Capacidad demostrada
Preparación por casos, caché acotada en las pruebas observadas, registros de ejecución y entrenamientos físicos en una GPU de 4 GiB.
DEMO DE UN PROTOTIPO FUNCIONAL
Entrenar con menos espacio.
Conservar el avance.
Así se organiza una carga de IA cuando la memoria y el disco son limitados.
01 / RECORRIDO
Un trabajo, de principio a fin
Modelo Tiny3DDatos 6 muestras sintéticasEstrategia syncGPU física 4 GiB
01PrepararCasos y presupuesto
02Acercar datosCaché de tamaño fijo
03EntrenarActualizar el modelo
04GuardarCheckpoint y registro
Qué ocurrió durante el entrenamiento
Pérdida medida en cada actualización
Actualizaciones12 / 12
Última pérdida0,6469
Checkpoints guardados6
La pérdida es el error usado para ajustar esta red sintética. Su reducción no demuestra una mejora clínica ni se extrapola a STU-Net.
Datos cerca del modelo
6 KiB de origen · 4 KiB de caché
Ocupación registrada4 / 4 KiB
Se conservan hasta cuatro muestras. Al necesitar otra, la caché retira una que ya no está en uso.
22 MiBPico de memoria reservada por PyTorch en esta demo Tiny3D. Es distinto de los 4 GiB del hardware y del consumo de STU-Net.
EVENTO SELECCIONADO
La ejecución terminó y dejó doce actualizaciones confirmadas.
La animación cambia el ritmo de presentación. Los valores de pérdida, ocupación y checkpoints proceden del registro guardado.
02 / EVIDENCIA DE LABORATORIO
Del ejemplo pequeño a los volúmenes 3D
La demostración anterior explica el mecanismo. Las campañas volumétricas corresponden a otro modelo y a supervisores de investigación.
4 GiBRTX 3050 Ti física
64 y 96Casos en los entrenamientos
4 trabajosDos configuraciones, dos semillas
1.536Actualizaciones por trabajo
Los cuatro entrenamientos STU-Net-S terminaron. Una ejecución del segundo par se detuvo al superar la guarda de swap y completó el trabajo después de reanudarse. Esta evidencia demuestra factibilidad en el equipo probado; la mejora de segmentación al escalar casos no fue consistente.
Descargar evidencia resumida (JSON)03 / SIGUIENTE VALIDACIÓN
De un prototipo a una herramienta de ingeniería
Trabajo pendiente
Reparar casos límite de recursos y recuperación, validar la instalación fuera del laboratorio y cerrar la equivalencia larga de prefetch. El modo predeterminado sigue siendo sync.
Primer piloto propuesto
Una carga AI/edge, un equipo de alta tecnología en Jalisco y una comparación con su proceso habitual: tiempo de preparación, intervención manual, recursos y recuperación.
Prototipo en validación. Sin piloto industrial confirmado, ahorro comercial medido ni validación clínica.