Crea un sistema de inspección visual basado en cámaras sin conocimientos de IA

Todos los productos que utilizamos, ya sean teléfonos, artículos envasados o piezas de automóvil, pasan por algún tipo de inspección de calidad antes de llegar a nosotros, los consumidores finales. Tradicionalmente, esto se ha hecho mediante comprobaciones manuales o sistemas sencillos basados en reglas. Aunque estos métodos funcionan, suelen ser lentos, poco uniformes y difíciles de escalar a medida que aumenta la producción.

Para mejorar el proceso de inspección de calidad, muchos sectores recurren a la visión artificial, una rama de la inteligencia artificial que ayuda a las máquinas a comprender imágenes y vídeos. Por ejemplo, los modelos de IA visual como Ultralytics YOLO26 pueden ayudar a detectar, clasificar y localizar defectos con gran precisión.

En entornos de producción reales, estos modelos pueden analizar imágenes captadas directamente en líneas de montaje de alta velocidad. A medida que los productos pasan por distintas etapas, las cámaras industriales los siguen y el sistema comprueba si hay problemas como arañazos, piezas que faltan o desalineaciones. Esto agiliza y hace más uniforme la detección de defectos, al tiempo que permite inspecciones de gran volumen.

Antes, crear estos sistemas requería varias herramientas y sólidos conocimientos técnicos, lo que hacía que el proceso fuera complejo y llevara mucho tiempo. Ultralytics Platform, nuestra nueva solución integral para la visión artificial, simplifica este proceso al reunir en un solo lugar la preparación de datos, el etiquetado, el entrenamiento de modelos y la implementación.

En este artículo, exploraremos cómo puedes utilizar Ultralytics Platform para crear sistemas prácticos de inspección visual basados en cámaras sin necesidad de tener conocimientos profundos de IA. ¡Empecemos!

El papel de la visión artificial en el control de calidad#

Antes de profundizar en cómo Ultralytics Platform facilita la creación de sistemas de inspección, demos un paso atrás y entendamos el papel de la visión artificial en la inspección de calidad.

La inspección es una parte clave del proceso de fabricación, ya que garantiza que los productos cumplan los estándares de calidad y estén libres de defectos. Sin embargo, los resultados pueden variar, especialmente durante turnos largos o en producciones de gran volumen.

Para que la inspección sea más fiable, muchos sectores utilizan visión artificial, también conocida como visión industrial, para analizar imágenes de la línea de producción e identificar defectos. Estos sistemas utilizan aprendizaje profundo, en el que los modelos y algoritmos aprenden patrones a partir de grandes conjuntos de imágenes etiquetadas de alta calidad.

Durante el entrenamiento del modelo, se le muestran ejemplos tanto de productos normales como de distintos tipos de defectos. Con el tiempo, aprende a reconocer estos patrones por sí mismo. Una vez entrenado, un modelo puede inspeccionar grandes volúmenes de productos y aplicar los mismos criterios de forma uniforme, lo que mejora la precisión.

Tareas habituales de visión artificial para la inspección de calidad#

Las aplicaciones de visión industrial son posibles gracias a modelos de visión artificial como los modelos Ultralytics YOLO, que admiten distintos tipos de tareas de visión. Este es un resumen de cómo se utilizan estas tareas de IA visual en los flujos de trabajo de inspección automatizada:

• Clasificación de imágenes: Esta tarea asigna una única etiqueta a toda una imagen, como «correcto» o «defectuoso». Ofrece una evaluación general de la calidad del producto, pero no indica dónde están los defectos.
• Detección de objetos: Ayuda a identificar defectos en una imagen y a localizarlos mediante cuadros delimitadores. Así se pueden detectar y localizar problemas como grietas, arañazos o componentes que faltan.
• Segmentación de instancias: Va un paso más allá de la detección de objetos y predice máscaras a nivel de píxel para cada defecto detectado. Esto permite analizar con precisión la forma, el tamaño y los límites de los defectos.
• Seguimiento de objetos: Al seguir productos a lo largo de varios fotogramas, esta tarea rastrea los elementos mientras avanzan por la línea de producción. Así se mantiene la coherencia y se garantiza que no se pasen por alto defectos.
• Detección de cajas delimitadoras orientadas (OBB): Esta tarea detecta objetos mediante cajas delimitadoras giradas, en lugar de alineadas con los ejes. Resulta especialmente útil cuando los defectos o componentes aparecen en distintos ángulos, ya que permite localizarlos con mayor precisión.

Aplicaciones de la inspección de calidad en distintos sectores#

La visión artificial se utiliza ampliamente en diversos sectores para mantener la calidad de los productos, cumplir los estándares y reducir la necesidad de inspecciones manuales. Desempeña funciones clave como la detección de defectos, la clasificación, el reconocimiento de objetos, la medición y la detección de anomalías.

Fig. 1. Ejemplo de detección y seguimiento de productos mediante sistemas de visión industrial (Fuente)

Estos son algunos ejemplos de casos de uso reales:

• Fabricación: La detección de defectos superficiales identifica problemas como arañazos, abolladuras, grietas y cambios de color analizando imágenes de productos en la línea de producción para detectar defectos durante el proceso. También puede detectar piezas que faltan o errores de montaje en tiempo real, lo que permite realizar inspecciones continuas.
• Automoción: Los sistemas de visión artificial analizan piezas de motor y paneles de carrocería para verificar su alineación y detectar daños. Son especialmente útiles para inspeccionar formas complejas y zonas de difícil acceso, y suelen trabajar junto a sistemas robóticos para lograr un posicionamiento preciso y automatizar la inspección.
• Electrónica y semiconductores: Estos sistemas detectan pequeños defectos en componentes como las placas de circuito impreso (PCB), incluidos problemas de soldadura, microfisuras y circuitos dañados. Gracias al análisis de imágenes de alta resolución, se pueden detectar incluso defectos muy pequeños que a menudo pasan desapercibidos en las inspecciones manuales.
• Embalaje y logística: Los sistemas visuales escanean códigos de barras, leen etiquetas de productos y comprueban la calidad del embalaje. Verifican que los productos estén correctamente embalados, precintados y listos para su envío, lo que reduce los errores.
• Alimentación y bebidas: Los sistemas de inspección con cámaras o sensores de visión analizan el aspecto de los productos para detectar problemas como un sellado incorrecto, riesgos de contaminación, etiquetado incorrecto o irregularidades visuales, lo que ayuda a mantener la calidad y la seguridad.
• Productos farmacéuticos: La visión artificial se utiliza para inspeccionar comprimidos, viales y embalajes en busca de defectos como grietas, contaminación, etiquetado incorrecto o niveles de llenado irregulares. Así se garantiza el cumplimiento de estrictas normas reglamentarias y se mantiene la seguridad de los productos.

Optimización de los flujos de trabajo de inspección visual con Ultralytics Platform#

Imagina una línea de fabricación en la que los productos pasan por distintas etapas mientras las cámaras capturan imágenes continuamente para inspeccionarlos. Estas imágenes se utilizan para detectar defectos como arañazos, piezas que faltan o desalineaciones.

Hasta ahora, crear y gestionar este tipo de sistemas de inspección requería varias herramientas y bastantes conocimientos técnicos.

De hecho, en Ultralytics hemos recibido comentarios constantes de la comunidad de IA visual sobre lo fragmentado y lento que puede ser este proceso. Entre los obstáculos habituales están la dispersión de las herramientas, la complejidad de configurar los entornos, los flujos de trabajo de etiquetado de datos poco eficientes, los retrasos en el entrenamiento de modelos y las dificultades de implementación. Estos comentarios desempeñaron un papel clave en el diseño de Ultralytics Platform.

Fig. 2. Un vistazo a Ultralytics Platform (Fuente)

Con Ultralytics Platform, todo el proceso de desarrollo e implementación se puede gestionar en un solo lugar. Se pueden cargar y anotar datos sin procesar para crear conjuntos de datos de entrenamiento, que luego se utilizan para entrenar modelos capaces de detectar defectos. Una vez entrenados, estos modelos se pueden implementar para analizar nuevas imágenes de la línea de producción, con herramientas integradas para supervisar su rendimiento a lo largo del tiempo.

Además de reunir todo el flujo de trabajo en un solo lugar, Ultralytics Platform está diseñada para que sea fácil de usar. Incluso los usuarios con poca experiencia en aprendizaje automático pueden pasar rápidamente de la idea a la producción.

Uso de Ultralytics Platform para etiquetar defectos en imágenes#

Ahora que hemos visto cómo Ultralytics Platform reúne todo el flujo de trabajo, repasemos cómo utilizarla en cada etapa del proceso de IA visual, empezando por la carga de datos y el etiquetado de defectos.

Gestión de conjuntos de datos de inspección en Ultralytics Platform#

El primer paso es incorporar los datos a la plataforma. Puedes cargar imágenes, vídeos o archivos de conjuntos de datos, como ZIP, TAR o GZ. Se admiten formatos habituales de conjuntos de datos como YOLO y COCO, por lo que puedes importar conjuntos de datos existentes sin pasos adicionales.

También puedes empezar más rápido utilizando conjuntos de datos compartidos por la comunidad. Puedes explorarlos y clonarlos en tu espacio de trabajo para basarte en datos existentes en lugar de empezar desde cero. Una vez clonados, puedes actualizarlos y ampliarlos para adaptarlos a tu caso de uso específico.

Si trabajas en varios experimentos, puedes reutilizar los conjuntos de datos importándolos como archivos NDJSON, lo que facilita reproducirlos o compartirlos sin conversiones adicionales.

Una vez cargados los datos, la plataforma los prepara automáticamente. Comprueba los formatos de archivo, procesa las anotaciones, cambia el tamaño de las imágenes si es necesario y genera estadísticas básicas del conjunto de datos. Los vídeos se dividen en fotogramas para poder utilizarlos en el entrenamiento, y las imágenes se optimizan para facilitar su exploración y análisis.

Anotación de datos con Ultralytics Platform#

Cuando los datos estén listos, el siguiente paso es la anotación de datos. Aquí se etiquetan los defectos para que el modelo aprenda qué debe detectar. Ultralytics Platform incluye un editor de anotaciones integrado compatible con tareas como la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección de cajas delimitadoras orientadas.

Puedes etiquetar los datos manualmente con herramientas como cuadros delimitadores, polígonos o puntos clave, según tu caso de uso. Para agilizar el proceso, la plataforma también ofrece etiquetado asistido por IA.

Por ejemplo, la anotación inteligente basada en SAM te permite etiquetar objetos con unos sencillos clics. Al seleccionar las regiones que quieres incluir o excluir, el sistema genera una máscara en tiempo real, que después puedes ajustar si es necesario.

Fig. 3. Anotación inteligente basada en SAM en Ultralytics Platform (Fuente)

Además, la anotación inteligente basada en YOLO puede generar etiquetas automáticamente mediante las predicciones del modelo. Puedes revisarlas y perfeccionarlas, lo que facilita el trabajo con grandes conjuntos de datos sin tener que etiquetarlo todo manualmente.

El editor de anotaciones también incluye funciones como la gestión de clases, la edición de anotaciones, los atajos de teclado y las opciones para deshacer y rehacer. Estas funciones facilitan mantener la coherencia y revisar las anotaciones a medida que crece el conjunto de datos.

A medida que etiquetas los datos, la plataforma proporciona información como la distribución de clases y el recuento de anotaciones. Esto ayuda a identificar carencias, corregir incoherencias y mejorar la calidad del conjunto de datos antes de pasar al entrenamiento.

Entrenamiento de YOLO26 para detectar defectos en Ultralytics Platform#

El siguiente paso es entrenar un modelo para detectar defectos automáticamente con los datos etiquetados. Ultralytics Platform permite entrenar modelos Ultralytics YOLO, incluido YOLO26, que puede utilizarse para tareas como la detección de objetos, la segmentación de instancias y la clasificación de imágenes.

El entrenamiento se gestiona desde un panel unificado donde puedes configurar, ejecutar y supervisar los trabajos de entrenamiento en un solo lugar. Para empezar, puedes seleccionar un conjunto de datos: uno que hayas cargado, anotado en la plataforma, obtenido de los conjuntos de datos públicos disponibles en la plataforma o clonado de la comunidad.

Una vez seleccionado, el conjunto de datos se vincula automáticamente a la ejecución de entrenamiento, lo que facilita el seguimiento de los experimentos y mantiene la coherencia.

A continuación, puedes configurar parámetros de entrenamiento como el número de épocas, el tamaño del lote, el tamaño de las imágenes y la tasa de aprendizaje. Estos ajustes determinan cómo aprende el modelo e influyen directamente tanto en el tiempo de entrenamiento como en el rendimiento.

Ejecución y supervisión del entrenamiento#

A continuación, puedes elegir cómo ejecutar el entrenamiento. La plataforma admite el entrenamiento en la nube en GPU gestionadas, el entrenamiento local con tu propio hardware y flujos de trabajo desde el navegador mediante entornos como Google Colab.

Al usar el entrenamiento en la nube, puedes elegir entre varias opciones de GPU, como RTX 2000 Ada y RTX A4500 para experimentos pequeños, RTX 4090 o RTX A6000 para cargas de trabajo más exigentes, y opciones de alto rendimiento, como A100 o H100, para entrenamientos a gran escala.

Cuando comienza el entrenamiento, puedes supervisar el progreso directamente en la plataforma. El panel ofrece visibilidad en tiempo real de métricas clave, como las curvas de pérdida y las métricas de rendimiento, además del uso del sistema y los registros de entrenamiento. Así, resulta muy sencillo entender cómo aprende el modelo e identificar posibles problemas cuanto antes.

Fig. 4. Puedes supervisar fácilmente el progreso del entrenamiento con Ultralytics Platform (Fuente)

A medida que ejecutas varios experimentos, la plataforma registra las configuraciones, los conjuntos de datos y los resultados en un mismo lugar. Así, puedes comparar fácilmente distintas ejecuciones de entrenamiento, evaluar el rendimiento con métricas como la precisión, la exhaustividad y mAP, y seleccionar el modelo con mejores resultados para su implementación.

Implementación de un modelo de visión mediante Ultralytics Platform#

Tras el entrenamiento, el siguiente paso es validar el rendimiento del modelo entrenado con datos nuevos que no haya visto antes, antes de pasar a la implementación. Ultralytics Platform incluye una pestaña Predict integrada que te permite probar los modelos directamente en el navegador sin necesidad de configurar nada.

Puedes subir imágenes, usar datos de ejemplo o capturar entradas con una cámara web; los resultados aparecen al instante con superposiciones visuales y puntuaciones de confianza. Así, puedes comprobar rápidamente el rendimiento del modelo e identificar posibles problemas antes de integrarlo en sistemas reales.

Una vez validado el modelo, puedes implementarlo con distintas opciones según tu caso de uso. Aquí tienes un análisis más detallado de las opciones de implementación del modelo que admite Ultralytics Platform:

• Inferencia compartida: Esta opción te permite acceder al modelo mediante una REST API, lo que facilita su integración en aplicaciones o flujos de trabajo. Se ejecuta en un sistema multiusuario distribuido en varias regiones principales, que dirige automáticamente las solicitudes al servicio disponible más cercano. Es una buena opción para desarrollar, probar y realizar un uso moderado antes de pasar a producción.
• Endpoints dedicados: Para su uso en producción, los modelos se pueden implementar como endpoints dedicados con sus propios recursos de computación. Se ejecutan como servicios de un solo inquilino en 43 regiones de todo el mundo, lo que ayuda a reducir la latencia al implementarlos más cerca de los usuarios finales. También admiten el escalado automático y el escalado a cero, de modo que los recursos se ajustan automáticamente según el tráfico.
• Exportación de modelos: Puedes exportar los modelos y ejecutarlos fuera de la plataforma en sistemas locales o dispositivos edge. La plataforma admite 17 formatos, entre ellos ONNX, TensorRT, OpenVINO, CoreML y TensorFlow Lite. Las opciones de exportación también admiten optimizaciones como la cuantización FP16 e INT8 para reducir el tamaño del modelo y mejorar la velocidad de inferencia en distintos entornos de hardware.

Supervisión de los modelos implementados con Ultralytics Platform#

El ciclo de vida de una solución de procesamiento de imágenes o visión artificial no termina con la implementación del modelo. Lo mismo ocurre con los sistemas de inspección visual. Una vez que el modelo está en producción, hay que supervisarlo continuamente para garantizar que funcione de forma fiable a medida que cambian las condiciones.

Ultralytics Platform ofrece un panel de supervisión integrado que muestra claramente el rendimiento de los modelos implementados. Desde una única interfaz, puedes hacer un seguimiento de la actividad de las solicitudes, consultar los registros y comprobar el estado de cada implementación. Así, puedes entender cómo se usan los modelos y cómo se comportan con el tiempo.

El panel incluye métricas clave, como el número total de solicitudes, las tasas de error y la latencia, que te ayudan a evaluar el rendimiento y la capacidad de respuesta. Estas métricas se actualizan periódicamente y ofrecen información sobre los patrones de uso y la fiabilidad del sistema.

Un mapa del mundo integrado muestra la distribución de las solicitudes y las implementaciones por regiones. La vista, compatible con implementaciones en distintas ubicaciones de todo el mundo, te ayuda a hacer un seguimiento geográfico del uso y a entender cómo funcionan los modelos en diferentes entornos.

Fig. 5. Supervisión de los modelos implementados en Ultralytics Platform (Fuente)

Para realizar un análisis más detallado, cada implementación incluye registros pormenorizados con marcas de tiempo, detalles de las solicitudes y mensajes de error. Puedes filtrar los registros por gravedad, lo que facilita la depuración y la identificación rápida de fallos. Además, las comprobaciones de estado proporcionan indicadores en tiempo real que muestran si una implementación funciona según lo previsto o necesita atención.

La supervisión también desempeña un papel importante en la optimización. El rendimiento puede variar a medida que cambian los datos de entrada, el tráfico o los patrones de uso. Si haces un seguimiento de las métricas y los registros, puedes identificar problemas como una latencia elevada, un aumento de las tasas de error o limitaciones de escalado, y tomar medidas para mantener un rendimiento constante.

Ventajas de usar Ultralytics Platform para crear soluciones de visión#

Estas son algunas de las principales ventajas de usar Ultralytics Platform para crear y escalar sistemas de inspección visual:

• Optimizada para el uso en el mundo real: Funciones como los endpoints con escalado automático, la implementación en edge y la exportación de modelos garantizan que el sistema pueda funcionar de forma fiable en entornos de producción.
• Ciclos de desarrollo más rápidos: Las herramientas integradas y las configuraciones predeterminadas ayudan a pasar de los datos sin procesar a un sistema operativo de forma más eficiente.
• Fácil de usar: Las interfaces intuitivas, los flujos de trabajo optimizados y los requisitos mínimos de configuración hacen que la plataforma sea accesible tanto para principiantes como para usuarios con experiencia.
• Menos trabajo manual: Funciones como la anotación asistida por IA y el procesamiento automatizado de datos reducen el tiempo dedicado a tareas repetitivas.
• Escalable con el tiempo: A medida que cambian los requisitos, puedes actualizar el sistema añadiendo datos nuevos y volviendo a entrenar los modelos, lo que permite adaptarlo a nuevos tipos de defectos, condiciones y configuraciones con varias cámaras.

Conclusiones clave#

Crear un sistema de inspección visual basado en cámaras no tiene por qué ser complejo ni requerir grandes conocimientos de IA. Con Ultralytics Platform, puedes pasar de los datos sin procesar a un sistema operativo y supervisar su rendimiento desde un mismo lugar. Así se agiliza la creación, la mejora y la ejecución de sistemas de inspección en entornos reales.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para obtener más información sobre la IA visual. Consulta nuestras opciones de licencia para poner en marcha tus proyectos de visión artificial. ¿Te interesan innovaciones como la IA en la fabricación o la visión artificial en el sector de la automoción? Visita nuestras páginas de soluciones para descubrir más.