Mejora de la reidentificación de vehículos con modelos Ultralytics YOLO

Cuando ves una carrera de Fórmula 1, es fácil reconocer el coche de tu equipo favorito. El rojo intenso de Ferrari o el plateado de Mercedes destaca vuelta tras vuelta.

Pedirle a una máquina que haga lo mismo, no en un circuito limpio, sino en calles urbanas congestionadas y llenas de tráfico, es mucho más difícil. Por eso la reidentificación de vehículos (vehicle re-ID) ha ido ganando atención en el ámbito de la IA recientemente.

La reidentificación de vehículos permite a las máquinas reconocer el mismo vehículo en cámaras con múltiples vistas o que no se solapan. También pretende identificar vehículos después de una oclusión temporal (cuando un vehículo está parcialmente oculto) o de cambios en la iluminación y el punto de vista.

Una tecnología fundamental para la reidentificación de vehículos es la visión por ordenador. La visión por ordenador es una rama de la inteligencia artificial que se centra en enseñar a las máquinas a comprender e interpretar información visual, como imágenes y vídeos. Mediante esta tecnología, los sistemas de IA pueden analizar las características de los vehículos y seguirlos de forma fiable en grandes redes de cámaras para aplicaciones como la vigilancia urbana y la supervisión del tráfico.

En particular, los modelos de IA de visión, como Ultralytics YOLO11 y el próximo Ultralytics YOLO26, admiten tareas como la detección y el seguimiento de objetos. Pueden localizar rápidamente los vehículos en cada fotograma y seguir su movimiento por una escena. Cuando estos modelos se combinan con redes de reidentificación de vehículos, el sistema combinado puede reconocer el mismo vehículo en distintas transmisiones de cámara, incluso cuando cambian las vistas o las condiciones de iluminación.

Fig. 1. Ejemplo del uso de YOLO11 para el seguimiento de vehículos y la estimación de velocidad (Fuente)

En este artículo, veremos cómo funciona la reidentificación de vehículos, la tecnología que la hace posible y dónde se utiliza en los sistemas de transporte inteligente. ¡Empecemos!

¿Qué es la reidentificación de vehículos?#

La reidentificación de vehículos es una aplicación importante de la visión por ordenador. Se centra en reconocer el mismo vehículo cuando aparece en diferentes cámaras que no se solapan, manteniendo su identidad mientras se desplaza por una ciudad. Esto es difícil porque cada cámara puede captar el vehículo desde un ángulo diferente, con una iluminación distinta o con una oclusión parcial.

Imagina una situación en la que un sedán azul atraviesa una intersección y aparece más tarde en otra calle, observado por una cámara diferente. El ángulo, la iluminación y el fondo han cambiado, y otros coches pueden bloquear brevemente la imagen. A pesar de ello, el sistema de reidentificación de vehículos debe determinar que se trata del mismo vehículo.

Los avances recientes en aprendizaje profundo, especialmente con redes neuronales convolucionales (CNNs) y modelos basados en Transformer, han hecho que este proceso sea mucho más preciso. Estos modelos pueden extraer patrones visuales relevantes y distinguir entre vehículos de apariencia similar, identificando aun así el correcto.

En los sistemas de transporte inteligente, esta capacidad permite la supervisión continua, la reconstrucción de rutas y el análisis del tráfico en toda la ciudad, proporcionando a los sistemas de ciudades inteligentes una visión más clara de cómo se desplazan los vehículos. Ayudan a mejorar la seguridad y la eficiencia.

Cómo funciona la reidentificación de vehículos#

Normalmente, las imágenes de vídeo de intersecciones, zonas de aparcamiento y autopistas se analizan mediante técnicas de reidentificación de vehículos para determinar si el mismo vehículo aparece en diferentes cámaras. Este concepto es similar a la reidentificación de personas, en la que los sistemas siguen a individuos en múltiples vistas, pero aquí el objetivo es analizar características específicas del vehículo en lugar del aspecto humano.

El proceso consta de varios pasos clave, cada uno diseñado para ayudar al sistema a detectar vehículos, extraer sus características visuales y asociarlos de forma fiable desde diferentes puntos de vista.

A grandes rasgos, el sistema detecta primero los vehículos en cada fotograma y, después, extrae características como el color, la forma y la textura para crear una representación digital única, o embedding, de cada uno. Estos embeddings se comparan a lo largo del tiempo y entre cámaras, normalmente con el apoyo del seguimiento de objetos y de comprobaciones espaciotemporales, para decidir si dos apariciones corresponden al mismo vehículo.

Fig. 2. Cómo funciona la reidentificación de vehículos. (Fuente)

Veamos este proceso con más detalle:

• Detección de objetos: El sistema identifica y localiza primero los vehículos dentro de cada fotograma de vídeo, para saber exactamente qué regiones debe procesar. Este paso suele realizarse mediante modelos de detección de objetos.
• Extracción de características: Después de la detección, una red específica de Re-ID o de extracción de características analiza el recorte de cada vehículo y genera mapas o representaciones de características que capturan detalles visuales como el color, la forma, la textura y las partes distintivas.
• Generación de embeddings: Estas características extraídas se convierten en una representación numérica denominada embedding de características. Este embedding actúa como una huella digital que captura el aspecto del vehículo desde distintos ángulos. Antes de realizar la asociación, estos embeddings suelen normalizarse para que las diferencias causadas por la iluminación, el contraste o los ajustes de la cámara no interfieran en la comparación de identidades. La normalización garantiza que el sistema se centre en características relevantes relacionadas con la identidad, en lugar de en el ruido.
• Seguimiento de objetos: En una única vista de cámara, los algoritmos de seguimiento conectan las detecciones entre fotogramas, lo que ayuda a mantener una identidad coherente mientras el vehículo se desplaza por la escena.
• Asociación entre cámaras: Para asociar el mismo vehículo en diferentes cámaras, el sistema compara los embeddings (generados por la red de Re-ID), junto con la información temporal y de ubicación. Este paso determina si dos apariciones corresponden al mismo vehículo, incluso cuando las cámaras no se solapan.

Cómo pueden ayudar los modelos YOLO de Ultralytics a la reidentificación de vehículos#

Los modelos YOLO de Ultralytics desempeñan una importante función de apoyo en las canalizaciones de reidentificación de vehículos. Aunque no realizan la Re-ID por sí solos, proporcionan otras capacidades esenciales, como una detección rápida y un seguimiento estable, de las que dependen las redes de Re-ID para asociar vehículos con precisión entre cámaras.

A continuación, veremos con más detalle cómo los modelos YOLO de Ultralytics, como YOLO11, pueden mejorar los sistemas de reidentificación de vehículos.

Un módulo preciso de detección de vehículos: la primera parte de los sistemas de Re-ID#

La base de cualquier sistema de reidentificación de vehículos es una detección precisa de objetos. Los modelos YOLO de Ultralytics, como YOLO11, son una excelente opción para ello, ya que pueden detectar rápidamente vehículos en cada fotograma, incluso en escenas concurridas con oclusiones parciales, tráfico intenso o condiciones de iluminación cambiantes.

También se pueden entrenar de forma personalizada, lo que significa que puedes ajustar el modelo con tu propio conjunto de datos para que aprenda a reconocer tipos específicos de vehículos, como taxis, furgonetas de reparto o vehículos de flota. Esto resulta especialmente útil cuando una solución requiere una detección más especializada. Al proporcionar BBox limpios y precisos, los modelos YOLO de Ultralytics ofrecen a las redes de Re-ID entradas de alta calidad, lo que conduce a asociaciones más fiables entre cámaras.

Cómo facilitar un seguimiento fiable con una sola cámara#

Una vez detectados los vehículos, los modelos como Ultralytics YOLO11 también pueden facilitar un seguimiento estable de objetos dentro de una única vista de cámara. El seguimiento de objetos es el proceso de seguir un vehículo detectado a través de fotogramas consecutivos y asignarle un ID coherente mientras se desplaza.

Gracias a la compatibilidad integrada con algoritmos de seguimiento como ByteTrack y BoT-SORT en el paquete de Python de Ultralytics, YOLO11 puede mantener ID coherentes mientras los vehículos se desplazan por una escena. Este seguimiento estable reduce los cambios de identidad antes de que intervenga el sistema de Re-ID, lo que mejora en última instancia la precisión de la asociación entre cámaras.

Re-ID opcional a nivel del tracker para mejorar la estabilidad de la identidad#

Además del seguimiento estándar basado en el movimiento, el paquete de Python de Ultralytics incluye capacidades de Re-ID opcionales basadas en la apariencia dentro de su tracker BoT-SORT. Esto significa que el tracker puede utilizar características visuales de apariencia, no solo patrones de movimiento o el solapamiento de BBox, para determinar si dos detecciones corresponden al mismo vehículo.

Cuando está activado, BoT-SORT extrae embeddings ligeros de apariencia del detector o de un modelo de clasificación Ultralytics YOLO11 y los utiliza para verificar la identidad entre fotogramas. Esta información adicional sobre la apariencia ayuda al tracker a mantener ID más estables en situaciones difíciles, como oclusiones breves, vehículos que pasan muy cerca unos de otros o pequeños cambios causados por el movimiento de la cámara.

Aunque esta Re-ID integrada no está pensada para sustituir a la reidentificación completa de vehículos entre cámaras, sí mejora la coherencia de la identidad dentro de una única vista de cámara y produce tracklets más limpios en los que pueden confiar los módulos de Re-ID posteriores. Para utilizar estas funciones de seguimiento basadas en la apariencia, solo tienes que activar la Re-ID en un archivo de configuración de un tracker BoT-SORT estableciendo “with_reid” en “True” y seleccionando el modelo que proporcionará las características de apariencia.

Para obtener más información, puedes consultar la página de documentación de Ultralytics sobre el seguimiento de objetos, que explica las opciones de Re-ID disponibles y cómo configurarlas.

Cómo proporcionar entradas de alta calidad a las redes de Re-ID#

Además de mejorar la estabilidad de la identidad durante el seguimiento, los modelos YOLO también desempeñan un papel importante en la preparación de entradas visuales limpias para la propia red de Re-ID.

Después de detectar un vehículo, normalmente se recorta su BBox y se envía a una red de reidentificación, que extrae las características visuales necesarias para la asociación. Como los modelos de Re-ID dependen en gran medida de estas imágenes recortadas, unas entradas deficientes, como recortes borrosos, desalineados o incompletos, pueden producir embeddings más débiles y asociaciones menos fiables entre cámaras.

Los modelos YOLO de Ultralytics ayudan a reducir estos problemas al producir de forma coherente BBox limpios y bien alineados que capturan por completo el vehículo de interés. Con recortes más claros y precisos, la red de Re-ID puede centrarse en detalles relevantes como el color, la forma, la textura y otras características distintivas. Las entradas de alta calidad dan lugar a un rendimiento de Re-ID más fiable y preciso en las distintas vistas de cámara.

Cómo habilitar la asociación entre cámaras al combinarlo con un modelo de Re-ID#

Aunque los modelos YOLO de Ultralytics no realizan la reidentificación por sí solos, proporcionan la información esencial que necesita una red de re-ID para comparar vehículos en diferentes vistas de cámara. Modelos como YOLO11 pueden encargarse de localizar y seguir los vehículos dentro de cada cámara, mientras que el modelo de Re-ID determina si dos recortes de vehículos procedentes de ubicaciones diferentes corresponden a la misma identidad.

Cuando estos componentes trabajan juntos —YOLO para la detección y el seguimiento, y un modelo de embeddings específico para la extracción de características— forman una canalización completa de asociación de vehículos entre múltiples cámaras. Esto permite asociar el mismo vehículo mientras se desplaza por una red de cámaras más amplia.

Por ejemplo, en un estudio reciente, los investigadores utilizaron un modelo ligero Ultralytics YOLO11 como detector de vehículos en un sistema de seguimiento en línea con múltiples cámaras. El estudio concluyó que utilizar YOLO11 ayudaba a reducir el tiempo de detección sin sacrificar precisión, lo que mejoraba el rendimiento general del seguimiento posterior y de la asociación entre cámaras.

Fig. 3. Seguimiento y reidentificación de múltiples vehículos basado en Ultralytics YOLO11 entre varias cámaras. (Fuente)

Arquitecturas basadas en aprendizaje profundo para la Re-ID de vehículos#

Ahora que comprendemos mejor cómo los modelos YOLO de Ultralytics pueden ayudar a la reidentificación de vehículos, veamos con más detalle los modelos de aprendizaje profundo que gestionan los pasos de extracción y asociación de características. Estos modelos se encargan de aprender el aspecto de los vehículos, crear embeddings robustos y distinguir entre vehículos visualmente similares en diferentes vistas de cámara.

Estos son algunos ejemplos de los componentes principales de aprendizaje profundo utilizados en los sistemas de reidentificación de objetos:

• Extracción de características con CNNs: Las redes neuronales convolucionales, como ResNet50 o ResNet101, aprenden características profundas mediante el reconocimiento de patrones e identifican elementos como el color, la forma y la textura que diferencian un vehículo de otro. Estos patrones aprendidos se convierten después en embeddings que actúan como la representación digital única del vehículo.

• Mecanismos de atención y Transformer: Las redes y capas de atención, incluida la atención espacial, pueden ayudar a resaltar regiones importantes de un vehículo, como los faros, las ventanillas o las zonas de la matrícula. La atención espacial centra el modelo en las ubicaciones de las señales visuales más informativas, mientras que los modelos basados en Transformer, como los Transformadores de visión (ViT), capturan las relaciones globales de toda la imagen. En conjunto, mejoran la precisión detallada cuando los vehículos son muy parecidos.

• Redes basadas en partes y de múltiples ramas: Algunos modelos de Re-ID analizan por separado regiones específicas del vehículo, como el techo, los pilotos traseros o los paneles laterales, y después combinan los resultados. Esto permite que el sistema siga siendo robusto incluso cuando los vehículos están parcialmente ocluidos o se observan desde ángulos difíciles.

Además de estos componentes arquitectónicos, el aprendizaje de métricas desempeña un papel clave en el entrenamiento de los modelos de Re-ID de vehículos. Las funciones de pérdida, como la pérdida de tripletes, la pérdida contrastiva y la pérdida de entropía cruzada, ayudan al sistema a aprender embeddings sólidos y discriminativos al acercar las imágenes del mismo vehículo y alejar las de vehículos diferentes.

Conjuntos de datos y benchmarks populares para la reidentificación de vehículos#

En la investigación sobre visión por ordenador, la calidad de un conjunto de datos influye mucho en el rendimiento de un modelo una vez desplegado. Un conjunto de datos proporciona las imágenes o vídeos etiquetados a partir de los que aprende un modelo.

Para la reidentificación de vehículos, estos conjuntos de datos de vanguardia deben capturar condiciones diversas, como cambios de iluminación y de punto de vista, y variaciones meteorológicas. Esta diversidad ayuda a los modelos a gestionar la complejidad de los entornos de transporte reales.

Estos son algunos de los conjuntos de datos populares que permiten entrenar, optimizar y evaluar modelos de reidentificación de vehículos:

• Conjunto de datos VeRi-776: Es una colección de más de 50.000 imágenes de vehículos anotadas y captadas por 20 cámaras urbanas. Las anotaciones incluyen el ID del vehículo, el color, el modelo y las regiones de las matrículas, lo que permite aprender características detalladas.
• Conjunto de datos VehicleID: Este conjunto de datos a gran escala contiene más de 200.000 imágenes que representan más de 26.000 vehículos. Se suele elegir para estudiar la escalabilidad y realizar comparaciones de referencia entre distintos métodos.
• Conjunto de datos VeRi-Wild: Está diseñado para reflejar la variabilidad del mundo real, incluidas las diferencias de punto de vista, las condiciones meteorológicas y la oclusión parcial. Se utiliza habitualmente para evaluar la robustez y la capacidad de generalización de los modelos.

Fig. 4. Ejemplo de vehículos del conjunto de datos VeRi-776. (Fuente)

El rendimiento del modelo en estos conjuntos de datos suele evaluarse mediante métricas como la precisión media (mAP) y la precisión Rank-1 o Rank-5. La mAP mide la precisión con la que el modelo recupera todas las coincidencias relevantes de un vehículo determinado, mientras que las puntuaciones Rank-1 y Rank-5 indican si la coincidencia correcta aparece al principio de la lista de resultados o entre las primeras predicciones.

En conjunto, estos benchmarks proporcionan a los investigadores una forma coherente de comparar distintos enfoques y desempeñan un papel importante a la hora de orientar el desarrollo de sistemas de reidentificación de vehículos más precisos y fiables para su uso en el mundo real.

Aplicaciones de la reidentificación de vehículos#

Ahora que hemos cubierto los fundamentos, repasemos algunos casos de uso reales en los que la reidentificación de vehículos facilita flujos de trabajo prácticos de transporte, movilidad y vigilancia.

Vigilancia y supervisión del tráfico urbano#

Las carreteras urbanas concurridas están llenas de movimiento constante y las cámaras de tráfico suelen tener dificultades para seguir el mismo vehículo mientras pasa de una zona a otra. Los cambios de iluminación, las escenas abarrotadas y los vehículos casi idénticos pueden provocar la pérdida de identidades entre cámaras.

La reidentificación de vehículos aborda este problema al detectar los vehículos con claridad, extraer características distintivas y mantener ID coherentes incluso en grabaciones de baja resolución o muy concurridas. El resultado es un seguimiento más fluido y continuo en toda la red, que proporciona a los equipos de tráfico una visión más clara de cómo se desplazan los vehículos por la ciudad y permite responder con mayor rapidez y conocimiento a las congestiones y los incidentes.

Sistemas de aparcamiento inteligente#

Las instalaciones de aparcamiento inteligente dependen de una identificación coherente de los vehículos para gestionar la entrada, la salida, el control de acceso y la asignación de plazas. Sin embargo, las cámaras de estos entornos suelen captar los vehículos desde ángulos inusuales y con condiciones de iluminación difíciles, como en garajes subterráneos, zonas sombreadas o aparcamientos exteriores al anochecer.

Estas condiciones dificultan confirmar si se está viendo el mismo vehículo en distintas zonas. Cuando las identidades son incoherentes, los registros de aparcamiento pueden dejar de ser válidos, el control de acceso se vuelve menos fiable y los conductores pueden sufrir retrasos. Por eso muchos sistemas de aparcamiento inteligente incorporan modelos de reidentificación de vehículos para mantener una identidad estable para cada vehículo mientras se desplaza por las instalaciones.

Fig. 5. Ejemplo de reidentificación de vehículos que muestra a la izquierda la imagen del vehículo seleccionado y a la derecha los resultados de búsqueda coincidentes. (Fuente)

Fuerzas de seguridad y análisis forense#

Además de la supervisión del tráfico, la reidentificación de vehículos también desempeña un papel importante en las fuerzas de seguridad y las investigaciones forenses. En muchos casos, los agentes necesitan seguir un vehículo a través de varias cámaras, pero las matrículas pueden ser ilegibles, no estar presentes o estar ocultas deliberadamente.

Las escenas abarrotadas, la baja visibilidad y la oclusión parcial pueden hacer que distintos vehículos parezcan engañosamente similares, lo que hace que la identificación manual sea lenta y poco fiable. La reidentificación de vehículos puede utilizarse para rastrear el movimiento de un vehículo a través de redes de cámaras que no se solapan, analizando sus características visuales en lugar de depender únicamente de las matrículas.

Esto permite a los investigadores seguir más fácilmente los movimientos de un vehículo, comprender cuándo apareció en distintas ubicaciones y confirmar su trayectoria antes y después de un incidente. La re-ID de vehículos basada en IA también facilita tareas como el seguimiento de vehículos sospechosos, la revisión de grabaciones de incidentes o la determinación de la dirección en la que circuló un vehículo antes o después de un suceso.

Fig. 6. Vehículos asociados entre distintas cámaras con perspectivas variadas. (Fuente)

Seguimiento de flotas y logística#

Las operaciones de flotas y logística suelen depender del GPS, las etiquetas RFID y los registros manuales para seguir el movimiento de los vehículos, pero estas herramientas dejan lagunas en las zonas cubiertas por cámaras de seguridad o de recintos, como muelles de carga, patios de almacenes y redes viarias internas.

Los vehículos se desplazan con frecuencia entre cámaras que no se solapan, desaparecen detrás de estructuras o tienen un aspecto casi idéntico al de otros vehículos de la flota, lo que dificulta confirmar si el mismo vehículo ha sido visto en distintas ubicaciones. Los sistemas de reidentificación de vehículos pueden ayudar a cerrar estas lagunas mediante el análisis de detalles visuales y de la información temporal para mantener una identidad coherente para cada vehículo mientras se desplaza por las instalaciones.

Esto proporciona a los responsables de flotas una visión más completa de la actividad dentro de sus centros, facilitando tareas como verificar las rutas de entrega, identificar movimientos inusuales y garantizar que los vehículos siguen las rutas previstas.

Ventajas y desventajas de las tareas de re-ID de vehículos#

Estas son algunas de las principales ventajas de utilizar la reidentificación de vehículos basada en IA:

• Menor carga de trabajo manual: La re-ID de vehículos automatiza las tareas de asociación de identidades que, de otro modo, requerirían una revisión manual exhaustiva, reduciendo significativamente el tiempo y el esfuerzo necesarios para analizar las grabaciones de vídeo.
• Automatización e información en tiempo real: Al combinar la detección, el seguimiento y la asociación de características, la re-ID de vehículos permite una supervisión automatizada continua y puede proporcionar alertas en tiempo real para responder más rápidamente a los incidentes.
• Escalabilidad y adaptabilidad: Los modelos de Re-ID pueden adaptarse a nuevos entornos, condiciones de iluminación o ángulos de cámara mediante un aprendizaje robusto de características, la extracción de características multiescala y representaciones invariantes que permanecen estables ante cambios visuales. Estas capacidades los hacen adecuados tanto para grandes redes urbanas como para despliegues más pequeños.

Aunque la reidentificación de vehículos ofrece muchas ventajas, también presenta algunas limitaciones que conviene tener en cuenta. Estos son algunos factores que afectan a su fiabilidad en entornos reales:

• Alta demanda computacional: La extracción de características, la generación de embeddings y la asociación entre cámaras requieren una potencia de procesamiento considerable, especialmente al supervisar grandes redes de cámaras.
• Variabilidad ambiental: Factores como la iluminación nocturna, los cambios meteorológicos, las sombras y las oclusiones pueden degradar la capacidad del modelo para mantener identidades coherentes entre escenas.
• Limitaciones del conjunto de datos y del dominio: Es posible que los modelos entrenados con conjuntos de datos limitados o idealizados no generalicen bien a las condiciones del mundo real sin un ajuste adicional o una adaptación al dominio.

El futuro de los métodos de reidentificación de vehículos#

La reidentificación de vehículos sigue avanzando a medida que evoluciona la tecnología. Las publicaciones recientes de IEEE, CVPR y arXiv, junto con las presentaciones en conferencias internacionales, ponen de manifiesto un cambio claro hacia modelos más completos que combinan múltiples fuentes de datos y un razonamiento más avanzado sobre las características. Es probable que el trabajo futuro en este ámbito se centre en crear sistemas más robustos y eficientes, capaces de gestionar la variabilidad del mundo real a gran escala.

Por ejemplo, una línea de investigación prometedora es el uso de modelos basados en Transformer y redes de agregación de grafos. Los Transformer pueden analizar una imagen completa y comprender cómo encajan entre sí todos los detalles visuales, lo que ayuda al sistema a reconocer el mismo vehículo incluso cuando cambian el ángulo o la iluminación.

Los modelos basados en grafos llevan este enfoque un paso más allá al tratar las distintas partes del vehículo o las vistas de las cámaras como puntos conectados en una red. Esto permite al sistema comprender la correlación entre esos puntos clave y tomar mejores decisiones sobre las identidades de los vehículos y las características discriminativas.

Otro avance clave es la fusión de datos multimodales y la fusión de características. En lugar de depender únicamente de las imágenes, los sistemas más recientes combinan la información visual con otras señales multimedia, como los datos del GPS o los patrones de movimiento de los sensores. Este contexto adicional facilita que el sistema mantenga la precisión cuando los vehículos están parcialmente bloqueados, la iluminación es deficiente o los ángulos de las cámaras cambian de repente.

Conclusiones clave#

La reidentificación de vehículos se está convirtiendo en una metodología clave en los sistemas de transporte inteligente, ya que ayuda a las ciudades a realizar un seguimiento más fiable de los vehículos a través de distintas cámaras. Gracias a los avances en aprendizaje profundo y a una mejor validación mediante conjuntos de datos más completos y diversos, estos sistemas son cada vez más precisos y prácticos en condiciones reales.

A medida que evoluciona la tecnología, es importante equilibrar la innovación con prácticas responsables en materia de privacidad, seguridad y ética. En general, estos avances están allanando el camino hacia redes de transporte más inteligentes, seguras y eficientes.

Descubre más sobre la IA visitando nuestro repositorio de GitHub y uniéndote a nuestra comunidad. Consulta nuestras páginas de soluciones para obtener más información sobre la IA en robótica y la visión artificial en la fabricación. Descubre nuestras opciones de licencia y empieza hoy mismo a utilizar la IA visual.