Aprende a desplegar eficazmente modelos de aprendizaje automático con Ultralytics. Optimiza, supervisa y mantén los modelos para que tengan impacto en el mundo real.
El despliegue de un modelo es el proceso de integrar un modelo de aprendizaje automático entrenado en un entorno de producción en el que pueda hacer predicciones sobre datos nuevos y no vistos. Este paso es crucial, ya que tiende un puente entre el desarrollo del modelo y su aplicación práctica, permitiendo que el modelo aporte valor en escenarios del mundo real. En esencia, se trata de hacer que el modelo sea accesible y utilizable más allá de la fase de desarrollo.
El despliegue de un modelo implica varias consideraciones importantes para garantizar que el modelo desplegado funcione con eficacia y eficiencia. Entre ellas se incluyen la selección del entorno de despliegue adecuado, la optimización del modelo para la inferencia y el establecimiento de un sistema de supervisión y mantenimiento del rendimiento del modelo a lo largo del tiempo.
Un modelo puede desplegarse en varios entornos en función de las necesidades específicas de la aplicación. El despliegue en la nube ofrece escalabilidad y accesibilidad, por lo que es adecuado para aplicaciones que requieren alta disponibilidad y cargas variables. Las plataformas en la nube más populares para el despliegue de modelos son Amazon Web Services (AWS), Google Cloud Platform (GCP) y Microsoft Azure.
El despliegue en el borde, por otro lado, implica desplegar modelos directamente en dispositivos como smartphones o dispositivos IoT. Este enfoque es beneficioso para aplicaciones que requieren baja latencia, como la inferencia en tiempo real en vehículos autónomos o el procesamiento en el dispositivo en aplicaciones móviles. El despliegue en el borde también puede mejorar la privacidad de los datos al procesarlos localmente en lugar de transmitirlos a un servidor remoto. La aplicaciónUltralytics HUB App te permite ejecutar modelos en los dispositivos iOS y Android .
Antes de desplegar un modelo, a menudo es necesario optimizarlo para la inferencia. Esto puede implicar técnicas como la cuantización del modelo, que reduce la precisión de los pesos del modelo para disminuir su tamaño y mejorar la velocidad de inferencia, y la poda del modelo, que elimina las conexiones menos importantes de la red neuronal para que el modelo sea más pequeño y rápido. Estas optimizaciones son especialmente importantes para el despliegue en los bordes, donde los recursos informáticos pueden ser limitados. Ultralytics Los modelos deYOLO pueden optimizarse utilizando OpenVINO.
Una vez desplegado un modelo, es esencial controlar su rendimiento para asegurarse de que sigue haciendo predicciones precisas. Esto puede implicar el seguimiento de métricas como la exactitud, la precisión y la recuperación, así como la supervisión de la deriva conceptual, en la que las propiedades estadísticas de la variable objetivo cambian con el tiempo, lo que puede degradar el rendimiento del modelo. Puede ser necesario un mantenimiento regular, que incluya el reentrenamiento del modelo con nuevos datos, para mantener el modelo actualizado y preciso. La supervisión y el mantenimiento del modelo son pasos vitales en un proyecto de visión por ordenador.
El despliegue de modelos es distinto de otros conceptos relacionados en el aprendizaje automático. Por ejemplo, el entrenamiento de modelos implica alimentar un modelo con datos para aprender patrones y relaciones, mientras que la validación de modelos evalúa el rendimiento del modelo en un conjunto de datos separado para garantizar que se generaliza bien a los nuevos datos. El despliegue del modelo, en cambio, se centra en hacer operativo el modelo entrenado y validado en un entorno del mundo real.
Gestión de inventarios en el comercio minorista: En el comercio minorista, el despliegue de modelos puede utilizarse para optimizar la gestión del inventario. Por ejemplo, un modelo de detección de objetos desplegado puede analizar las imágenes de las cámaras de la tienda para hacer un seguimiento de los niveles de producto en las estanterías en tiempo real. Esto permite a los minoristas automatizar los procesos de reposición, garantizando que los artículos populares estén siempre disponibles y reduciendo la necesidad de comprobaciones manuales de existencias. Más información sobre la IA en la gestión del inventario minorista.
Diagnóstico sanitario: En la atención sanitaria, el despliegue de modelos desempeña un papel fundamental en las herramientas de diagnóstico. Por ejemplo, un modelo de aprendizaje profundo entrenado para detectar anomalías en imágenes médicas, como radiografías o resonancias magnéticas, puede desplegarse para ayudar a los radiólogos a realizar diagnósticos más rápidos y precisos. Esto puede mejorar significativamente los resultados de los pacientes al permitir la detección precoz de enfermedades. Explora el impacto de la IA en el diagnóstico.
El despliegue de modelos es un paso crítico en el ciclo de vida del aprendizaje automático, que transforma un modelo entrenado en una herramienta práctica que puede aportar valor en aplicaciones del mundo real. Al considerar cuidadosamente el entorno de despliegue, optimizar el modelo para la inferencia y establecer un sistema de supervisión y mantenimiento, las organizaciones pueden garantizar que sus modelos de aprendizaje automático logren el impacto previsto. Ya se despliegue en la nube, en el borde o en un entorno híbrido, un modelo bien desplegado puede impulsar la eficiencia, mejorar la toma de decisiones y desbloquear nuevas oportunidades en diversos sectores. Puedes explorar las opciones de despliegue de modelos y las mejores prácticas para los modelos Ultralytics YOLO . También puedes utilizar Ultralytics HUB para desplegar tus modelos entrenados.
.png)