Ao ajustar os modelos Ultralytics YOLO em dispositivos de borda, a Scaleout mantém os dados no local, funciona offline e disponibiliza novos modelos de detecção em horas, em vez de semanas.
O treinamento de modelos de aprendizado de máquina geralmente pressupõe que você pode reunir todos os seus dados em um só lugar, enviá-los para a nuvem e implantar um modelo pronto. Em muitos cenários reais, essa premissa não se sustenta. Em ambientes de defesa, industriais e regulamentados, os dados precisam permanecer no local por exigências de privacidade, classificação de segurança ou pelos altos custos de largura de banda, e nem sempre é possível confiar na rede que conecta esses locais.
A Scaleout cria infraestrutura precisamente para estas condições. A sua plataforma, Scaleout Edge, utiliza aprendizagem federada para levar o treino dos modelos até onde os dados estão, em vez de transferir os dados até ao modelo. Para projetos de visão por computador, a Scaleout treina modelos personalizados e faz o ajuste fino de modelos Ultralytics YOLO nos Vision Ground Nodes, estações edge aceleradas por GPU implementadas em cada local, para que a deteção continue a melhorar no terreno sem que imagens sensíveis saiam do dispositivo.
Levando o aprendizado de máquina até onde os dados estão#
Fundada em 2018 por pesquisadores da Universidade de Uppsala que trabalhavam com sistemas distribuídos em larga escala, a Scaleout surgiu para possibilitar o aprendizado de máquina em locais onde os dados não podem ser centralizados. Seu foco está em contextos nos quais reunir dados em um único lugar é difícil ou impossível, e o aprendizado federado é o mecanismo central que torna isso viável.
O aprendizado federado distribui o treinamento entre muitos dispositivos e, em seguida, reúne as atualizações de seus modelos em um plano de controle central, que as agrega em um novo modelo global. Cada dispositivo se beneficia da compreensão de seu próprio ambiente local, enquanto toda a frota se beneficia da inteligência coletiva. Os dados permanecem onde devem estar, e apenas o que o modelo aprendeu é transferido.
O trabalho da Scaleout abrange os setores de defesa, indústria, transporte e outros setores regulamentados, incluindo iniciativas como o programa acelerador NATO DIANA e uma colaboração com a BAE Systems. Em todos eles, o cenário é o mesmo: os dados não podem ser transferidos, mas os modelos ainda precisam melhorar.
As complexidades do aprendizado de máquina na borda#
Veja mais de perto as limitações que a Scaleout enfrentou ao treinar modelos em campo:
- Hardware limitado: as implantações em campo não contam com servidores de data center, apenas com dispositivos pequenos e de baixo consumo, como o computador de um drone. Executar neles um modelo já pronto é viável, mas retreiná-lo exige muito mais capacidade de processamento.
- Dados restritos ao dispositivo: as gravações necessárias para o retreinamento costumam ser proprietárias e não podem ser enviadas a um servidor central. Por isso, o modelo precisa aprender com dados que nunca saem da borda.
- Sem especialistas no local: raramente os operadores que capturam dados em campo são engenheiros de aprendizado de máquina, então o retreinamento não pode depender da presença de especialistas em ciência de dados.
- Condições em constante mudança: os ambientes de campo mudam rapidamente, por isso o modelo precisa ser atualizado continuamente, em vez de seguir ciclos lentos e periódicos de retreinamento.
Ajustando modelos Ultralytics YOLO na borda#
Para trabalhar dentro dessas limitações, a Scaleout desenvolveu um ciclo de treinamento que funciona inteiramente em campo e tem os modelos Ultralytics YOLO em seu centro.
Em cada local, um Vision Ground Node — uma estação de borda acelerada por GPU, com capacidade própria de processamento e armazenamento — opera junto a uma frota de drones. Enquanto os drones capturam imagens, o nó seleciona os quadros mais úteis, um operador os anota e o modelo YOLO é ajustado naquele hardware local.
Após algumas épocas de treinamento, somente o modelo atualizado é enviado de volta ao plano de controle, nunca as imagens brutas. Esse ciclo é oferecido pelo módulo de visão da Scaleout, uma extensão da plataforma Scaleout Edge que reúne em um único pacote as ferramentas necessárias para um projeto de visão computacional.
Ele reúne seleção de quadros, anotação, treinamento e implantação, com o Ultralytics YOLO cuidando da detecção, para que as equipes possam partir de uma base funcional em vez de montar essas partes por conta própria.
A Scaleout aplicou essa abordagem pela primeira vez no programa acelerador NATO DIANA, usando YOLOv8 para ajustar a detecção com dados coletados em campo. Esses dados não podiam ser transferidos pelas redes de campo nem centralizados por motivos de propriedade, então a equipe descentralizou o ajuste fino e permitiu que o modelo aprendesse localmente com novos exemplos.
O ciclo também foi desenvolvido para operadores, não para cientistas de dados. O sistema orienta pessoas sem especialização na análise e anotação dos quadros relevantes, para que quem está em campo possa continuar aprimorando o modelo por conta própria.
As ferramentas de suporte refletem essa abordagem: a versão de código aberto do Label Studio para anotação, um servidor de streaming para receber as transmissões dos drones e o pacote Ultralytics para Python para ajuste fino. Tudo funciona em hardware que vai de módulos NVIDIA Jetson a uma unidade robusta para uso em campo ou um laptop, dependendo da implantação.
Por que escolher os modelos Ultralytics YOLO?#
Para a Scaleout, a maior vantagem do Ultralytics YOLO é a leveza dos modelos, que torna prático o treino federado através de ligações de fraca qualidade. Em vez de transferir dados em bruto, a Scaleout transfere apenas a atualização do modelo. O modelo que utiliza mais frequentemente, Ultralytics YOLOv8 nano, tem cerca de 10,7 MB, pelo que uma atualização completa é um pacote pequeno para enviar, mesmo quando a largura de banda é escassa.
O pacote Ultralytics para Python também dá aos engenheiros da Scaleout flexibilidade para treinar e implantar em diversos tipos de hardware. O modelo compacto YOLOv8 nano funciona sem problemas em dispositivos de borda com recursos limitados, enquanto as opções de exportação do pacote dão suporte à implantação nos diferentes ambientes em que a Scaleout trabalha. Como os modelos são fáceis de ajustar, as equipes podem iterar rapidamente à medida que as condições de campo mudam.
O Ultralytics YOLO ajuda a Scaleout a atualizar modelos com mais rapidez#
Com o Ultralytics YOLO, a maior parte do trabalho é feita no dispositivo. O treinamento usa centenas de gigabytes de gravações de campo, mas o que realmente é transferido é um modelo de cerca de 10 MB. Isso reduz bastante a quantidade de dados que precisa ser transferida, o que torna viável o treinamento federado nas redes limitadas das quais essas implantações dependem.
Essa abordagem também muda a rapidez com que um modelo aprimorado volta a ser usado em campo. O que, de outra forma, poderia levar semanas ou meses — coletar dados, enviá-los para algum lugar central, retreinar e reimplantar — passa a levar dias ou horas quando o ciclo é executado na borda.
Isso fica mais evidente no trabalho da Scaleout com drones. Em missões de reconhecimento de defesa, um drone percorre um padrão de busca e usa um modelo Ultralytics YOLO embarcado para detectar, identificar e geolocalizar objetos de interesse em tempo real. Todo o processamento é feito no próprio computador do drone, sem enviar os dados para análise.
À medida que os drones capturam novas imagens, esses dados alimentam um Vision Ground Node, onde o YOLO é ajustado com os novos quadros, e um modelo atualizado é enviado de volta, tudo sem que as imagens saiam do local. Os modelos de detecção precisam acompanhar as condições que mudam rapidamente e os dados que não podem ser transferidos. Um modelo retreinado localmente continua sendo útil onde um modelo estático, treinado centralmente, ficaria para trás.
Fig. 1. Exemplo de como a Scaleout e o Ultralytics YOLO potenciam drones com IA (Fonte).
O mesmo padrão se estende muito além dos drones. Em ambientes industriais, como instalações de energia e locais remotos, onde os dados de cada local são confidenciais, a plataforma aprimora modelos de detecção em vários locais sem que dados brutos ultrapassem os limites de uma instalação. Quer estejam em um drone ou em uma instalação fixa, as imagens permanecem no local, e a Scaleout transfere apenas o que o modelo aprendeu.
Desenvolvendo IA adaptável para ambientes onde os dados não podem ser transferidos#
À medida que cresce, a Scaleout continua expandindo sua visão computacional federada e baseada na borda para mais ambientes e tipos de hardware. Seus módulos pré-configurados foram desenvolvidos para reduzir meses de integração a poucos dias, permitindo que os clientes usem seu próprio hardware e adotem o ciclo de aprendizado adaptável sem reconstruir o código de aprendizado de máquina subjacente.
Com o Ultralytics YOLO no centro de seu pipeline de detecção, a Scaleout está possibilitando treinar e aprimorar a IA exatamente nos ambientes em que as abordagens convencionais não funcionam, mantendo os dados no local, continuando a operar quando as redes falham e transformando frotas de dispositivos de borda em um sistema que aprende continuamente como um todo.
Quer descobrir o que a IA visual pode fazer por você? Acesse nosso repositório do GitHub para descobrir como os modelos YOLO estão transformando áreas como IA na manufatura e visão computacional em robótica. Confira nossas opções de licenciamento e comece sua jornada rumo a uma automação mais inteligente.
Escrito por
Gerente de conteúdo digital · Ultralytics
