Uso de Ultralytics YOLO11 para ejecutar inferencias por lotes

Si has visto un coche autónomo en acción, has sido testigo de inferencia de IA en tiempo real. Un coche autónomo utiliza normalmente cámaras, sensores e IA para procesar su entorno y tomar decisiones casi instantáneas. Sin embargo, cuando no se necesitan respuestas rápidas, la inferencia en tiempo real puede consumir muchos recursos.

Una mejor opción en estos casos es la inferencia por lotes. En lugar de procesar 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 recortar los costes de infraestructura.

Por ejemplo, en aplicaciones de visión artificial, 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 ser exigente.

Fig 1. Ejemplo de segmentación de objetos en una imagen mediante YOLO11.

Con la inferencia por lotes, YOLO11 puede ejecutarse sobre datos visuales en lotes, reduciendo la carga sobre el sistema y mejorando la eficiencia sin sacrificar el rendimiento. Esto facilita el despliegue de soluciones de Vision AI a escala sin sobrecargar el hardware ni aumentar los costes.

En este artículo, exploraremos la inferencia por lotes, sus ventajas y cómo puede aplicarse la inferencia por lotes mediante YOLO11 en aplicaciones de visión artificial. ¡Empecemos!

Link to this sectionUn vistazo a la inferencia por lotes en visión artificial#

Puedes pensar en la inferencia por lotes como abordar una gran tarea de una vez en lugar de manejarla pieza a pieza a medida que llega. En lugar de procesar constantemente datos en tiempo real, la inferencia por lotes te permite procesar grandes grupos de datos a intervalos establecidos. Este enfoque es mucho más eficiente cuando no son necesarias respuestas inmediatas, ayudando a ahorrar en recursos informáticos, reducir el uso de energía y recortar costes.

Cuando se trata de visión artificial, hay ciertas aplicaciones donde la baja latencia es vital. La baja latencia se refiere al retraso mínimo entre la recepción de la entrada (como una imagen o un fotograma de vídeo) y la respuesta del sistema. Por ejemplo, en la monitorización de seguridad en tiempo real, incluso pequeños retrasos pueden resultar en riesgos para la seguridad.

Sin embargo, en muchos otros escenarios de visión artificial, la baja latencia no es tan crítica. Aquí es donde brilla la inferencia por lotes, cuando el sistema no necesita reaccionar al instante. La inferencia por lotes funciona enviando datos visuales a un modelo de visión artificial en grupos o lotes, permitiendo al sistema procesar grandes conjuntos de datos de una vez en lugar de continuamente en tiempo real.

Link to this sectionEntender cómo funciona la inferencia por lotes#

Aquí tienes un análisis más detallado de los pasos implicados en la inferencia por lotes:

• Recopilación de datos: Los datos visuales se recopilan durante un periodo de tiempo. Esto podría incluir grabaciones de seguridad, imágenes de productos o datos de clientes, dependiendo de la aplicación.

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

• Predicción: Una vez preparados los datos, todo el lote se introduce en el modelo (como YOLO11), que procesa el lote completo a la vez. Esto permite al modelo realizar predicciones para todos los datos del lote simultáneamente, haciendo que el proceso sea más eficiente en comparación con el manejo de cada punto de datos individualmente.

Link to this section¿Cuándo utilizar la inferencia por lotes?#

Ahora que hemos cubierto qué es la inferencia por lotes y cómo difiere de la inferencia en tiempo real, echemos un vistazo más de cerca a cuándo utilizarla.

La inferencia por lotes es ideal para analizar datos históricos. Supongamos que tienes imágenes de vigilancia de una estación de metro durante el último mes, y estás intentando identificar patrones específicos, como el número de personas que entran y salen en diferentes momentos del día.

En lugar de procesar cada fotograma en tiempo real, la inferencia por lotes te permite procesar todo el metraje del mes en lotes, identificando eventos o tendencias clave sin necesidad de 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 requerir una monitorización constante.

La inferencia por lotes también es una solución óptima cuando los recursos del sistema son limitados. Al ejecutar la inferencia durante las horas de menor actividad (como durante la noche), puedes ahorrar en costes informáticos y garantizar 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 que no requieren análisis en tiempo real.

Link to this sectionInferencia por lotes mediante Ultralytics YOLO11#

El paquete 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. Por defecto, el tamaño del lote se establece en 1, pero puedes ajustarlo a cualquier número que prefieras.

Por ejemplo, si el tamaño del lote se establece en 5, YOLO11 procesará cinco imágenes o fotogramas de vídeo a la vez y generará predicciones para los cinco simultáneamente. Los tamaños de lote más grandes suelen traducirse en tiempos de inferencia más rápidos, ya que procesar varias imágenes en un lote es más eficiente que manejarlas individualmente.

Link to this sectionAplicaciones de visión artificial habilitadas por la inferencia por lotes#

A continuación, exploremos algunos casos de uso reales de visión artificial para la inferencia por lotes.

Link to this sectionMejora del diagnóstico y la investigación en el sector sanitario#

En la investigación médica, trabajar con grandes cantidades de datos visuales es muy común. Aquí, la inferencia por lotes puede ayudar a los científicos a analizar datos más fácilmente en campos como la química, la biología y la genética. En lugar de analizarlos uno a uno, los datos se procesan en lotes, ahorrando tiempo y esfuerzo.

Por ejemplo, en instalaciones médicas, 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 a lo largo del día y procesarlas en lotes durante la noche.

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

Fig 2. Detección en una exploración médica mediante YOLO11.

Link to this sectionMejora de vehículos autónomos mediante simulaciones#

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

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

Después de que un coche completa un trayecto, los datos que recopila, como horas de metraje de cámaras, 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 perfeccionar su capacidad para manejar diversas condiciones de conducción.

La inferencia por lotes también se utiliza en simulaciones de conducción autónoma para probar cómo reaccionarían los coches autónomos en diferentes situaciones, como navegar por intersecciones concurridas 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.

Link to this sectionAnálisis de datos minoristas impulsado por la inferencia por lotes#

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

Esto permite a las tiendas analizar lo que ocurre en el establecimiento, como el comportamiento de los clientes, los patrones de tráfico y las interacciones con los productos, sin necesidad de un procesamiento en tiempo real, lo que puede ser difícil para tiendas más pequeñas.

Otro ejemplo interesante es el uso de la inferencia por lotes para generar mapas de calor, que visualizan áreas de actividad alta y baja de los clientes dentro de la tienda. Al analizar estos mapas de calor, los minoristas pueden identificar qué áreas atraen más tráfico peatonal y qué partes de la tienda podrían necesitar más atención u optimización en la colocación de productos. Estos datos pueden ayudar a los minoristas a tomar mejores decisiones sobre la distribución de la tienda, el posicionamiento de productos e incluso estrategias promocionales para mejorar la experiencia del cliente y las ventas.

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

Link to this sectionPros y contras de la inferencia por lotes#

Aquí tienes algunos de los beneficios clave que la inferencia por lotes puede aportar a diversas industrias:

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

Aunque existen muchas ventajas al utilizar la inferencia por lotes, también hay algunas limitaciones a tener en cuenta. Estos son algunos factores que debes considerar:

• Requisitos de almacenamiento: Almacenar grandes conjuntos de datos para el procesamiento por lotes puede aumentar significativamente los costes de almacenamiento, particularmente con imágenes de alta resolución, vídeos o grandes volúmenes de datos.
• Posibilidad de acumulación de retrasos: Si los datos se acumulan rápidamente o los lotes grandes no se procesan a tiempo, puede desarrollarse una acumulación. Esto puede llevar a retrasos en la entrega de información y en el procesamiento de nuevos datos de manera oportuna.
• Picos de recursos: Los lotes grandes, especialmente aquellos que involucran imágenes de alta resolución, pueden causar picos en el uso de memoria o computación. Si no se gestionan adecuadamente, estos picos pueden sobrecargar los sistemas, provocando ralentizaciones o bloqueos.

Link to this sectionConclusiones 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 coches autónomos, la inferencia por lotes hace que la visión artificial sea más accesible, asequible y práctica para aplicaciones del mundo real.

Ready to dive deep into AI? Explora nuestro repositorio de GitHub, conecta con nuestra comunidad y echa un vistazo a nuestras opciones de licencia para empezar tu viaje en la visión artificial. Descubre más sobre innovaciones como la IA en la fabricación y la visión artificial en la logística en nuestras páginas de soluciones.