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 su entorno y tomar decisiones casi al instante. Sin embargo, cuando no se necesitan respuestas rápidas, la inferencia en tiempo real puede consumir muchos recursos.

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

Por ejemplo, en aplicaciones de visión artificial, se pueden utilizar modelos como Ultralytics YOLO11 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 procesar datos visuales en lotes, reduciendo la carga del sistema y mejorando la eficiencia sin sacrificar el rendimiento. Así resulta más fácil implementar soluciones de IA visual a gran escala sin sobrecargar el hardware ni aumentar los costes.

En este artículo veremos qué es la inferencia por lotes, qué ventajas ofrece y cómo se puede aplicar la inferencia por lotes con Ultralytics YOLO11 en aplicaciones de visión artificial.

Introducción a la inferencia por lotes en visión artificial#

Puedes entender la inferencia por lotes como la forma de abordar una tarea grande de una sola vez, en lugar de procesarla poco a poco a medida que llegan los datos. En vez de procesar datos continuamente en tiempo real, la inferencia por lotes permite procesar grandes grupos de datos a intervalos establecidos. Este enfoque es mucho más eficiente cuando no se necesitan respuestas inmediatas: ayuda a ahorrar recursos informáticos, reducir el consumo de energía y recortar costes.

En visión artificial, hay aplicaciones en las que la baja latencia es fundamental. La baja latencia es el 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 los retrasos pequeños pueden poner en riesgo la seguridad.

Sin embargo, en muchas otras situaciones de visión artificial la latencia baja no es tan importante. Ahí es donde destaca la inferencia por lotes: cuando el sistema no necesita reaccionar al instante. La inferencia por lotes consiste en proporcionar datos visuales a un modelo de visión artificial 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 conforman la inferencia por lotes:

• Recopilación de datos: Se recopilan datos visuales durante un periodo de tiempo. Según la aplicación, pueden incluir grabaciones de seguridad, imágenes de productos o datos de clientes.
• Preparación de lotes: A continuación, los datos recopilados se agrupan en lotes. Durante este paso, se les da el formato que necesita el modelo. Por ejemplo, puede ser necesario cambiar el tamaño de las imágenes, normalizarlas o convertirlas al formato adecuado para que el modelo las procese.
• Predicción: Una vez preparados los datos, se introduce todo el lote en el modelo (como Ultralytics YOLO11), que lo procesa de una sola vez. Así, el modelo puede realizar predicciones simultáneamente para todos los datos del lote, lo que resulta más eficiente que gestionar cada punto de datos por separado.

¿Cuándo conviene 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. Imagina que tienes grabaciones de vigilancia del último mes de una estación de metro 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 todas las grabaciones del mes e identificar eventos o tendencias clave sin necesidad de obtener resultados inmediatos. Así, 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 supervisión constante.

La inferencia por lotes también es una solución óptima cuando los recursos del sistema son limitados. Si ejecutas la inferencia en horas de menor actividad (por ejemplo, durante la noche), puedes ahorrar en costes informáticos y evitar que el sistema se sobrecargue durante los periodos de mayor uso. Es 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 en modelos como YOLO11. Con YOLO11, puedes ejecutar fácilmente inferencias por lotes si especificas batch como argumento de inferencia, que determina cuántas imágenes o fotogramas de vídeo se procesan a la vez.

Durante la inferencia por lotes, se generan predicciones simultáneamente para todas las imágenes del lote. El tamaño del lote es 1 de forma predeterminada, pero puedes ajustarlo al valor que prefieras. El procesamiento por lotes se aplica cuando la fuente es un directorio, un archivo de vídeo o un archivo .txt que enumera las fuentes.

Por ejemplo, si el tamaño del lote se establece en 5, Ultralytics YOLO11 procesará cinco imágenes o fotogramas de vídeo a la vez y generará predicciones para los cinco simultáneamente. Los tamaños de lote mayores suelen aumentar el rendimiento y reducir el tiempo total de procesamiento, ya que procesar varias imágenes en un lote es más eficiente que gestionarlas individualmente.

Aplicaciones de visión artificial con inferencia por lotes#

A continuación, exploraremos algunos casos de uso reales de la inferencia por lotes en visión artificial.

Mejora del diagnóstico y la investigación en el sector sanitario#

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

Por ejemplo, en centros médicos, la inferencia por lotes puede resultar especialmente útil para analizar grandes conjuntos de imágenes médicas, como resonancias magnéticas o tomografías computarizadas. Los hospitales pueden recopilar estas imágenes a lo largo del día y procesarlas en lotes durante la noche.

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

Fig. 2. Detección de un hallazgo en una exploración médica con Ultralytics YOLO11.

Mejora de los vehículos autónomos mediante simulaciones#

Los coches autónomos utilizan tecnologías de IA, como la visión artificial, 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, que se ejecuta en segundo plano.

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

Cuando un coche termina un trayecto, los datos que ha recopilado, como horas de grabación de las cámaras, lecturas de sensores y escaneos LiDAR, pueden procesarse más tarde 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 gestionar 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 concurridas o responder a movimientos impredecibles de peatones. Este enfoque ahorra tiempo, reduce costes y evita los riesgos asociados a probar todos los escenarios en situaciones reales.

Análisis de datos del comercio minorista mediante inferencia por lotes#

Del mismo modo, en las tiendas, la inferencia por lotes con modelos de visión artificial como Ultralytics YOLO11 puede mejorar considerablemente la eficiencia operativa. Por ejemplo, los sistemas de cámaras de las tiendas pueden capturar miles de imágenes a lo largo del día y procesarlas 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 procesar los datos en tiempo real, algo que puede resultar complicado para las tiendas más pequeñas.

Otro ejemplo interesante es el uso de la inferencia por lotes para generar mapas de calor, que muestran las zonas de mayor y menor actividad de los clientes dentro de la tienda. Al analizar estos mapas de calor, los comercios pueden identificar qué zonas atraen a más gente y cuáles podrían necesitar más atención u optimizar la colocación de los productos. Estos datos pueden ayudar a los comercios 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 comercios a identificar las zonas más populares de las tiendas.

Ventajas e inconvenientes 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, sobre todo en sectores como el comercio minorista, la seguridad o la atención sanitaria, 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 su gestión, ya que los datos se agrupan en partes manejables. Esto facilita su seguimiento, revisión y organización a lo largo del tiempo.
• Menor carga de red: El procesamiento de datos en lotes puede reducir la cantidad de datos transferidos en un momento dado y, por tanto, disminuir la presión sobre los recursos de red en sistemas basados en la nube o entornos de computación distribuida.

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

• Requisitos de almacenamiento: Almacenar grandes conjuntos de datos para procesarlos por lotes puede aumentar considerablemente los costes de almacenamiento, sobre todo si contienen imágenes de alta resolución, vídeos o grandes volúmenes de datos.
• Posible acumulación de tareas pendientes: Si los datos se acumulan rápidamente o no se procesan los lotes grandes a tiempo, puede generarse una cola de tareas pendientes. Esto puede retrasar la obtención de información y el procesamiento oportuno de datos nuevos.
• Picos de consumo de recursos: Los lotes grandes, sobre todo si incluyen imágenes de alta resolución, pueden provocar picos de uso de memoria o capacidad de cálculo. Si no se gestionan correctamente, estos picos pueden saturar 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 por lotes en horarios programados, por ejemplo, durante la noche.

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

¿Quieres saber más sobre la IA? Explora nuestro repositorio de GitHub, conecta con nuestra comunidad y consulta nuestras opciones de licencia para empezar tu recorrido por la visión artificial. Descubre más sobre innovaciones como la IA en la manufactura y la visión artificial en el sector logístico en nuestras páginas de soluciones.