Al ajustar los modelos de Ultralytics YOLO en dispositivos edge, Scaleout mantiene los datos en su ubicación, trabaja sin conexión y distribuye nuevos modelos de detección en horas en lugar de semanas.
El entrenamiento de modelos de machine learning suele dar por hecho que puedes reunir todos tus datos en un mismo lugar, enviarlos a la nube y desplegar un modelo terminado. En muchos entornos reales, esa suposición no se sostiene. En los sectores de defensa, industrial y regulados, los datos están ligados a su ubicación por las leyes de privacidad, la clasificación de seguridad o el elevado coste del ancho de banda, y no siempre se puede confiar en la red que conecta esas ubicaciones.
Scaleout desarrolla infraestructura precisamente para estas condiciones. Su plataforma, Scaleout Edge, utiliza aprendizaje federado para llevar el entrenamiento del modelo allí donde residen los datos, en lugar de mover los datos hasta el modelo. Para proyectos de visión por ordenador, Scaleout entrena y ajusta modelos de Ultralytics YOLO personalizados en Vision Ground Nodes, estaciones edge con aceleración GPU desplegadas en cada ubicación, de modo que la detección siga mejorando sobre el terreno sin que las imágenes sensibles salgan del dispositivo.
Llevar el machine learning allí donde residen 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 machine learning allí donde los datos no se pueden centralizar. Su enfoque se centra en contextos donde reunir los datos en un mismo lugar resulta difícil o imposible, y el aprendizaje federado es el mecanismo central que lo hace posible.
El aprendizaje federado distribuye el entrenamiento entre muchos dispositivos y después reúne sus actualizaciones del modelo en un plano de control central que las agrega en un nuevo modelo global. Cada dispositivo se beneficia de comprender su propio entorno local, mientras que el conjunto de dispositivos se beneficia de la inteligencia colectiva. Los datos permanecen donde deben estar y solo viaja lo que el modelo ha aprendido.
El trabajo de Scaleout abarca los sectores de defensa, industrial, transporte y otros sectores regulados, e incluye colaboraciones como el programa acelerador NATO DIANA y una colaboración con BAE Systems. En todos ellos, el patrón es el mismo: datos que no se pueden mover y modelos que aun así deben mejorar.
Las complejidades del machine learning en edge#
Estas son las limitaciones a las que se enfrentó Scaleout al entrenar modelos sobre el terreno:
-
Hardware limitado: Los despliegues sobre el terreno no disponen de servidores de centros de datos, sino únicamente de dispositivos pequeños y de bajo consumo, como el ordenador de un dron. Ejecutar en ellos un modelo terminado es viable, pero reentrenarlo exige mucha más capacidad de cálculo.
-
Datos bloqueados en el dispositivo: Las grabaciones necesarias para el reentrenamiento suelen ser propiedad exclusiva y no se pueden enviar a un servidor central, por lo que el modelo tiene que aprender de datos que nunca salen del edge.
-
Sin especialistas en la ubicación: Los operadores que capturan datos sobre el terreno rara vez son ingenieros de machine learning, por lo que el reentrenamiento no puede depender de que haya conocimientos especializados en ciencia de datos.
-
Condiciones en cambio constante: Los entornos sobre el terreno cambian rápidamente, así que el modelo debe actualizarse continuamente en lugar de seguir ciclos de reentrenamiento lentos y periódicos.
Ajuste de modelos de Ultralytics YOLO en edge#
Para trabajar dentro de estas limitaciones, Scaleout creó un ciclo de entrenamiento que se ejecuta íntegramente sobre el terreno, con los modelos de Ultralytics YOLO como elemento central.
En cada ubicación, un Vision Ground Node, una estación edge con aceleración GPU y sus propios recursos de cálculo y almacenamiento, se sitúa junto a una flota de drones. A medida que los drones capturan grabaciones, el nodo selecciona los fotogramas más útiles, un operador 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 sin procesar. Este ciclo se ofrece mediante el módulo de visión de Scaleout, una extensión de la plataforma Scaleout Edge que reúne en un único paquete las herramientas que necesita un proyecto de visión por ordenador.
Integra la selección de fotogramas, la anotación, el entrenamiento y el despliegue, con Ultralytics YOLO encargándose de la detección, para que los equipos puedan construir sobre una base funcional en lugar de ensamblar estas piezas por su cuenta.
Scaleout puso en práctica este enfoque por primera vez en el programa acelerador NATO DIANA, utilizando YOLOv8 para ajustar la detección con datos recopilados sobre el terreno. Esos datos no se podían transferir a través de las redes de campo ni centralizar por motivos de propiedad, así que el equipo descentralizó el ajuste y permitió que el modelo aprendiera localmente a partir de nuevos ejemplos.
El ciclo también está diseñado para operadores, no para científicos de datos. El sistema guía a una persona sin conocimientos especializados durante la revisión y el etiquetado de los fotogramas relevantes, de modo que quienes trabajan sobre el terreno puedan seguir mejorando el modelo por su cuenta.
Las herramientas complementarias reflejan este enfoque: la versión de código abierto de Label Studio para la anotación, un servidor de streaming para incorporar las transmisiones de los drones y el paquete de Python de Ultralytics para el ajuste. Todo se ejecuta en hardware que va desde módulos NVIDIA Jetson hasta una unidad de campo reforzada o un portátil, según el despliegue.
¿Por qué elegir los modelos Ultralytics YOLO?#
Para Scaleout, la mayor ventaja de Ultralytics YOLO es lo ligeros que son sus modelos, algo que hace práctico el entrenamiento federado a través de conexiones deficientes. En lugar de mover datos sin procesar, Scaleout mueve únicamente la actualización del modelo. El modelo que más utiliza, el Ultralytics YOLOv8 nano, ocupa alrededor de 10,7 MB, por lo que una actualización completa es un paquete pequeño que se puede enviar incluso cuando el ancho de banda es escaso.
El paquete de Python de Ultralytics también proporciona a los ingenieros de Scaleout la flexibilidad necesaria para entrenar y desplegar en hardware diverso. El modelo compacto YOLOv8 nano funciona cómodamente en dispositivos edge con recursos limitados, mientras que las opciones de exportación del paquete permiten desplegarlo en los distintos entornos en los que trabaja Scaleout. Como los modelos son fáciles de ajustar, los equipos pueden iterar rápidamente a medida que cambian las condiciones sobre el terreno.
Ultralytics YOLO ayuda a Scaleout a actualizar los modelos más rápido#
Con Ultralytics YOLO, la parte más pesada del trabajo permanece en el dispositivo. El entrenamiento se ejecuta sobre cientos de gigabytes de grabaciones de campo, pero lo que realmente viaja es un modelo de unos 10 MB. Esto supone aproximadamente una reducción de diez veces en los datos que se deben mover, lo que hace viable el entrenamiento federado a través de las redes limitadas de las que dependen estos despliegues.
Este enfoque también cambia la rapidez con la que un modelo mejorado vuelve al terreno. Lo que de otro modo podría tardar semanas o meses —recopilar datos, enviarlos a un lugar central, reentrenar y volver a desplegar— se reduce a días y horas cuando el ciclo se ejecuta en edge.
Esto se aprecia con mayor claridad en el trabajo de Scaleout con drones. En tareas de reconocimiento de defensa, un dron sigue un patrón de búsqueda y utiliza un modelo Ultralytics YOLO a bordo para detectar, identificar y geolocalizar objetos de interés en tiempo real, procesándolo todo en el propio ordenador del dron en lugar de enviarlo para su análisis.
A medida que los drones recopilan nuevas grabaciones, esos datos alimentan un Vision Ground Node donde YOLO se ajusta con los nuevos fotogramas y se vuelve a distribuir un modelo actualizado, todo ello sin que las grabaciones salgan de la ubicación. Los modelos de detección deben adaptarse a condiciones que cambian rápidamente y a datos que no se pueden mover, y 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 extiende mucho más allá de los drones. En entornos industriales, como instalaciones energéticas y centros remotos, donde los datos de cada ubicación son sensibles, la plataforma mejora los modelos de detección en múltiples ubicaciones sin que ningún dato sin procesar cruce los límites de una instalación. Tanto si los datos están en un dron como en una instalación fija, Scaleout mantiene las grabaciones en su ubicación y mueve únicamente lo que el modelo ha aprendido.
Crear una IA adaptativa para entornos donde los datos no se pueden mover#
A medida que Scaleout crece, sigue ampliando su visión por ordenador federada y basada en edge a más entornos y hardware. Sus módulos prediseñados están concebidos para comprimir meses de integración en días, de modo que los clientes puedan aportar su propio hardware y adoptar el ciclo de aprendizaje adaptativo sin reconstruir el código de machine learning subyacente.
Con Ultralytics YOLO en el núcleo de su flujo de detección, Scaleout está haciendo posible entrenar y mejorar la IA precisamente en los entornos donde los enfoques convencionales se quedan cortos: mantiene los datos en su ubicación, sigue operativo cuando fallan las redes y convierte las flotas de dispositivos edge en un sistema que continúa aprendiendo como un todo.
¿Listo para descubrir lo que la IA de visión 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 por ordenador en robótica. Consulta nuestras opciones de licencia y empieza tu camino hacia una automatización más inteligente.
