Al ajustar modelos Ultralytics YOLO en dispositivos perimetrales, Scaleout mantiene los datos en su lugar, funciona sin conexión y publica nuevos modelos de detección en horas en vez de semanas.
El entrenamiento de modelos de aprendizaje automático suele partir de la premisa de que puedes reunir todos tus datos en un mismo lugar, enviarlos a la nube e implementar un modelo terminado. En muchos entornos reales, esa premisa no se cumple. En los sectores de defensa, industria y otros entornos regulados, los datos deben permanecer en su ubicación por motivos de privacidad, clasificación de seguridad o costes de ancho de banda; además, no siempre se puede confiar en la red que conecta esas ubicaciones.
Scaleout crea infraestructura para trabajar precisamente en estas condiciones. Su plataforma, Scaleout Edge, utiliza aprendizaje federado para llevar el entrenamiento de modelos allí donde están los datos, en lugar de mover los datos hasta el modelo. Para proyectos de visión artificial, Scaleout entrena a medida y ajusta modelos de Ultralytics YOLO en Vision Ground Nodes, estaciones edge con aceleración GPU desplegadas en cada ubicación, para que las detecciones sigan mejorando sobre el terreno sin que las imágenes confidenciales salgan nunca del dispositivo.
Llevar el aprendizaje automático hasta donde están los datos#
Fundada en 2018 por investigadores de la Universidad de Uppsala que trabajaban en sistemas distribuidos a gran escala, Scaleout se propuso hacer posible el aprendizaje automático allí donde no se pueden centralizar los datos. Se centra en contextos en los que reunir los datos en un mismo lugar es difícil o imposible, y el aprendizaje federado es el mecanismo esencial que lo hace posible.
El aprendizaje federado distribuye el entrenamiento entre numerosos dispositivos y después reúne sus actualizaciones del modelo en un plano de control central, que las agrega para crear un nuevo modelo global. Cada dispositivo se beneficia de conocer su propio entorno local, mientras que todo el conjunto se beneficia de la inteligencia colectiva. Los datos permanecen donde deben estar y solo viaja lo que el modelo ha aprendido.
Scaleout trabaja en los sectores de defensa, industria, transporte y otros sectores regulados, con proyectos como el programa acelerador NATO DIANA y una colaboración con BAE Systems. En todos ellos se repite el mismo patrón: los datos no se pueden trasladar, pero los modelos deben seguir mejorando.
Complejidades del aprendizaje automático en el perímetro#
Estas son las limitaciones a las que se enfrentó Scaleout al entrenar modelos sobre el terreno:
- Hardware limitado: Las implementaciones sobre el terreno no disponen de servidores de centros de datos, sino solo de dispositivos pequeños y de bajo consumo, como el ordenador de un dron. Ejecutar en ellos un modelo ya entrenado es viable, pero volver a entrenarlo exige mucha más capacidad de cálculo.
- Datos bloqueados en el dispositivo: Las grabaciones necesarias para volver a entrenar el modelo suelen ser información reservada y no se pueden enviar a un servidor central, por lo que el modelo tiene que aprender de datos que nunca salen del perímetro.
- Sin especialistas en las instalaciones: Quienes recopilan datos sobre el terreno rara vez son ingenieros de aprendizaje automático, por lo que el reentrenamiento no puede depender de que haya especialistas en ciencia de datos presentes.
- Condiciones en constante cambio: Los entornos sobre el terreno cambian rápidamente, así que el modelo debe actualizarse de forma continua en lugar de seguir ciclos de reentrenamiento lentos y periódicos.
Ajuste de modelos Ultralytics YOLO en el perímetro#
Para superar estas limitaciones, Scaleout creó un ciclo de entrenamiento que se ejecuta íntegramente sobre el terreno y cuyo elemento central son los modelos Ultralytics YOLO.
En cada ubicación, un Vision Ground Node —una estación perimetral acelerada por GPU con recursos propios de cálculo y almacenamiento— se sitúa junto a una flota de drones. A medida que los drones capturan imágenes, el nodo selecciona los fotogramas más útiles, un operario los etiqueta y el modelo YOLO se ajusta en ese hardware local.
Tras unas pocas épocas de entrenamiento, solo se envía el modelo actualizado al plano de control, nunca las grabaciones originales. Este ciclo se ofrece mediante el módulo de visión de Scaleout, una extensión de la plataforma Scaleout Edge que agrupa en un único paquete las herramientas necesarias para un proyecto de visión artificial.
El módulo reúne la selección de fotogramas, la anotación, el entrenamiento y la implementación, y utiliza Ultralytics YOLO para la detección. Así, los equipos pueden partir de una base funcional en lugar de ensamblar estos componentes por su cuenta.
Scaleout aplicó por primera vez este enfoque en el programa acelerador NATO DIANA, donde utilizó YOLOv8 para ajustar la detección con datos recopilados sobre el terreno. Por motivos de confidencialidad, esos datos no se podían trasladar a través de las redes de campo ni centralizar, así que el equipo descentralizó el ajuste y permitió que el modelo aprendiera localmente de nuevos ejemplos.
El ciclo también está diseñado para los operarios, no para los científicos de datos. El sistema guía a personas sin conocimientos especializados en la revisión y el etiquetado de los fotogramas importantes, para que quienes trabajan sobre el terreno puedan seguir mejorando el modelo por su cuenta.
Las herramientas de apoyo reflejan este enfoque: la versión de código abierto de Label Studio para la anotación, un servidor de streaming para recibir las señales de los drones y el paquete de Python de Ultralytics para el ajuste. Todo se ejecuta en hardware que puede ir desde módulos NVIDIA Jetson hasta una unidad resistente para uso sobre el terreno o un portátil, según la implementación.
¿Por qué elegir los modelos Ultralytics YOLO?#
Para Scaleout, la mayor ventaja de Ultralytics YOLO es lo ligeros que son sus modelos, lo que hace viable el entrenamiento federado a través de conexiones deficientes. En lugar de transferir datos sin procesar, Scaleout solo transfiere la actualización del modelo. El modelo que más utiliza, Ultralytics YOLOv8 nano, ocupa unos 10,7 MB, por lo que cada actualización es un paquete pequeño, incluso cuando el ancho de banda escasea.
El paquete de Python de Ultralytics también ofrece a los ingenieros de Scaleout la flexibilidad necesaria para entrenar e implementar modelos en distintos tipos de hardware. El modelo compacto YOLOv8 nano funciona sin problemas en dispositivos perimetrales con recursos limitados, mientras que las opciones de exportación del paquete permiten implementarlo en los distintos entornos en los que trabaja Scaleout. Como los modelos son fáciles de ajustar, los equipos pueden iterar rápidamente cuando cambian las condiciones sobre el terreno.
Ultralytics YOLO ayuda a Scaleout a actualizar los modelos más rápido#
Con Ultralytics YOLO, la mayor parte del trabajo se realiza en el dispositivo. El entrenamiento se lleva a cabo con cientos de gigabytes de grabaciones de campo, pero lo que realmente se transfiere es un modelo de unos 10 MB. Esto reduce enormemente la cantidad de datos que hay que transferir, lo que hace viable el entrenamiento federado en las redes limitadas de las que dependen estos despliegues.
Este enfoque también cambia la rapidez con la que un modelo mejorado vuelve al terreno. Un proceso que de otro modo podría durar semanas o meses —recopilar datos, enviarlos a un lugar central, volver a entrenar y volver a implementar— se reduce a días u horas cuando el ciclo se ejecuta en el perímetro.
Esto se aprecia con mayor claridad en el trabajo de Scaleout con drones. En misiones de reconocimiento de defensa, un dron sigue un patrón de búsqueda y utiliza un modelo Ultralytics YOLO integrado para detectar, identificar y geolocalizar objetos de interés en tiempo real. Todo el procesamiento se realiza en el propio ordenador del dron, en lugar de enviar los datos para analizarlos.
A medida que los drones recopilan nuevas imágenes, los datos llegan a un Vision Ground Node, donde YOLO se ajusta con los nuevos fotogramas y se distribuye un modelo actualizado, todo ello sin que las imágenes salgan nunca de la ubicación. Los modelos de detección deben adaptarse a condiciones que cambian rápidamente y a datos que no se pueden trasladar; un modelo reentrenado localmente sigue siendo útil allí donde uno estático y entrenado de forma centralizada se quedaría atrás.
Fig. 1. Ejemplo de cómo Scaleout y Ultralytics YOLO impulsan drones con IA (Fuente).
El mismo patrón se aplica mucho más allá de los drones. En entornos industriales, como instalaciones energéticas y ubicaciones remotas, donde los datos de cada lugar son confidenciales, la plataforma mejora los modelos de detección en numerosas ubicaciones sin que ningún dato original cruce los límites de las instalaciones. Tanto si los datos se encuentran en un dron como en una instalación fija, Scaleout mantiene las grabaciones en su lugar y solo transmite lo que ha aprendido el modelo.
Desarrollo de IA adaptativa para entornos donde los datos no se pueden trasladar#
A medida que Scaleout crece, sigue ampliando su visión artificial federada y basada en el perímetro a más entornos y hardware. Sus módulos prediseñados están pensados para reducir meses de integración a unos días, de modo que los clientes puedan aportar su propio hardware y adoptar el ciclo de aprendizaje adaptativo sin tener que reconstruir el código de aprendizaje automático subyacente.
Con Ultralytics YOLO en el núcleo de su flujo de detección, Scaleout está haciendo posible entrenar y mejorar la IA en los entornos donde los enfoques convencionales no dan resultado: mantiene los datos en su lugar, sigue funcionando cuando fallan las redes y convierte flotas de dispositivos perimetrales en un sistema que aprende como un todo.
¿Quieres descubrir todo lo que la IA visual puede hacer por ti? Visita nuestro repositorio de GitHub para descubrir cómo los modelos YOLO están transformando ámbitos como la IA en la fabricación y la visión artificial en robótica. Consulta nuestras opciones de licencia y empieza a avanzar hacia una automatización más inteligente.
Escrito por
Responsable de contenidos digitales · Ultralytics
