Optimización del tiempo de inferencia de un modelo de machine learning usando OpenVINO y despliegue del modelo en un entorno cloud

Abstract

La observación remota de la Tierra ha sido siempre objeto de interés para el ser humano. A lo largo de los años, los métodos empleados con ese fin han ido evolucionando hasta que, en la actualidad, el análisis de imágenes multiespectrales constituye una línea de investigación muy activa, en especial para realizar la monitorización y el seguimiento de incendios, desastres naturales, vertidos químicos u otros tipos de contaminación ambiental. Las imágenes satelitales en un mundo donde el machine learning y el procesamiento de datos ha avanzado tanto, abre la posibilidad de construir modelos capaces de reconocer, en tiempo real, zonas en las que ha ocurrido un desastre natural y poder actuar en consecuencia. En este Trabajo de Fin de Grado se lleva a cabo la optimización en tiempos de inferencia de un modelo de machine learning usado para detectar desastres naturales con el kit de herramientas Intel OpenVINO. Además, se realiza la puesta en producción de la aplicación en un entorno cloud de Google, con el objetivo de que nuestro servicio soporte miles de peticiones por minuto.

Remote observation of the Earth has always been a point of interest to humans. Over the years, the methods used for this purpose have evolved until, at present, the analysis of multispectral images constitutes a very active line of research, in particular to carry out fire monitoring and follow-up, natural disasters, chemical spills or other types of environmental pollution. Satellite imagery in a world where machine learning and data processing has advanced so far opens up the possibility of building real-time processing models witch’s recognizes areas where a natural disaster has occurred, and being able to act accordingly. This Final Degree Project carry out the optimization of a machine learning model used to detect natural disasters with the Intel OpenVINO toolkit. In addition, the application is deployed in a Google cloud environment, with the objective of support thousands requests per minute.