienen imágenes de alta resolución, pueden provocar picos de uso de memoria o de computación. Si no se gestionan correctamente, estos picos pueden sobrecargar los sistemas y provocar ralentizaciones o bloqueos.

Conclusiones clave#

La inferencia por lotes es una forma eficiente de procesar grandes volúmenes de datos visuales que no requieren resultados inmediatos. En lugar de analizar cada imagen en tiempo real, las procesa en lotes en momentos programados, como durante la noche.

Este método es rentable, reduce la carga computacional y sigue proporcionando resultados precisos. Desde ayudar a las tiendas a gestionar el inventario hasta asistir a los médicos en el análisis de exploraciones médicas y mejorar las tecnologías de los coches autónomos, la inferencia por lotes hace que la visión por ordenador sea más accesible, asequible y práctica para aplicaciones del mundo real.

¿Listo para profundizar en la IA? Explora nuestro repositorio de GitHub, conecta con nuestra comunidad y consulta nuestras opciones de licencia para comenzar tu trayectoria en visión por ordenador. Descubre más sobre innovaciones como la IA en la fabricación y la visión por ordenador en el sector de la logística en nuestras páginas de soluciones.