IA visual para detectar anomalías: resumen rápido

Una pequeña grieta en el ala de un avión, una etiqueta mal impresa en un medicamento o una transacción financiera inusual pueden causar problemas graves si pasan desapercibidos. Todos los sectores se enfrentan al reto de detectar a tiempo cualquier problema de riesgo para evitar fallos, pérdidas económicas o riesgos para la seguridad.

En concreto, es necesario detectar anomalías. La detección de anomalías se centra en identificar patrones que no se ajustan al comportamiento esperado. Su objetivo es señalar defectos, errores o actividades irregulares que, de otro modo, podrían pasar desapercibidos. Los métodos tradicionales se basan en reglas fijas para encontrar estas anomalías, pero suelen ser lentos y tienen dificultades con las variaciones complejas. Aquí es donde la visión artificial desempeña un papel fundamental.

Al aprender de grandes conjuntos de datos visuales, los modelos de visión artificial, como Ultralytics YOLO11, pueden detectar irregularidades con más precisión que los métodos tradicionales.

En este artículo veremos cómo funciona la detección de anomalías basada en visión y cómo puede ayudar Ultralytics YOLO11.

La necesidad de detectar anomalías#

En el ámbito de la visión artificial, las anomalías o irregularidades suelen aparecer como defectos o patrones inusuales en imágenes y vídeos. Durante años, las empresas han dependido de inspecciones manuales o sistemas basados en reglas para detectar defectos.

Por ejemplo, en la fabricación farmacéutica, las anomalías en los comprimidos pueden incluir grietas, formas incorrectas, decoloración o marcas ausentes, lo que puede comprometer la calidad y la seguridad. Detectar estos defectos a tiempo es fundamental para evitar que los productos defectuosos lleguen a los consumidores. Sin embargo, los métodos manuales de detección de anomalías suelen ser lentos e incoherentes, y no pueden gestionar la complejidad de las irregularidades del mundo real.

Fig. 1 Detección de anomalías en la industria farmacéutica.

La detección de anomalías basada en IA aborda estos retos aprendiendo patrones a partir de grandes conjuntos de datos. A diferencia de los métodos basados en reglas fijas, los sistemas de IA se pueden volver a entrenar y mejorar a medida que llegan nuevos datos.

Los modelos avanzados, como Ultralytics YOLO11, mejoran la detección de anomalías al permitir analizar imágenes en tiempo real con gran precisión. Los sistemas de IA visual pueden analizar detalles de las imágenes, como la forma, la textura y la estructura, lo que facilita detectar irregularidades de forma rápida y precisa.

Cómo permite la visión artificial detectar anomalías#

Los sistemas de detección de anomalías basados en IA visual empiezan capturando imágenes o vídeos de alta calidad con cámaras, sensores o drones. Contar con datos visuales nítidos es fundamental, ya sea para detectar un producto defectuoso en una línea de fábrica, identificar a una persona no autorizada en una zona segura o reconocer un movimiento inusual en un espacio público.

Una vez recopiladas, las imágenes o los vídeos se someten a técnicas de procesamiento de imágenes, como la reducción de ruido, la mejora del contraste y la umbralización. Estos pasos de preprocesamiento ayudan a los modelos de IA visual a centrarse en los detalles importantes y filtrar el ruido de fondo, lo que mejora la precisión en diversas aplicaciones, desde la vigilancia de seguridad hasta el diagnóstico médico y el control del tráfico.

Tras el preprocesamiento, se puede utilizar la visión artificial para analizar las imágenes e identificar cualquier elemento fuera de lo normal. Cuando se detecta una anomalía, el sistema puede activar una alerta, por ejemplo, para pedir a un trabajador que retire un producto defectuoso, avisar al personal de seguridad de una posible amenaza o informar a los responsables del tráfico para que gestionen la congestión.

Fig. 2 Ejemplos de defectos que se pueden detectar mediante IA visual.

Detección de anomalías con las capacidades de Ultralytics YOLO11#

Veamos con más detalle cómo los modelos de visión artificial, como Ultralytics YOLO11, pueden analizar imágenes para detectar anomalías.

Ultralytics YOLO11 admite varias tareas de visión artificial, como la detección de objetos, la clasificación de imágenes, la segmentación de instancias, el seguimiento de objetos y la estimación de pose. Estas tareas facilitan la detección de anomalías en distintas aplicaciones del mundo real.

Por ejemplo, la detección de objetos se puede utilizar para identificar productos defectuosos en una cadena de montaje, personas no autorizadas en zonas restringidas u objetos fuera de lugar en un almacén. Del mismo modo, la segmentación de instancias permite delimitar con precisión anomalías, como grietas en maquinaria o contaminación en productos alimentarios.

Fig. 3 Segmentación de grietas con Ultralytics YOLO11.

Estos son otros ejemplos de tareas de visión artificial utilizadas para detectar anomalías:

• Seguimiento de objetos: Se puede utilizar para supervisar patrones de movimiento y detectar amenazas de seguridad, seguir anomalías de vehículos en el tráfico o evaluar los movimientos de pacientes en el ámbito sanitario.
• Estimación de pose: Ultralytics YOLO11 puede detectar movimientos corporales inusuales para identificar riesgos de seguridad en el trabajo o seguir el progreso de la rehabilitación en el ámbito sanitario.
• Detección con cajas delimitadoras orientadas (OBB): Mejora la detección de anomalías al identificar y localizar con precisión objetos rotados o inclinados, por lo que resulta útil para analizar imágenes aéreas, la conducción autónoma y las inspecciones industriales.

¿Por qué deberías utilizar Ultralytics YOLO11?#

Entre los distintos modelos de visión artificial, los modelos Ultralytics YOLO destacan por su velocidad y precisión. Ultralytics YOLOv5 simplificó la implementación con su marco de trabajo basado en PyTorch, haciéndolo accesible a más usuarios. Por su parte, Ultralytics YOLOv8 mejoró aún más la flexibilidad al añadir compatibilidad con tareas como la segmentación de instancias, el seguimiento de objetos y la estimación de pose, lo que le permite adaptarse mejor a distintas aplicaciones.

YOLO11, la versión más reciente en el momento de redactar este texto (sucedida desde entonces por Ultralytics YOLO26), ofrece mayor precisión y rendimiento que sus predecesores. Por ejemplo, con un 22 % menos de parámetros que YOLOv8m, YOLO11m alcanza una mayor precisión media (mAP) en el conjunto de datos COCO, lo que permite detectar objetos con mayor precisión y eficiencia.

Cómo entrenar Ultralytics YOLO11 de forma personalizada para detectar anomalías#

El entrenamiento con datos personalizados de Ultralytics YOLO11 para detectar anomalías es sencillo. Con un conjunto de datos diseñado para tu aplicación específica, puedes ajustar el modelo para detectar anomalías con precisión.

Sigue estos sencillos pasos para empezar:

• Prepara tu conjunto de datos: Recopila imágenes de alta calidad que incluyan muestras normales y anómalas. Asegúrate de incluir variaciones de iluminación, ángulos y resoluciones para ayudar al modelo a adaptarse mejor. Las referencias públicas, como MVTec AD, son un punto de partida útil para detectar defectos industriales.
• Etiqueta tus datos: Marca las anomalías mediante cajas delimitadoras, segmentación o puntos clave para que el modelo sepa qué debe buscar. Las herramientas de anotación agilizan y facilitan este proceso.
• Entrena el modelo: El modelo aprende a lo largo de varios ciclos y mejora su capacidad para identificar casos normales y anómalos en tiempo real.
• Prueba y valida: Ejecuta el modelo entrenado con imágenes nuevas que no haya visto para evaluar su rendimiento y asegurarte de que funciona bien antes de implementarlo.

Además, al crear un sistema de detección de anomalías, es importante valorar si realmente hace falta un entrenamiento personalizado. En algunos casos, un modelo preentrenado puede ser suficiente.

Por ejemplo, si estás desarrollando un sistema de gestión del tráfico y la anomalía que necesitas detectar son los peatones que cruzan por lugares no permitidos, el modelo Ultralytics YOLO11 preentrenado ya puede detectar personas con gran precisión. Como la categoría «person» está bien representada en el conjunto de datos COCO (con el que se preentrena el modelo), no hace falta entrenamiento adicional.

El entrenamiento personalizado es esencial cuando las anomalías o los objetos que necesitas detectar no están incluidos en el conjunto de datos COCO. Si tu aplicación requiere identificar defectos poco comunes en la fabricación, afecciones médicas concretas en imágenes u objetos únicos que no aparecen en los conjuntos de datos estándar, entrenar un modelo con datos específicos del sector garantiza un mejor rendimiento y precisión.

Aplicaciones reales de la detección de anomalías basada en visión#

La detección de anomalías es un concepto amplio que abarca muchas aplicaciones reales. Veamos algunos ejemplos y cómo la visión artificial ayuda a identificar irregularidades, mejorar la eficiencia y optimizar la toma de decisiones en distintos sectores.

Detección de anomalías en la fabricación#

La visión artificial en la fabricación ayuda a mantener unos estándares de calidad elevados al detectar defectos, desalineaciones y componentes ausentes en las líneas de producción. Los modelos de visión artificial pueden marcar productos defectuosos al instante e impedir que sigan avanzando por la línea, lo que reduce los residuos. La detección temprana de problemas, como defectos en las materias primas, errores de envasado o componentes estructurales débiles, ayuda a evitar retiradas costosas y pérdidas económicas.

Además del control de calidad, la detección de anomalías también puede mejorar la seguridad en el lugar de trabajo. En las fábricas suele haber calor, humo y emisiones peligrosas, que pueden provocar incendios. Los modelos de IA visual pueden detectar patrones de humo inusuales, maquinaria sobrecalentada o incluso los primeros indicios de un incendio, lo que permite a los fabricantes actuar antes de que se produzca un accidente.

Fig. 4 Uso de la visión artificial para detectar incendios y humo.

Identificación de casos límite en el sector automovilístico#

El sector automovilístico puede utilizar modelos como Ultralytics YOLO11 para detectar fallos en motores, sistemas de frenos y componentes de transmisión antes de que provoquen averías graves. Gracias a la compatibilidad de YOLO11 con la detección de objetos y la segmentación de instancias, resulta fácil identificar con precisión anomalías que podrían pasar desapercibidas en las inspecciones manuales.

Estos son otros ejemplos de detección de anomalías en el sector automovilístico:

• Detección de anomalías en el tráfico: Reconocer vehículos que circulan en sentido contrario, cambios repentinos de carril o accesos no autorizados a zonas restringidas.
• Supervisión del comportamiento del conductor: Identificar la conducción con somnolencia, las distracciones o una conducción errática para mejorar la seguridad vial.
• Seguridad de los vehículos autónomos: Detecta peatones, ciclistas y obstáculos inesperados para evitar colisiones.

Detección de irregularidades en componentes electrónicos#

La inspección manual de componentes electrónicos puede ser lenta, inconsistente y propensa al error humano, por lo que los defectos en microchips, placas de circuito y conexiones soldadas pueden pasar desapercibidos. Incluso defectos pequeños, como una unión de soldadura agrietada o un componente desalineado, pueden provocar interrupciones de señal, fallos del sistema o cortocircuitos, lo que da lugar a dispositivos poco fiables.

Con la detección de anomalías basada en Ultralytics YOLO11, los fabricantes pueden automatizar este proceso e identificar rápidamente problemas como piezas desalineadas, soldaduras defectuosas o fallos eléctricos, con mucha más precisión que con los métodos tradicionales. Por ejemplo, YOLO11 puede detectar fácilmente una pequeña separación en una soldadura que podría pasar desapercibida para los inspectores humanos. Ultralytics Platform también aloja un modelo de detección de defectos en PCB ajustado a partir de YOLO26s.

Conclusiones clave#

A medida que las industrias adoptan la detección de anomalías basada en visión artificial, modelos como Ultralytics YOLO11 se vuelven esenciales para mantener la calidad, mejorar la seguridad y reducir los riesgos operativos.

Desde la fabricación hasta la agricultura, la detección de anomalías basada en IA puede mejorar la precisión, acelerar las inspecciones y minimizar los errores humanos. De cara al futuro, es probable que los avances en IA hagan que la detección de anomalías sea más precisa.

¡Únete a nuestra creciente comunidad! Explora nuestro repositorio de GitHub para aprender más sobre IA. ¿Preparado para iniciar tus propios proyectos de visión artificial? Echa un vistazo a nuestras opciones de licencia. Descubre la IA en la agricultura y la IA visual en la sanidad en nuestras páginas de soluciones.