Scaleout reduce las actualizaciones de modelos de semanas a horas con Ultralytics YOLO

Entrenar modelos de aprendizaje automático suele suponer que puedes centralizar todos tus datos en un lugar, enviarlos a la nube y desplegar un modelo terminado. En muchos entornos reales, esa suposición no es válida. En sectores de defensa, industriales y regulados, los datos están ligados a su ubicación por leyes de privacidad, clasificación de seguridad o simplemente por el coste del ancho de banda, y la red que conecta esas ubicaciones no siempre es de fiar.

Scaleout construye infraestructura exactamente para estas condiciones. Su plataforma, Scaleout Edge, utiliza aprendizaje federado para llevar el entrenamiento de modelos allí donde residen los datos, en lugar de mover los datos al modelo. Para proyectos de computer vision, Scaleout entrena y ajusta a medida Ultralytics YOLO models en Vision Ground Nodes, estaciones perimetrales aceleradas por GPU desplegadas en cada ubicación, de modo que la detección sigue mejorando sobre el terreno sin que ninguna imagen sensible abandone jamás el dispositivo.

Llevando el aprendizaje automático a 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 aprendizaje automático allí donde los datos no pueden centralizarse. Su enfoque se centra en contextos donde reunir los datos en un solo lugar es difícil o imposible, y el aprendizaje federado es el mecanismo central que hace que funcione.

El Federated learning distribuye el entrenamiento entre muchos dispositivos y, a continuación, recopila las actualizaciones de sus modelos en un plano de control central que las agrupa en un nuevo modelo global. Cada dispositivo se beneficia de comprender su propio entorno local, mientras que la flota en su conjunto se beneficia de la inteligencia colectiva. Los datos se quedan donde deben 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 de aceleración NATO DIANA y una colaboración con BAE Systems. En todos ellos, el patrón es el mismo: datos que no pueden moverse y modelos que todavía necesitan mejorar.

Las complejidades del aprendizaje automático en el borde (edge)#

Aquí tienes un vistazo más detallado a las limitaciones que enfrentó Scaleout al entrenar modelos sobre el terreno:

• Hardware limitado: Los despliegues sobre el terreno no cuentan con servidores de centros de datos, solo con dispositivos pequeños y de bajo consumo, como el ordenador de un dron. Ejecutar un modelo terminado en ellos es factible, pero reentrenarlo exige mucha más potencia de cómputo.

• Datos bloqueados en el dispositivo: Las imágenes necesarias para el reentrenamiento suelen ser de propiedad exclusiva y no se pueden enviar a un servidor central, por lo que el modelo tiene que aprender a partir de datos que nunca abandonan el edge.

• Sin especialistas in situ: Los operadores que capturan datos sobre el terreno rara vez son ingenieros de aprendizaje automático, por lo que el reentrenamiento no puede depender de la presencia de expertos en ciencia de datos.

• Condiciones en constante cambio: Los entornos de campo cambian rápidamente, por lo que el modelo tiene que actualizarse de forma continua en lugar de mediante ciclos de reentrenamiento lentos y periódicos.

Ajuste preciso de modelos Ultralytics YOLO en el borde (edge)#

Para trabajar dentro de estas limitaciones, Scaleout construyó un bucle de entrenamiento que se ejecuta íntegramente sobre el terreno, con los modelos Ultralytics YOLO como eje central.

En cada sitio, un Vision Ground Node, una estación perimetral acelerada por GPU con su propio cómputo 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 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 el metraje original. Este bucle se ofrece a través del módulo de visión de Scaleout, una extensión de la plataforma Scaleout Edge que agrupa en un único paquete las herramientas que necesita un proyecto de visión artificial.

Reúne la selección de fotogramas, la anotación, el entrenamiento y el despliegue, con Ultralytics YOLO gestionando la detección, para que los equipos puedan trabajar sobre una base funcional en lugar de montar estas piezas por sí mismos.

Scaleout puso en práctica este enfoque por primera vez en el programa de aceleración NATO DIANA, utilizando YOLOv8 para ajustar la detección con datos recopilados sobre el terreno. Esos datos no podían moverse a través de redes de campo ni centralizarse por razones de propiedad, por lo que el equipo descentralizó el ajuste, permitiendo que el modelo aprendiera de nuevos ejemplos localmente.

El bucle también está diseñado para operadores en lugar de científicos de datos. El sistema guía a un no especialista en la revisión y etiquetado de los fotogramas importantes, para que las personas sobre el terreno puedan seguir mejorando el modelo por su cuenta.

Las herramientas de apoyo reflejan esto, con la versión de código abierto de Label Studio para la anotación, un servidor de streaming para recibir las fuentes de vídeo de los drones y el Ultralytics Python package para el ajuste fino. Todo ello se ejecuta en hardware que va desde módulos NVIDIA Jetson hasta una unidad de campo resistente o un ordenador portátil, según el despliegue.

¿Por qué elegir los modelos Ultralytics YOLO?#

Para Scaleout, la mayor ventaja de Ultralytics YOLO es la ligereza de los modelos, que es lo que hace que el entrenamiento federado a través de conexiones deficientes sea práctico. En lugar de mover datos sin procesar, Scaleout mueve únicamente la actualización del modelo. El modelo que más utiliza, Ultralytics YOLOv8 nano, ocupa alrededor de 10.7 MB, por lo que una actualización completa es un paquete pequeño de enviar, incluso cuando el ancho de banda es escaso.

El Ultralytics Python package también ofrece a los ingenieros de Scaleout la flexibilidad de entrenar y desplegar en diversos tipos de hardware. El compacto modelo YOLOv8 nano se ejecuta holgadamente en dispositivos perimetrales limitados, mientras que las export options del paquete admiten el despliegue en los diferentes 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 imágenes de campo, pero lo que realmente viaja es un modelo de unos 10 MB. Esto supone una reducción de aproximadamente diez veces en los datos que tienen que moverse, que es lo que hace que el entrenamiento federado sea viable a través de las redes limitadas en las que se basan estos despliegues.

Este enfoque también cambia la rapidez con la que un modelo mejorado vuelve al terreno. Lo que de otro modo podría llevar semanas o meses, recopilando datos, enviándolos a un lugar central, reentrenando y volviendo a desplegar, se reduce a días y horas cuando el bucle se ejecuta en el borde.

Esto se aprecia con mayor claridad en el trabajo con drone de Scaleout. En reconocimiento de defensa, un dron sigue un patrón de búsqueda y utiliza un modelo de Ultralytics YOLO integrado para detectar, identificar y geolocalizar objetos de interés en tiempo real, procesándose todo ello en el ordenador del propio dron en lugar de enviarse fuera para su análisis.

A medida que los drones recopilan nuevas imágenes, esos datos alimentan un Vision Ground Node donde YOLO se ajusta con los nuevos fotogramas, y un modelo actualizado se envía de vuelta, todo ello sin que el metraje abandone nunca el sitio. Los modelos de detección tienen que mantenerse al día con condiciones que cambian rápidamente y con datos que no pueden moverse, y un modelo reentrenado localmente sigue siendo útil donde uno estático, entrenado de forma centralizada, se quedaría atrás.

Fig 1. Un ejemplo de cómo Scaleout y Ultralytics YOLO potencian los drones de IA (Source)

El mismo patrón se extiende mucho más allá de los drones. En entornos industriales como plantas energéticas e instalaciones remotas, donde los datos de cada ubicación son confidenciales, la plataforma mejora los modelos de detección en muchos sitios sin que ningún dato sin procesar cruce el límite de la instalación. Tanto si los datos residen en un dron como en una instalación fija, Scaleout mantiene las imágenes en su lugar y solo mueve lo que el modelo ha aprendido.

Construyendo una IA adaptable para entornos donde los datos no pueden moverse#

A medida que Scaleout crece, sigue ampliando su visión artificial federada basada en el borde a más entornos y hardware. Sus módulos preconstruidos están diseñados para comprimir meses de integración en días, de modo que los clientes puedan aportar su propio hardware y adoptar el bucle de aprendizaje adaptable sin necesidad de reconstruir el código de aprendizaje automático subyacente.

Con Ultralytics YOLO en el núcleo de su flujo de trabajo de detección, Scaleout hace posible entrenar y mejorar la IA exactamente en los entornos donde los enfoques convencionales fallan, manteniendo los datos donde están, funcionando sin conexión y convirtiendo flotas de dispositivos perimetrales en un sistema que sigue aprendiendo como un todo.

¿Estás listo para descubrir lo que la IA de visión puede hacer por ti? Dirígete a nuestro GitHub repository para descubrir cómo los modelos YOLO están transformando áreas como la AI in manufacturing y la computer vision in robotics. Consulta nuestras licensing options y comienza tu viaje hacia una automatización más inteligente.