Utilizar o Ultralytics YOLO11 para executar inferências em lote

Se já viste um carro autónomo em ação, testemunhaste inferência de IA em tempo real. Um carro autónomo normalmente 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 consumir muitos recursos.

Uma opção melhor nestes casos é a inferência em lote. Em vez de processar dados continuamente em tempo real, a inferência em lote consegue processar grandes conjuntos de dados em intervalos programados. Esta abordagem ajuda a poupar recursos, reduzir o consumo de energia e diminuir os custos de infraestrutura.

Por exemplo, em aplicações de visão computacional, modelos como o Ultralytics YOLO11 podem ser utilizados em tarefas em tempo real, como deteção de objetos e segmentação de instâncias. No entanto, processar grandes volumes de dados visuais em tempo real pode exigir muitos recursos.

Fig. 1. Um exemplo de segmentação de objetos numa imagem utilizando o Ultralytics YOLO11.

Com a inferência em lote, o Ultralytics YOLO11 pode ser executado em lotes de dados visuais, reduzindo a carga sobre o sistema e melhorando a eficiência sem comprometer o desempenho. Isto facilita a implementação de soluções de IA para visão computacional em escala, sem sobrecarregar o hardware nem aumentar os custos.

Neste artigo, vamos explorar a inferência em lote, os seus benefícios e como a inferência em lote com o Ultralytics YOLO11 pode ser aplicada em aplicações de visão computacional. Vamos começar!

Uma análise da inferência em lote em visão computacional#

Podes pensar na inferência em lote como resolver uma tarefa grande de uma só vez, em vez de a processar parte a parte à medida que os dados chegam. Em vez de processar dados constantemente em tempo real, a inferência em lote permite processar grandes grupos de dados em intervalos definidos. Esta abordagem é muito mais eficiente quando não são necessárias respostas imediatas, ajudando a poupar recursos computacionais, reduzir o consumo de energia e diminuir os custos.

No que diz respeito à visão computacional, há aplicações em que uma latência baixa é essencial. Latência baixa refere-se ao atraso mínimo entre a receção de uma entrada, como uma imagem ou um fotograma de vídeo, e a resposta do sistema. Por exemplo, na monitorização de segurança em tempo real, até pequenos atrasos podem resultar em riscos para a segurança.

No entanto, em muitos outros cenários de visão computacional, uma latência baixa 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 ao fornecer 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 os processar continuamente em tempo real.

Compreender como funciona a inferência em lote#

Eis uma análise mais detalhada das etapas envolvidas na inferência em lote:

• Recolha de dados: Os dados visuais são recolhidos ao longo de um período. Podem incluir imagens de videovigilância, imagens de produtos ou dados de clientes, dependendo da aplicação.

• Preparação do lote: Os dados recolhidos são agrupados em lotes. Durante esta etapa, os dados são formatados conforme exigido pelo modelo. Por exemplo, as imagens podem ser redimensionadas, normalizadas ou convertidas para o formato adequado ao processamento pelo modelo.

• Predição: Depois de os dados serem preparados, o lote completo é fornecido ao modelo, como o Ultralytics YOLO11, que processa todo o lote de uma só vez. Isto permite ao modelo gerar predições para todos os dados do lote simultaneamente, tornando o processo mais eficiente do que processar cada ponto de dados individualmente.

Quando utilizar a inferência em lote?#

Agora que explicámos o que é a inferência em lote e em que difere da inferência em tempo real, vamos analisar mais detalhadamente quando a utilizar.

A inferência em lote é ideal para analisar dados históricos. Imagina que tens imagens de videovigilância de uma estação de metro do último mês e estás a tentar identificar padrões específicos, como o número de pessoas que entram e saem em diferentes horas do dia.

Em vez de processar cada fotograma em tempo real, a inferência em lote permite processar em lotes todas as imagens do mês, identificando eventos ou tendências importantes sem necessidade de resultados imediatos. Desta forma, podes analisar grandes volumes de dados com maior eficiência e obter informações sobre padrões de longo prazo, sem sobrecarregar o sistema nem exigir 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 maior utilização, como durante a noite, podes poupar nos custos computacionais e garantir que o sistema não fica sobrecarregado nos períodos de maior utilização. Isto torna-a uma abordagem eficiente e económica para empresas ou projetos que precisam de processar grandes conjuntos de dados, mas não necessitam de análise em tempo real.

Inferência em lote com o Ultralytics YOLO11#

O pacote Python da Ultralytics suporta 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 em lote, são geradas predições para todas as imagens do lote simultaneamente. Por predefinição, o tamanho do lote está definido como 1, mas podes ajustá-lo para qualquer número que prefiras.

Por exemplo, se o tamanho do lote estiver definido como 5, o Ultralytics YOLO11 processará cinco imagens ou fotogramas de vídeo de cada vez e gerará predições para os cinco simultaneamente. Tamanhos de lote maiores normalmente resultam em tempos de inferência mais rápidos, uma vez que processar várias imagens num lote é mais eficiente do que processá-las individualmente.

Aplicações de visão computacional possibilitadas pela inferência em lote#

De seguida, vamos explorar alguns casos de utilização reais da inferência em lote em visão computacional.

Melhorar o diagnóstico e a investigação na área da saúde#

Na investigação médica, é muito comum trabalhar com grandes quantidades de dados visuais. Neste contexto, a inferência em lote pode ajudar os cientistas a analisar dados mais facilmente em áreas como a química, a biologia e a genética. Em vez de analisar os dados um de cada vez, estes 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 estas imagens ao longo do dia e processá-las em lotes durante a noite.

Esta abordagem permite aos hospitais aproveitar melhor o seu hardware e o seu pessoal, reduzir os custos operacionais e garantir que todas as imagens são analisadas de forma consistente e uniforme. Também é benéfica para grandes projetos de investigação e estudos de longo prazo, nos quais é necessário lidar com grandes quantidades de dados.

Fig. 2. Deteção numa imagem médica utilizando o Ultralytics YOLO11.

Melhorar os veículos autónomos através de simulações#

Os carros autónomos utilizam tecnologias de IA, como a visão computacional, para processar o mundo à sua volta. Com a ajuda de modelos avançados como o Ultralytics YOLO11, os sistemas integrados no veículo conseguem reconhecer outros veículos, marcações de faixa, sinais de trânsito e pessoas na rua. Embora a inferência em tempo real seja essencial na estrada, a tecnologia de condução autónoma também depende bastante da inferência em lote nos bastidores.

Fig. 3. O YOLO11 consegue detetar facilmente peões na estrada.

Depois de um carro concluir uma viagem, os dados recolhidos, como horas de imagens da câmara, leituras de sensores e digitalizações LIDAR, podem ser processados posteriormente em grandes lotes. Isto permite aos engenheiros atualizar os modelos de IA do carro, melhorar a segurança do sistema e aumentar a sua capacidade de lidar com várias condições de condução.

A inferência em lote também é utilizada em simulações de condução autónoma para testar como os carros autónomos reagiriam em diferentes situações, como atravessar cruzamentos movimentados ou responder a movimentos imprevisíveis de peões. Esta abordagem poupa tempo, reduz os custos e evita os riscos associados ao teste de todos os cenários na vida real.

Análise de dados de retalho com base na inferência em lote#

De forma semelhante, nas lojas de retalho, a inferência em lote com modelos de visão computacional como o Ultralytics YOLO11 pode melhorar significativamente a eficiência operacional. Por exemplo, os sistemas de câmaras nas lojas podem captar milhares de imagens ao longo do dia, que podem depois ser processadas em lotes durante a noite.

Isto permite às lojas analisar o que acontece no seu interior, como o comportamento dos clientes, os padrões de circulação e as interações com os produtos, sem necessidade de processamento em tempo real, o que pode ser um desafio para lojas mais pequenas.

Outro exemplo interessante é utilizar a inferência em lote para gerar mapas de calor, que representam visualmente as áreas de maior e menor atividade dos clientes dentro da loja. Ao analisar estes mapas de calor, os retalhistas podem identificar as áreas que atraem mais circulação e as partes da loja que podem precisar de mais atenção ou de uma otimização da colocação dos 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, melhorando a experiência dos clientes e as vendas.

Fig. 4. Os mapas de calor podem ajudar os retalhistas a identificar as áreas populares nas lojas.

Vantagens e desvantagens da inferência em lote#

Eis alguns dos principais benefícios que a inferência em lote pode trazer a vários setores:

• Facilidade de integração: A inferência em lote pode ser facilmente integrada em fluxos de trabalho existentes, particularmente em setores como o retalho, a segurança ou a área da saúde, nos quais é necessário processar grandes volumes de dados em massa.
• Gestão de dados simplificada: Ao trabalhar com grandes quantidades de dados, a inferência em lote pode simplificar a gestão de dados, uma vez que estes são agrupados em partes fáceis de gerir. Isto facilita o acompanhamento, a revisão e a organização dos dados ao longo do tempo.
• Redução da carga da rede: Quando os dados são processados em lotes, é possível minimizar a quantidade de dados transferidos num determinado momento, reduzindo a pressão sobre os recursos de rede em sistemas baseados na nuvem ou em ambientes de computação distribuída.

Embora a utilização da inferência em lote tenha muitas vantagens, também há algumas limitações a considerar. Eis alguns fatores a ter em conta:

• Requisitos de armazenamento: Armazenar grandes conjuntos de dados para processamento em lote pode aumentar significativamente os custos de armazenamento, sobretudo no caso de imagens de alta resolução, vídeos ou grandes volumes de dados.
• Possibilidade de acumulação: Se os dados se acumularem rapidamente ou se os lotes grandes não forem processados atempadamente, pode formar-se uma fila de processamento. Isto pode causar atrasos na obtenção de informações e no processamento atempado de novos dados.
• Picos de utilização de recursos: Lotes grandes, especialmente os que envolvem imagens de alta resolução, podem causar picos de utilização de memória ou de capacidade computacional. Se não forem devidamente geridos, estes picos podem sobrecarregar os sistemas, causando lentidão ou falhas.

Principais conclusões#

A inferência em lote é uma forma eficiente de processar grandes volumes de dados visuais que não exigem 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 continua a fornecer resultados precisos. Desde ajudar as lojas a gerir o inventário até auxiliar os médicos na análise de imagens médicas e melhorar as tecnologias de condução autónoma, a inferência em lote torna a visão computacional mais acessível, económica e prática para aplicações do mundo real.

Pronto para aprofundar o mundo da IA? Explora o nosso repositório no GitHub, liga-te à nossa comunidade e consulta as nossas opções de licenciamento para começares a tua jornada na visão computacional. Descobre mais sobre inovações como a IA na indústria e a visão computacional no setor da logística nas nossas páginas de soluções.