Использование Ultralytics YOLO11 для выполнения пакетных выводов

Если вы видели самодвижущийся автомобиль в действии, вы стали свидетелем того, как ИИ в режиме реального времени делает выводы. Самоуправляемый автомобиль обычно использует камеры, датчики и искусственный интеллект для обработки окружающей обстановки и принятия практически мгновенных решений. Однако, когда быстрые ответы не требуются, обработка выводов в реальном времени может отнимать много ресурсов.

Лучшим вариантом в таких случаях является пакетный вывод. Вместо непрерывной обработки данных в режиме реального времени пакетный вывод может обрабатывать большие наборы данных через запланированные промежутки времени. Такой подход позволяет экономить ресурсы, снижать энергопотребление и сокращать расходы на инфраструктуру.

Например, в приложениях компьютерного зрения такие модели, как Ultralytics YOLO11, могут использоваться для задач реального времени, таких как обнаружение объектов и сегментация объектов. Однако обработка больших объемов визуальных данных в реальном времени может оказаться сложной задачей. 

‍

Благодаря пакетным выводам YOLO11 можно запускать на визуальных данных партиями, снижая нагрузку на систему и повышая эффективность без снижения производительности. Это облегчает масштабное развертывание решений Vision AI без перегрузки оборудования и увеличения затрат.

В этой статье мы рассмотрим пакетный вывод, его преимущества и то, как пакетный вывод с помощью YOLO11 может быть применен в приложениях компьютерного зрения. Давайте начнем!

Взгляд на пакетное прогнозирование в компьютерном зрении

Пакетный анализ можно рассматривать как решение большой задачи сразу, а не по частям, по мере поступления данных. Вместо того чтобы постоянно обрабатывать данные в режиме реального времени, пакетные выводы позволяют обрабатывать большие группы данных через заданные промежутки времени. Такой подход гораздо эффективнее, когда нет необходимости в немедленном реагировании, помогает сэкономить вычислительные ресурсы, снизить энергопотребление и сократить расходы.

Когда речь идет о компьютерном зрении, есть приложения, для которых низкая задержка жизненно важна. Под низкой задержкой понимается минимальная задержка между получением входных данных (например, изображения или видеокадра) и ответом системы. Например, при мониторинге безопасности в режиме реального времени даже небольшие задержки могут привести к риску для безопасности.

Однако во многих других сценариях компьютерного зрения низкая задержка не так важна. Именно в таких случаях, когда системе не требуется мгновенная реакция, лучше всего подходит пакетное прогнозирование. Пакетный вывод работает путем подачи визуальных данных в модель компьютерного зрения группами или партиями, что позволяет системе обрабатывать большие массивы данных сразу, а не непрерывно в режиме реального времени.

Понимание того, как работает пакетное прогнозирование

Вот более подробный обзор шагов, связанных с пакетным подведением итогов:

• Сбор данных: Визуальные данные собираются в течение определенного периода времени. В зависимости от сферы применения это могут быть записи с камер наблюдения, изображения товаров или данные о клиентах.

• Подготовка партий: Собранные данные группируются в партии. На этом этапе данные форматируются в соответствии с требованиями модели. Например, изображения могут быть изменены в размере, нормализованы или преобразованы в соответствующий формат для обработки моделью.

• Предсказание: После подготовки данных вся партия поступает в модель (например, YOLO11), которая обрабатывает всю партию сразу. Это позволяет модели делать прогнозы для всех данных в пакете одновременно, что делает процесс более эффективным по сравнению с обработкой каждой точки данных по отдельности.

Когда использовать пакетное прогнозирование?

Теперь, когда мы рассказали о том, что такое пакетное прогнозирование и чем оно отличается от прогнозирования в реальном времени, давайте подробнее рассмотрим, когда его следует использовать.

Пакетные выводы идеально подходят для анализа исторических данных. Допустим, у вас есть записи с камер наблюдения на станции метро за последний месяц, и вы пытаетесь выявить определенные закономерности, например количество людей, входящих и выходящих в разное время суток. 

Вместо того чтобы обрабатывать каждый кадр в режиме реального времени, пакетная привязка позволяет обрабатывать весь месячный объем отснятого материала партиями, выявляя ключевые события или тенденции без необходимости получения немедленных результатов. Таким образом, вы можете более эффективно анализировать большие объемы данных и получать представление о долгосрочных закономерностях, не перегружая систему и не требуя постоянного контроля.

Пакетное создание выводов также является оптимальным решением в условиях ограниченности системных ресурсов. Запуская вывод в непиковые часы (например, ночью), вы можете сэкономить на вычислительных затратах и не перегружать систему в пиковые моменты. Таким образом, это эффективный и экономичный подход для предприятий или проектов, где требуется обработка больших массивов данных, но не требуется анализ в режиме реального времени.

Пакетные выводы с помощью Ultralytics YOLO11

Пакет Ultralytics Python поддерживает пакетные выводы для моделей типа YOLO11. В YOLO11 вы можете легко запустить пакетный вывод, указав аргумент 'batch', который определяет, сколько изображений или видеокадров обрабатывается одновременно. 

В процессе пакетного прогнозирования прогнозы генерируются одновременно для всех изображений в пакете. По умолчанию размер партии установлен на 1, но вы можете настроить его на любое удобное для вас число. 

Например, если размер пакета установлен на 5, YOLO11 будет обрабатывать пять изображений или видеокадров за раз и генерировать предсказания для всех пяти сразу. Больший размер пакета, как правило, ускоряет процесс вывода, поскольку обработка нескольких изображений в пакете более эффективна, чем по отдельности.

Приложения для компьютерного зрения с возможностью пакетного анализа

Далее рассмотрим несколько реальных примеров использования пакетных выводов в компьютерном зрении.

Улучшение диагностики и исследований в здравоохранении

В медицинских исследованиях очень часто приходится работать с большими объемами визуальных данных. Пакетные выводы могут помочь ученым легче анализировать данные в таких областях, как химия, биология и генетика. Вместо того чтобы анализировать данные по одному, они обрабатываются партиями, что экономит время и силы.

Например, в медицинских учреждениях пакетные выводы могут быть особенно полезны для анализа больших наборов медицинских изображений, таких как МРТ или КТ. Больницы могут собирать эти снимки в течение дня и обрабатывать их партиями в течение ночи. 

Такой подход позволяет больницам более эффективно использовать оборудование и персонал, сократить операционные расходы и обеспечить последовательное и единообразное рассмотрение всех снимков. Он также полезен для крупных научных проектов и долгосрочных исследований, где требуется обработка огромного количества данных.

‍

Совершенствование автономных транспортных средств с помощью симуляторов

Самостоятельно управляемые автомобили используют технологии искусственного интеллекта, такие как компьютерное зрение, для обработки окружающего мира. С помощью продвинутых моделей, таких как YOLO11, бортовые системы автомобиля могут распознавать другие транспортные средства, линии движения, дорожные знаки и людей на улице. В то время как на дороге критически важны выводы в реальном времени, технология автономного вождения также в значительной степени опирается на пакетные выводы в кулуарах. 

‍

После того как автомобиль завершает поездку, собранные им данные, такие как многочасовые записи с камер, показания датчиков и сканирование LIDAR, могут быть обработаны в дальнейшем в больших объемах. Это позволяет инженерам обновлять модели искусственного интеллекта автомобиля, повышать безопасность системы и улучшать ее способность справляться с различными условиями вождения.

Пакетные выводы также используются в симуляторах автономного вождения для проверки реакции самоуправляемых автомобилей в различных ситуациях, например, при прохождении оживленных перекрестков или реагировании на непредсказуемые движения пешеходов. Такой подход экономит время, снижает затраты и позволяет избежать рисков, связанных с проверкой каждого сценария в реальных условиях.

Анализ данных о розничной торговле с помощью пакетных выводов

Аналогичным образом, для розничных магазинов пакетный вывод данных с помощью моделей компьютерного зрения, таких как YOLO11, может значительно повысить эффективность работы. Например, системы камер в магазинах могут захватывать тысячи изображений в течение дня, которые затем могут обрабатываться партиями в течение ночи. 

Это позволяет магазинам анализировать происходящее в магазине, например поведение покупателей, трафик и взаимодействие с товарами, без необходимости обработки данных в режиме реального времени, что может быть затруднительно для небольших магазинов. 

Еще один интересный пример - использование пакетных выводов для создания тепловых карт, которые визуализируют области высокой и низкой активности покупателей в магазине. Анализируя эти тепловые карты, ритейлеры могут определить, какие зоны привлекают наибольшее количество покупателей, а какие части магазина требуют большего внимания или оптимизации размещения товаров. Эти данные могут помочь ритейлерам принимать более правильные решения по планировке магазина, размещению товаров и даже рекламным стратегиям для повышения покупательского опыта и продаж.

‍

Плюсы и минусы пакетного подведения итогов

Вот некоторые из ключевых преимуществ пакетного анализа для различных отраслей:

• Простота интеграции: Пакетные выводы можно легко интегрировать в существующие рабочие процессы, особенно в таких отраслях, как розничная торговля, безопасность или здравоохранение, где требуется массовая обработка больших объемов данных.
  ‍
• Более простое управление данными: При работе с большими объемами данных пакетные ссылки позволяют упростить управление данными, поскольку они группируются в управляемые фрагменты. Это облегчает отслеживание, проверку и упорядочивание данных с течением времени.
  ‍
• Снижение нагрузки на сеть: При пакетной обработке объем данных, передаваемых в каждый момент времени, может быть сведен к минимуму, что снижает нагрузку на сетевые ресурсы в облачных системах или распределенных вычислительных средах.

Хотя использование пакетных выводов имеет множество преимуществ, необходимо учитывать и некоторые ограничения. Вот несколько факторов, которые следует иметь в виду:

• Требования к хранению: Хранение больших наборов данных для пакетной обработки может значительно увеличить затраты на хранение, особенно при использовании изображений высокого разрешения, видео или больших объемов данных.
  ‍
• Потенциал отставания: Если данные накапливаются быстро или большие партии не обрабатываются вовремя, может образоваться отставание. Это может привести к задержкам в предоставлении информации и своевременной обработке новых данных.
  ‍.
• Скачки ресурсов: Большие партии, особенно с изображениями высокого разрешения, могут вызывать скачки в использовании памяти или вычислительных ресурсов. При отсутствии надлежащего управления эти скачки могут перегрузить систему, что приведет к замедлению работы или сбоям.

Основные выводы

Пакетные выводы - это эффективный способ обработки больших объемов визуальных данных, не требующих немедленного получения результатов. Вместо того чтобы анализировать каждое изображение в режиме реального времени, он обрабатывает их партиями в запланированное время, например за ночь. 

Этот метод экономически эффективен, снижает вычислительную нагрузку и при этом обеспечивает точные результаты. От помощи магазинам в управлении товарными запасами до помощи врачам в анализе медицинских снимков и усовершенствования технологий самодвижущихся автомобилей, пакетные выводы делают компьютерное зрение более доступным, недорогим и практичным для реальных приложений.

Готовы погрузиться в глубины искусственного интеллекта? Изучите наш репозиторий GitHub, общайтесь с нашим сообществом и ознакомьтесь с вариантами лицензирования, чтобы начать свой путь в области компьютерного зрения. Узнайте больше о таких инновациях, как ИИ в производстве и компьютерное зрение в логистике, на страницах наших решений.