Explora a diferença entre a inferência em tempo real e a inferência em lote ao utilizar o Ultralytics YOLO11 para várias aplicações de visão por computador.
Se já viste um carro autónomo em ação, já viste a inferência de IA em tempo real. Normalmente, um carro autónomo utiliza câmaras, sensores e IA para processar o que o rodeia e tomar decisões quase instantâneas. No entanto, quando não são necessárias respostas rápidas, a inferência em tempo real pode exigir muitos recursos.
Uma melhor opção nestes casos é a inferência em lote. Em vez de processar dados continuamente em tempo real, uma inferência em lote pode tratar grandes conjuntos de dados em intervalos programados. Esta abordagem ajuda a poupar recursos, a reduzir o consumo de energia e a diminuir os custos de infraestrutura.
Por exemplo, em aplicações de visão por computador, modelos como Ultralytics YOLO11 podem ser utilizados para tarefas em tempo real, como a deteção de objectos e a segmentação de instâncias. No entanto, o processamento de grandes volumes de dados visuais em tempo real pode ser exigente.
Com a inferência em lote, YOLO11 pode ser executado em dados visuais em lotes, reduzindo a pressão sobre o sistema e melhorando a eficiência sem sacrificar o desempenho. Isto facilita a implementação de soluções Vision AI em escala sem sobrecarregar o hardware ou aumentar os custos.
Neste artigo, vamos explorar a inferência em lote, os seus benefícios e como a inferência em lote utilizando YOLO11 pode ser aplicada em aplicações de visão por computador. Vamos começar!
Podes pensar na inferência em lote como a abordagem de uma grande tarefa de uma só vez, em vez de a tratares peça a peça à medida que vai chegando. Em vez de processar constantemente os dados em tempo real, a inferência em lote permite-lhe processar grandes grupos de dados em intervalos definidos. Esta abordagem é muito mais eficiente quando não são necessárias respostas imediatas, ajudando a poupar recursos informáticos, a reduzir a utilização de energia e a cortar custos.
Quando se trata de visão computacional, há certas aplicações em que a baixa latência é vital. A baixa latência refere-se ao atraso mínimo entre a receção da entrada (como uma imagem ou um quadro de vídeo) e a resposta do sistema. Por exemplo, no monitoramento de segurança em tempo real, mesmo pequenos atrasos podem resultar em riscos à segurança.
No entanto, em muitos outros cenários de visão computacional, a baixa latência não é tão crítica. É aqui que a inferência em lote se destaca - quando o sistema não precisa de reagir instantaneamente. A inferência em lote funciona alimentando dados visuais a um modelo de visão computacional em grupos ou lotes, permitindo que o sistema processe grandes conjuntos de dados de uma só vez, em vez de continuamente em tempo real.
Segue-se uma análise mais detalhada das etapas envolvidas na inferência em lote:
Agora que já falámos sobre o que é a inferência em lote e a sua diferença em relação à inferência em tempo real, vamos ver mais detalhadamente quando a utilizar.
A inferência em lote é ideal para analisar dados históricos. Digamos que tens imagens de vigilância de uma estação de metro durante o último mês e estás a tentar identificar padrões específicos, como o número de pessoas que entram e saem a diferentes horas do dia.
Em vez de processar cada fotograma em tempo real, a inferência em lote permite-lhe processar o valor de um mês inteiro de filmagens em lotes, identificando eventos chave ou tendências sem a necessidade de resultados imediatos. Desta forma, pode analisar grandes volumes de dados de forma mais eficiente e obter informações sobre padrões a longo prazo, sem sobrecarregar o sistema ou exigir uma monitorização constante.
A inferência em lote também é uma solução ideal quando os recursos do sistema são limitados. Ao executar a inferência fora das horas de ponta (por exemplo, durante a noite), pode poupar nos custos de computação e garantir que o sistema não fica sobrecarregado durante as horas de maior utilização. Isto torna-a uma abordagem eficiente e económica para empresas ou projectos que necessitem de processar grandes conjuntos de dados, mas que não exijam uma análise em tempo real.
O pacoteUltralytics Python suporta a inferência em lote para modelos como o YOLO11. Com o YOLO11, podes executar facilmente a inferência em lote especificando o argumento 'batch', que determina quantas imagens ou fotogramas de vídeo são processados de uma só vez.
Durante o processo de inferência de lote, as previsões são geradas para todas as imagens no lote simultaneamente. Por predefinição, o tamanho do lote está definido para 1, mas pode ajustá-lo para qualquer número que preferir.
Por exemplo, se o tamanho do lote for definido como 5, YOLO11 processará cinco imagens ou quadros de vídeo de cada vez e gerará previsões para todos os cinco de uma vez. Tamanhos de lote maiores geralmente levam a tempos de inferência mais rápidos, pois o processamento de várias imagens em um lote é mais eficiente do que lidar com elas individualmente.
Em seguida, vamos explorar alguns casos de utilização da visão computacional no mundo real para a inferência em lote.
Na investigação médica, é muito comum trabalhar com grandes quantidades de dados visuais. Aqui, a inferência em lote pode ajudar os cientistas a analisar dados mais facilmente em campos como a química, a biologia e a genética. Em vez de analisar um de cada vez, os dados são processados em lotes, poupando tempo e esforço.
Por exemplo, em instalações médicas, a inferência em lote pode ser especialmente útil para analisar grandes conjuntos de imagens médicas, como ressonâncias magnéticas ou tomografias computorizadas. Os hospitais podem recolher estes exames ao longo do dia e processá-los em lotes durante a noite.
Esta abordagem permite aos hospitais utilizar melhor o seu hardware e pessoal, reduzir os custos operacionais e garantir que todos os exames são analisados de forma consistente e uniforme. Também é benéfica para grandes projectos de investigação e estudos a longo prazo, em que é necessário lidar com grandes quantidades de dados.
Os automóveis autónomos utilizam tecnologias de IA, como a visão por computador, para processar o mundo que os rodeia. Com a ajuda de modelos avançados como o YOLO11, os sistemas de bordo do automóvel podem reconhecer outros veículos, linhas de faixa de rodagem, sinais de trânsito e pessoas na rua. Embora a inferência em tempo real seja fundamental na estrada, a tecnologia de condução autónoma também depende fortemente da inferência em lote nos bastidores.
Depois de um automóvel completar uma viagem, os dados que recolhe, tais como horas de filmagens de câmaras, leituras de sensores e análises LIDAR, podem ser processados posteriormente em grandes lotes. Isto permite aos engenheiros atualizar os modelos de IA do automóvel, aumentar a segurança do sistema e melhorar a sua capacidade de lidar com várias condições de condução.
A inferência em lote também é utilizada em simulações de condução autónoma para testar a forma como os carros autónomos reagiriam em diferentes situações, como navegar em cruzamentos movimentados ou responder a movimentos imprevisíveis de peões. Esta abordagem poupa tempo, reduz os custos e evita os riscos associados ao teste de cada cenário na vida real.
Da mesma forma, para as lojas de retalho, a inferência em lote com modelos de visão por computador como o YOLO11 pode aumentar significativamente a eficiência operacional. Por exemplo, os sistemas de câmera em lojas podem capturar milhares de imagens ao longo do dia, que podem ser processadas em lotes durante a noite.
Isto permite às lojas analisar o que está a acontecer na loja, como o comportamento dos clientes, os padrões de tráfego e as interações com os produtos, sem necessidade de processamento em tempo real, o que pode ser um desafio para as lojas mais pequenas.
Outro exemplo interessante é a utilização da inferência em lote para gerar mapas de calor, que visualizam as áreas de maior e menor atividade dos clientes na loja. Ao analisar estes mapas de calor, os retalhistas podem identificar as áreas que atraem mais tráfego pedonal e as partes da loja que podem necessitar de mais atenção ou de otimização da colocação de produtos. Estes dados podem ajudar os retalhistas a tomar melhores decisões sobre a disposição da loja, o posicionamento dos produtos e até as estratégias promocionais para melhorar a experiência do cliente e as vendas.
Eis algumas das principais vantagens que a inferência em lote pode trazer a várias indústrias:
Embora existam muitas vantagens na utilização da inferência em lote, há também algumas limitações a considerar. Seguem-se alguns factores a ter em conta:
A inferência em lote é uma forma eficiente de processar grandes volumes de dados visuais que não requerem resultados imediatos. Em vez de analisar cada imagem em tempo real, processa-as em lotes em horários programados, como durante a noite.
Este método é económico, reduz a carga computacional e ainda fornece resultados precisos. Desde ajudar as lojas a gerir o inventário até ajudar os médicos na análise de exames médicos e melhorar as tecnologias de carros autónomos, a inferência em lote torna a visão por computador mais acessível, económica e prática para aplicações do mundo real.
Pronto para mergulhar fundo na IA? Explora o nosso repositório GitHub, liga-te à nossa comunidade e verifica as nossas opções de licenciamento para começares a tua jornada de visão computacional. Descobre mais sobre inovações como a IA no fabrico e a visão computacional na indústria logística nas nossas páginas de soluções.
Começa a tua viagem com o futuro da aprendizagem automática
PT
EN
ZH
KO
JA
RU
DE
FR
ES
IT
AR
TR
VI