USO DE TÉCNICAS DE TRANSFER LEARNING EN UN ENTORNO INDUSTRIAL. ANÁLISIS DEL BINOMIO EFICIENCIA-EMISIONES DE CO2

Abstract

La digitalización y los avances tecnológicos permiten utilizar técnicas basadas en inteligencia artificial que ayuden al desarrollo de herramientas que contribuyan a garantizar la seguridad en un entorno industrial. El objetivo es beneficiarse de los últimos avances para mejorar las medidas de seguridad a la vez que se busca que tenga un impacto reducido en la huella de carbono. Este proyecto ha hecho uso de técnicas de visión artificial para detectar objetos en dos conjuntos de imágenes utilizando transfer learning. Concretamente, se han utilizado redes neuronales ya entrenadas, YOLOv5 y YOLO11, que se han adaptado para su uso en nuevos datos. Para ambos modelos se han buscado los parámetros que optimizan el rendimiento y, de forma paralela, se ha comprobado el mismo entre entrenar el modelo sobre un nuevo conjunto de datos o cuando se hace sobre uno con capas congeladas. Al emplear un modelo ya consolidado (YOLOv5) y uno de nueva generación (YOLO11), se han analizado los compromisos entre la precisión, los requisitos computacionales, las emisiones de CO2 y la escalabilidad de los datos. En este caso, al analizar la eficiencia y la energía consumida por ambos modelos, se ha llegado a la conclusión de que, en algunos casos, el modelo más reciente consume un 21% más de energía para una mejora en la detección del 5%. Por otro lado, se ha probado que la técnica de transfer learning permite ahorrar tanto tiempo de computación como uso de recursos del sistema, reduciendo el time-to-market y proporcionado una ventaja competitiva a las empresas. Por último, se han calculado las emisiones de CO2 que hubieran resultado de crear las redes propuestas desde cero en lugar de hacer transfer learning. Este análisis implica que, al utilizarlas, las emisiones han sido 213.750 y 285.000 veces menores para YOLOv5 y YOLO11 respectivamente.The digitalization and the technological advances make it possible to use techniques based on artificial intelligence that help to develop tools that contribute to guaranteeing safety in an industrial-type environment. The goal is to leverage the latest advancements to improve safety measures while aiming for a reduced carbon footprint. This project has utilized computer vision techniques to detect objects in two image datasets using transfer learning. Specifically, pre-trained neural networks, YOLOv5 and YOLO11, were adapted for use with new data. For both models, parameters that optimize performance were identified, and a comparative analysis was conducted between training the model on a new dataset or using one with frozen layers. By employing a well-established model (YOLOv5) and a next-generation model (YOLO11), trade-offs between accuracy, computational requirements, CO2 emissions, and data scalability were analysed. In this case, when evaluating efficiency and energy consumption for both models, it was concluded that in some scenarios, the newer model consumes 21% more energy for a 5% improvement in detection performance. Additionally, it was demonstrated that the transfer learning technique saves both computation time and system resource usage, reducing time-to-market and providing a competitive advantage for companies. Finally, CO2 emissions that would have resulted from creating the proposed networks from scratch, instead of using transfer learning, were calculated. The analysis showed that by using transfer learning, emissions were reduced by 213,750 and 285,000 times for YOLOv5 and YOLO11, respectively.