Licencia YOLO
Guías

Azure Custom Vision dejará de estar disponible: lista de comprobación para migrar tus modelos de visión

Azure Custom Vision dejará de estar disponible el 25 de septiembre de 2028. Planifica la migración, exporta tus datos etiquetados y vuelve a entrenar en Ultralytics Platform.

Jing QiuJing Qiu16 min de lectura
Imagen de portada de Ultralytics para la lista de comprobación de migración de Azure Custom Vision: el cuadro de diálogo Nuevo conjunto de datos de Ultralytics Platform, con un panel que asigna los proyectos de detección de Custom Vision, el etiquetado, las iteraciones de entrenamiento y el punto de conexión de predicción a los conjuntos de datos, el editor de anotaciones, el entrenamiento en la nube y los puntos de conexión dedicados de Platform

Azure Custom Vision dejará de estar disponible el 25 de septiembre de 2028. Los equipos que usan el entrenamiento en la nube o las predicciones del servicio necesitarán una alternativa antes de esa fecha, y los equipos que ejecutan modelos exportados también querrán un lugar donde volver a entrenarlos a medida que cambien los productos y las cámaras. Es un buen momento para pasarte a una plataforma en la que puedas etiquetar, entrenar e implementar durante años.

Esta lista de comprobación recorre cinco pasos para que la migración vaya sobre ruedas: inventariar lo que ejecutas actualmente, sacar tus datos etiquetados, elegir a dónde migrar, probar el nuevo modelo con tus propias imágenes y, después, hacer el cambio con una alternativa de respaldo. Por el camino, muestra cómo trasladar cada parte de un proyecto de Custom Vision a Ultralytics Platform, donde puedes etiquetar, entrenar e implementar modelos de Ultralytics YOLO en un mismo lugar, para que tu equipo encuentre un hogar a largo plazo y no una solución provisional.

Qué cambia y cuándo#

Según las indicaciones de migración de Custom Vision de Microsoft:

  • 25 de septiembre de 2028: Custom Vision dejará de estar disponible y el servicio se interrumpirá. Microsoft ofrecerá asistencia completa a los clientes actuales hasta entonces.
  • 25 de septiembre de 2026: fecha límite que Microsoft pidió a sus clientes para elaborar un plan de transición.

Cronología de las fechas de Microsoft: ya ha pasado el 25 de septiembre de 2026, fecha límite que Microsoft pidió a sus clientes para elaborar un plan de transición; el 25 de septiembre de 2028, Custom Vision dejará de estar disponible y la API Image Analysis dejará de estar disponible ese mismo día

Fechas de retirada de Azure Custom Vision y de la API Image Analysis de Microsoft, según sus indicaciones de migración.

Qué significa esto en la práctica:

  • El entrenamiento en la nube y las predicciones dejarán de funcionar. Cualquier aplicación que llame a un punto de conexión de predicción de Custom Vision necesitará uno nuevo antes de la fecha de retirada.
  • Los modelos exportados pueden ayudar a mantener la continuidad. Custom Vision puede exportar un modelo a ONNX, TensorFlow, TensorFlow.js, CoreML o un contenedor Docker para ejecutarlo en tu propio hardware. Los archivos de modelo, como los de ONNX, no llaman al servicio; Microsoft explica que el contenedor Docker incluye código de servicio para la API de Custom Vision, así que pruébalo cuando el servicio no esté disponible antes de depender de él. La exportación solo funciona con proyectos que usan un dominio compacto, y Microsoft señala que los modelos compactos pueden ser ligeramente menos precisos que los modelos de dominio estándar. Tampoco podrás volver a entrenar un modelo exportado en Custom Vision tras la retirada, por lo que su rendimiento puede deteriorarse a medida que cambien tus productos, cámaras y defectos.
  • La API Image Analysis comparte la fecha de retirada. Según Microsoft, la API Image Analysis dejará de estar disponible en la misma fecha, el 25 de septiembre de 2028, incluidos los contenedores conectados y desconectados. Si usas ambos servicios, planifica una sola migración, no dos.
  • Conserva tus imágenes y etiquetas para la migración. Un modelo reentrenado solo puede ser tan bueno como el conjunto de datos en el que se basa, así que conserva tus datos etiquetados junto con cualquier modelo exportado compatible.

Disponibilidad del servicio y opciones de exportación tras la retirada: el entrenamiento y las llamadas de predicción de Custom Vision y la API Image Analysis dejarán de estar disponibles; los archivos exportados de ONNX, TensorFlow, TensorFlow.js o CoreML pueden seguir ejecutándose localmente, pero no se pueden volver a entrenar en Custom Vision; hay que probar un contenedor Docker exportado cuando el servicio no esté disponible; descarga y verifica copias independientes de tus imágenes y etiquetas antes de la retirada

Disponibilidad del servicio y opciones de exportación tras la retirada, según la documentación de migración y exportación de Microsoft.

Paso 1: inventaría lo que ejecutas actualmente#

Antes de comparar opciones, anota lo que tienes. Para cada proyecto de Custom Vision, registra:

  • Tipo de proyecto: clasificación de imágenes (multiclase o multietiqueta) o detección de objetos.
  • Dominio: estándar o compacto. Solo los proyectos de dominio compacto pueden exportar un modelo.
  • Dónde se usan las predicciones: cada aplicación, script, dispositivo o flujo de trabajo que llama al punto de conexión de predicción y quién se encarga de ello.
  • Criterios de aceptación del modelo actual: la precisión y la exhaustividad que necesitas hoy, y qué errores tienen mayor coste. Un defecto que no se detecta y un rechazo falso no suelen tener el mismo coste.
  • El conjunto de datos: número de imágenes, etiquetas y cuántas imágenes están etiquetadas frente a las que no lo están.
  • Restricciones: latencia, dónde debe ejecutarse la inferencia (nube, planta de producción, móvil, sin conexión), residencia de los datos y quién necesita acceso.
ProyectoTipoÁmbitoUsado por (responsable)Criterios de aceptaciónImágenes (etiquetadas / sin etiquetar)EtiquetasRestricciones
Ejemplo: defectos-soldaduraDetección de objetosGeneral (compacto)Aplicación de control de calidad de la línea 3 (TI de planta)Exhaustividad de al menos el 95 % en grietas; menos del 2 % de rechazos falsos4,200 / 1,1003En las instalaciones, menos de 200 ms

La primera fila es un ejemplo del nivel de detalle que debes registrar, no son datos de un proyecto real.

Esta lista se convierte en tus requisitos para la alternativa y en tu plan de pruebas para el cambio.

Paso 2: saca tus datos etiquetados cuanto antes#

Microsoft recomienda exportar primero los conjuntos de datos etiquetados y los metadatos del modelo, y luego convertirlos al formato que necesite la nueva plataforma. Hazlo mientras el servicio siga contando con asistencia completa, para tener tiempo de validar la exportación.

  • Imágenes y etiquetas: la operación Get Tagged Images de la API de entrenamiento de Custom Vision devuelve metadatos de imágenes, etiquetas y, para la detección de objetos, regiones. Establece take en 256, recorre las páginas con skip y descarga cada imagen original a través de su originalImageUri. Los metadatos por sí solos no son una copia de seguridad de tus imágenes. En los proyectos con la función VNET activada se devuelven rutas relativas que debes obtener con GetArtifact.
  • Comprueba los recuentos: antes de confiar en la exportación, confirma que el número de imágenes y etiquetas exportadas coincide con el que indica cada proyecto, desglosado por etiqueta.
  • Registra los ajustes asociados a los datos: los identificadores de proyecto y de etiqueta, la correspondencia entre etiquetas y clases, el dominio, la iteración publicada y los umbrales de confianza y el preprocesamiento que usan tus aplicaciones.
  • Entiende qué hace ExportProject: la API ExportProject de Microsoft copia un proyecto a otra cuenta de Custom Vision mediante un token temporal. No es una copia de seguridad portátil de tu conjunto de datos.
  • Cuadros delimitadores: las regiones de detección se devuelven como left, top, width y height en coordenadas normalizadas, relativas al tamaño de la imagen. Convertirlas al formato YOLO (centro x, centro y, anchura y altura normalizados) o a COCO requiere convertir las coordenadas, asignar las clases y hacer una pasada de validación para detectar cuadros que queden en el lugar equivocado.

Un cuadro delimitador de Custom Vision convertido al formato YOLO: Custom Vision almacena la esquina superior izquierda en izquierda 0.30, arriba 0.25, con anchura 0.35 y altura 0.40; YOLO almacena el centro en x_center 0.475, y_center 0.45, con la misma anchura y altura

El mismo cuadro en ambos formatos. En ambos se usan coordenadas normalizadas al tamaño de la imagen.

def to_yolo_line(region, class_ids):
    """Custom Vision region (normalized left, top, width, height) -> YOLO label line."""
    x_center = region["left"] + region["width"] / 2
    y_center = region["top"] + region["height"] / 2
    class_id = class_ids[region["tagName"]]
    return f"{class_id} {x_center:.6f} {y_center:.6f} {region['width']:.6f} {region['height']:.6f}"


# {"tagName": "scratch", "left": 0.30, "top": 0.25, "width": 0.35, "height": 0.40}
# -> "0 0.475000 0.450000 0.350000 0.400000"
  • Imágenes sin etiquetar: expórtalas también con la operación Get Untagged Images. Pueden aportar ejemplos de entrenamiento adicionales cuando puedas etiquetarlas.

Antes de exportar, comprueba dos cifras en la página de límites de Microsoft. Custom Vision necesita al menos 5 imágenes etiquetadas por etiqueta para la clasificación y 15 para la detección de objetos, y recomienda 50 o más para ambas. Además, solo almacena imágenes de predicción durante 30 días, así que guarda ahora las que quieras usar para volver a entrenar.

  • Modelos: en los proyectos de dominio compacto, exporta el modelo actual como alternativa de respaldo que puedas ejecutar durante la transición. Para exportar un proyecto de dominio estándar, primero hay que cambiarlo a un dominio compacto y volver a entrenarlo; además, el modelo compacto puede ser ligeramente menos preciso.

Mantén intacta la exportación original y convierte una copia para poder volver siempre al original. Si vas a migrar a Ultralytics Platform, el formato YOLO es una opción natural, ya que Platform importa directamente conjuntos de datos en formato YOLO, COCO y Ultralytics NDJSON.

Paso 3: elige el tipo de alternativa#

Los equipos que dependían de Amazon Lookout for Vision, retirado por AWS el 31 de octubre de 2025, tuvieron que tomar la misma decisión. No hay una única respuesta correcta. La mejor alternativa depende de tu caso y de cuánto del flujo de trabajo quiera asumir tu equipo.

OpciónIdeal paraQué gestiona tu equipoAspectos que debes comprobar
Azure Machine Learning con AutoML (opción recomendada por Microsoft)Equipos que se quedan en Azure y quieren clasificación y detección personalizadasÁrea de trabajo, proceso de cálculo e implementación de Azure MLEsfuerzo necesario para reconstruir los flujos de trabajo de entrenamiento e implementación en Azure ML
Servicio de ML gestionado de otro proveedor de nube, como Amazon SageMaker AI, Amazon Rekognition Custom Labels o Gemini Enterprise Agent Platform en Google CloudEquipos que se decantan por esa nubeConfiguración del proveedor para el entrenamiento, la implementación y la supervisiónOpciones de exportación, esfuerzo de migración y posibilidad de trasladar el modelo más adelante
Servicios de IA generativa en Microsoft Foundry (opción recomendada por Microsoft)Equipos dispuestos a rediseñar la solución en torno a modelos generativos o basados en promptsDiseño de prompts, evaluación y funcionamiento de la soluciónPrecisión con tus objetos o defectos concretos, latencia y coherencia
Plataforma de visión dedicada y entrenable, como LandingLens de Landing AI o Ultralytics PlatformEquipos que quieren etiquetar, entrenar e implementar en un mismo lugar, con infraestructura gestionada para el entrenamiento y la implementaciónConjuntos de datos, etiquetado, evaluación e integración con tus aplicacionesTareas compatibles, formatos de importación, destinos de implementación, portabilidad de los modelos entrenados y controles de acceso del equipo
Desarrollar con marcos de trabajo de código abiertoEquipos con ingenieros de ML que quieren tener el control totalCódigo de entrenamiento, infraestructura y supervisiónMantenimiento y personal a largo plazo
Sistema de inspección llave en manoLíneas de producción que quieren hardware, software e integración de un solo proveedorCoordinación con el proveedor, pruebas de aceptación y asistencia continuaFlexibilidad cuando cambien los productos y los tipos de defectos

Evalúa cada opción según el inventario del paso 1, incluido el esfuerzo de migración, los costes continuos de cálculo y asistencia, los requisitos de adquisición y si el servicio sigue en fase preliminar. Si tu equipo valoraba tener el etiquetado, el entrenamiento y la implementación en un mismo lugar, una plataforma de visión dedicada y entrenable ofrece un flujo de trabajo integrado similar para etiquetar, entrenar e implementar; en la sección «Migrar a Ultralytics Platform» de abajo se indica cómo trasladar cada parte de tu proyecto. Si la inferencia debe ejecutarse en un dispositivo o sin conexión, comprueba primero los formatos de exportación. Si varias personas etiquetan y revisan los datos, comprueba los roles y permisos del equipo.

Paso 4: valida con tus propias imágenes#

Complementa los ejemplos del proveedor con una evaluación de tus propios datos:

  1. Divide los datos en tres grupos: entrenamiento, validación y un conjunto de prueba intacto que el nuevo modelo no haya visto nunca, incluidos los casos más difíciles y menos frecuentes. Cuando proceda, divide los datos por lote de producción, cámara o periodo, y elimina las imágenes casi duplicadas de los distintos grupos para que la prueba refleje condiciones nuevas.
  2. Vuelve a entrenar con el conjunto de datos exportado usando las mismas etiquetas o clases.
  3. Compara los resultados con tus criterios de aceptación del paso 1, no solo con una única cifra de precisión. Analiza por separado las detecciones omitidas y las falsas alarmas.
  4. Prueba el sistema donde se ejecutará realmente: con las mismas cámaras, dispositivos o ruta de red que en producción.
  5. Adapta la integración: comprueba la autenticación, los formatos de solicitud y respuesta, el preprocesamiento, los umbrales de confianza y la gestión de errores de la alternativa; después, actualiza y prueba cada aplicación en lugar de dar por hecho que basta con una nueva URL del punto de conexión.
  6. Prueba con carga de producción: comprueba la concurrencia, los arranques en frío, los reintentos y qué ocurre durante una interrupción.

En Ultralytics Platform, puedes entrenar con el conjunto de datos convertido mediante entrenamiento en la nube y seguir las métricas en tiempo real; después, prueba el modelo en condiciones de producción.

Si el nuevo modelo no alcanza los resultados esperados, investiga las etiquetas, el preprocesamiento, la idoneidad del modelo y el comportamiento de la implementación antes de decidir cómo solucionarlo. La migración es un buen momento para corregir etiquetas incoherentes y añadir ejemplos de los casos que le costaban al modelo anterior.

Paso 5: planifica el cambio#

Secuencia del cambio: 1, prueba piloto con imágenes reservadas; 2, ejecución en paralelo con el modelo actual; 3, cambio de una aplicación; 4, supervisión y repetición; si no se cumplen los criterios de aceptación antes del cambio, investiga los datos, el preprocesamiento, el modelo y la integración, corrige los problemas y vuelve a probar; si se supera un umbral de reversión tras el cambio, vuelve a una alternativa de respaldo probada

Secuencia de cambio para cada aplicación que use Custom Vision actualmente.

  • Ejecuta ambos modelos en paralelo. Durante un tiempo, envía las mismas imágenes al modelo antiguo y al nuevo, y compara los resultados antes de hacer el cambio.
  • Cambia un consumidor cada vez, empezando por la aplicación de menor riesgo.
  • Define de antemano los criterios para activar la reversión, como una tasa de omisiones o de rechazos erróneos que supere el límite acordado, y conserva una alternativa hasta tener confianza: el endpoint actual de Custom Vision antes de retirarlo o, después, una alternativa implementada por separado que ya hayas probado, como un modelo compacto exportado.
  • Asigna una persona responsable de la migración de cada aplicación para que ninguna siga llamando a un endpoint retirado.
  • Adáptate al funcionamiento actual de cada aplicación. En Ultralytics Platform, un modelo puede ofrecer predicciones desde un endpoint dedicado o exportarse para ejecutarse en tu propio hardware, de modo que tanto las aplicaciones en la nube como las que se ejecutan en dispositivos tengan una opción.
  • Decide quién se encarga del reentrenamiento. Los productos, la iluminación y los tipos de defectos cambian. Acordad quién revisa los datos nuevos y con qué frecuencia se reentrena el modelo, para que el nuevo sistema pueda adaptarse a los cambios en las condiciones de producción.

Migración a Ultralytics Platform#

Si a tu equipo le gustaba el flujo de trabajo de Custom Vision, que permite etiquetar, entrenar e implementar en un mismo lugar, Ultralytics Platform ofrece ese mismo flujo integral, basado en modelos Ultralytics YOLO. Así se corresponde cada parte de un proyecto de Custom Vision después de la migración:

En Custom VisionEn Ultralytics Platform
Proyectos de clasificación y detección de objetosConjuntos de datos para clasificación y detección, además de segmentación, pose y cuadros delimitadores orientados
Imágenes y regiones etiquetadasSube tu exportación convertida en formato YOLO, COCO o Ultralytics NDJSON
Etiquetado en el portalUn editor de anotaciones con anotación inteligente para detección, mediante SAM, modelos YOLO preentrenados o tu propio modelo ajustado. Las imágenes de clasificación se etiquetan manualmente
Iteraciones de entrenamientoEntrenamiento en la nube en GPU, con métricas transmitidas en tiempo real y puntos de control guardados automáticamente
Endpoint de predicciónEndpoints dedicados en 42 regiones
Exportaciones compactas para dispositivosExportación de modelos a formatos como ONNX, TensorRT y CoreML, según la compatibilidad del modelo y la tarea
Acceso compartido al proyectoEspacios de trabajo de equipo con los roles Owner, Admin, Editor y Viewer (consulta los requisitos del equipo), en una región de datos de EE. UU., la UE o Asia-Pacífico

Cuadro de diálogo New Dataset de Ultralytics Platform, que muestra que se pueden subir conjuntos de datos YOLO, COCO y Ultralytics NDJSON como archivos ZIP, TAR o NDJSON

El cuadro de diálogo New Dataset de Ultralytics Platform acepta conjuntos de datos YOLO, COCO y Ultralytics NDJSON. Los límites de subida que se muestran corresponden a la cuenta utilizada en esta captura de pantalla.

Hay algunos aspectos que debes tener en cuenta:

  • Reentrena en lugar de importar. No se pueden subir modelos de Custom Vision, así que tendrás que entrenar un modelo YOLO con los datos exportados.
  • Clasificación multilabel. Los conjuntos de datos de clasificación de Platform utilizan una etiqueta por imagen, así que decide cómo gestionar los proyectos multilabel antes de migrarlos.
  • Privacidad y región. Los conjuntos de datos nuevos se crean como públicos o privados según la visibilidad predeterminada de tu espacio de trabajo, así que configura como Private los conjuntos de datos propietarios cuando los crees. La región de datos se elige al registrarte y después no podrás cambiarla por tu cuenta.
  • Capacidad de servicio. Cada endpoint dedicado ejecuta una instancia activa. El tamaño predeterminado se reduce a cero cuando está inactivo, mientras que los tamaños personalizados mantienen una instancia lista, así que compara el rendimiento y los arranques en frío con los requisitos de producción, o exporta el modelo para ejecutarlo en tu propia infraestructura.
  • Alcance. Una plataforma de visión sustituye la parte del sistema de inspección correspondiente al modelo, no las cámaras, la iluminación ni la integración con la línea de producción.

Empieza con un proyecto: convierte la exportación de un conjunto de datos representativo de Custom Vision a un formato compatible, súbelo a Ultralytics Platform, entrena un modelo y compáralo con los criterios de aceptación que acordaste en el paso 1. ¿Estás planificando una migración de mayor alcance? Habla con nuestro equipo sobre el número de proyectos, los tipos de tareas, el tamaño de los conjuntos de datos, los objetivos de latencia y las limitaciones de implementación.

Preguntas frecuentes

  • El 25 de septiembre de 2028. Microsoft dará soporte a los clientes actuales hasta entonces y les ha pedido que planifiquen la transición antes del 25 de septiembre de 2026.

  • Un archivo de modelo exportado a ONNX, TensorFlow, TensorFlow.js o CoreML se ejecuta en tu propio hardware sin llamar al servicio Custom Vision, así que puede seguir funcionando. Si utilizas el contenedor Docker exportado, pruébalo con el servicio no disponible antes de depender de él. No podrás volver a entrenarlo en Custom Vision, y las exportaciones solo están disponibles para proyectos de dominio compacto.

  • Sí. La operación Get Tagged Images de la Training API devuelve los metadatos de las imágenes, las etiquetas y las regiones de detección de objetos, hasta 256 imágenes por solicitud, con un originalImageUri para cada imagen original (los proyectos con la función VNET activada devuelven rutas relativas que puedes obtener con GetArtifact). Descarga las imágenes y, después, convierte las regiones al formato que utilice tu nueva plataforma, como YOLO o COCO.

  • La guía de migración de Microsoft recomienda Azure Machine Learning con AutoML para la clasificación y detección personalizadas, así como opciones de IA generativa en Microsoft Foundry, incluido Azure Content Understanding para la clasificación personalizada.

  • Si vas a migrar a Ultralytics Platform, planifica entrenar un modelo YOLO compatible con tu conjunto de datos convertido, porque Platform no admite subidas de modelos exportados de Custom Vision. Conserva tus etiquetas, revisa su calidad y valida el nuevo modelo antes de la migración.

Escrito por

Jing Qiu
Jing Qiu

Ingeniero sénior de aprendizaje automático · Ultralytics

Jing Qiu es ingeniero sénior de aprendizaje automático en Ultralytics y se centra en mejorar el rendimiento, la escalabilidad y la aplicabilidad en el mundo real de los modelos de visión artificial más avanzados. Su trabajo abarca la arquitectura de modelos, la optimización del entrenamiento y la implementación, y contribuye a que Ultralytics YOLO ofrezca una precisión y eficiencia líderes en el sector a desarrolladores y empresas de todo el mundo.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

Explora las soluciones

Visión artificial en el deporte

Visión artificial en el deporte

Descubre cómo Ultralytics YOLO impulsa la visión artificial en el deporte con el seguimiento de jugadores y balones, analíticas de rendimiento, información útil para entrenadores y rehabilitación de deportistas.
Más información
Visión artificial para imágenes aéreas

Visión artificial para imágenes aéreas

Convierte imágenes aéreas y de drones en información útil en tiempo real para la agricultura, la acuicultura, la conservación y el análisis geoespacial con Ultralytics YOLO.
Más información
Visión artificial en el sector aeroespacial

Visión artificial en el sector aeroespacial

Aplica la visión artificial en el sector aeroespacial con Ultralytics YOLO para inspeccionar aeronaves, detectar objetos extraños en pistas, gestionar operaciones en tierra y detectar defectos en materiales compuestos.
Más información
Visión artificial en seguridad

Visión artificial en seguridad

Protege todas tus instalaciones con los modelos Ultralytics YOLO. La IA visual permite supervisar perímetros, detectar amenazas, reconocer matrículas y mejorar la seguridad laboral.
Más información
Visión artificial en robótica

Visión artificial en robótica

Potencia máquinas más inteligentes con los modelos Ultralytics YOLO. La IA visual en robótica impulsa la navegación autónoma, la percepción, el seguimiento de objetos y el control en tiempo real.
Más información
Visión artificial en logística

Visión artificial en logística

Agiliza la logística con modelos Ultralytics YOLO. La IA visual permite inspeccionar paquetes, clasificarlos, realizar el seguimiento de vehículos y supervisar la seguridad del almacén en tiempo real.
Más información
Visión artificial en el comercio minorista

Visión artificial en el comercio minorista

Reinventa el comercio minorista con modelos Ultralytics YOLO. La IA visual permite realizar el seguimiento del inventario, supervisar estanterías, gestionar colas y obtener información más útil sobre los clientes.
Más información
Visión artificial en el sector sanitario

Visión artificial en el sector sanitario

Desarrolla soluciones sanitarias con modelos Ultralytics YOLO. La IA visual en el sector sanitario permite acelerar el diagnóstico por imagen, mejorar los diagnósticos y supervisar a los pacientes.
Más información
Visión artificial en la fabricación

Visión artificial en la fabricación

Optimiza la fabricación con modelos Ultralytics YOLO. La IA visual mejora el control de calidad, la detección de defectos, el cumplimiento de las normas de uso de EPI y la automatización de las líneas de montaje.
Más información
Visión artificial en la automoción

Visión artificial en la automoción

Aplica la visión artificial al sector de la automoción con modelos Ultralytics YOLO. La IA visual mejora la seguridad vial, la asistencia al conductor y la automatización de vehículos para lograr carreteras más inteligentes.
Más información
Visión artificial en la agricultura

Visión artificial en la agricultura

Incorpora la IA de visión a la agricultura inteligente con modelos Ultralytics YOLO. Impulsa la monitorización de cultivos, el seguimiento del ganado y la agricultura de precisión para obtener cosechas más abundantes e inteligentes.
Más información

¡Construyamos juntos el futuro de la IA!

Inicia tu recorrido hacia el futuro del aprendizaje automático