Al integrar los modelos Ultralytics YOLO en Pixelabs AI-Engine, Pixelabs pudo automatizar flujos de trabajo visuales. Por ejemplo, en el análisis de imágenes de la retina para la detección precoz del alzhéimer, esto mejoró la consistencia en la identificación de indicadores, con una exhaustividad de hasta el 95 %.
Hoy en día, muchos flujos de trabajo industriales, operativos y de investigación siguen dependiendo de que las personas revisen imágenes manualmente para comprobar procesos o detectar patrones. A medida que crece el volumen de datos, esta tarea se vuelve rápidamente lenta, poco coherente y difícil de escalar.
Esto es especialmente cierto en entornos de investigación como el análisis de imágenes de la retina para la detección precoz del alzhéimer, donde identificar pequeños indicadores en las imágenes puede resultar difícil y llevar mucho tiempo.
Pixelabs ayuda a resolver este problema con Pixelabs AI-Engine, una plataforma de IA visual diseñada para analizar imágenes y vídeos en tiempo real. Gracias a modelos de visión artificial como los modelos Ultralytics YOLO, la plataforma facilita la automatización de flujos de trabajo visuales, mejora la coherencia y permite escalar el análisis.
Aplicar la visión artificial para automatizar flujos de trabajo reales#
Pixelabs desarrolla soluciones de IA visual que permiten a las empresas automatizar y mejorar los procesos existentes mediante visión artificial. Con sede en Madrid y oficinas en Barcelona y el Reino Unido, la empresa se centra en crear herramientas prácticas de IA aplicables a distintos sectores.
En concreto, su plataforma Pixelabs AI-Engine permite analizar imágenes y vídeos en tiempo real para tareas como la detección de objetos, la identificación de defectos, el análisis de superficies y el reconocimiento óptico de caracteres (OCR). Estas funciones permiten a los usuarios procesar datos visuales con mayor eficiencia y reducir la dependencia de la revisión manual.
La plataforma está diseñada para integrarse en los sistemas existentes, lo que facilita que las organizaciones adopten la visión artificial sin interrumpir sus operaciones. Esta flexibilidad permite a Pixelabs ofrecer soluciones para una amplia variedad de casos de uso y escalarlas a medida que crecen las necesidades.
Los retos de integrar y escalar la visión artificial#
En muchos sectores, las operaciones diarias siguen dependiendo de flujos de trabajo manuales y de una automatización limitada. Los operadores, ingenieros e investigadores suelen revisar imágenes a mano, validar resultados y gestionar datos con varias herramientas.
Esto ralentiza los procesos, dificulta su estandarización y aumenta la probabilidad de incoherencias, sobre todo cuando crece el volumen de datos. Aunque las organizaciones se planteen incorporar visión artificial, la transición no siempre es sencilla.
Integrar la IA en los sistemas existentes puede exigir cambios en los flujos de trabajo establecidos, nueva infraestructura o trabajo de ingeniería adicional. Por eso, muchas soluciones son difíciles de escalar o mantener a lo largo del tiempo.
Por ejemplo, en entornos de investigación como el análisis de imágenes de la retina para la detección precoz del alzhéimer, estos retos son aún más complejos. Los investigadores deben detectar características muy pequeñas, gestionar grandes conjuntos de imágenes y garantizar que los resultados sean coherentes en distintas condiciones.
Fig. 1. Ejemplo de una imagen de la retina de un ratón.
Sin una forma optimizada de gestionar el análisis, los datos y los resultados, resulta difícil escalar estos flujos de trabajo y mantener resultados fiables.
Automatizar el análisis de imágenes de la retina con modelos Ultralytics YOLO#
Pixelabs abordó estos retos integrando los modelos Ultralytics YOLO en Pixelabs AI-Engine. La plataforma actúa como núcleo de sus soluciones de IA visual y facilita el análisis de imágenes y vídeos en tiempo real en distintas aplicaciones, sin interrumpir los flujos de trabajo existentes.
Admite diversas tareas, como la detección de objetos y defectos, el análisis de superficies y texturas, la gestión del color y el OCR. Al ser independiente del hardware y estar diseñada para integrarse mediante API, puede implementarse en distintos entornos y escalarse.
Este enfoque se aplicó en una colaboración reciente con el equipo de investigación sobre el alzhéimer de CIBIR, en la que Pixelabs desarrolló un sistema para facilitar la detección precoz del alzhéimer en ratones mediante imágenes de la retina. El objetivo era identificar pequeños indicadores, como los depósitos de beta-amiloide, que pueden señalar las primeras fases de la enfermedad.
Para ello, Pixelabs creó un flujo de trabajo que conecta el almacenamiento de datos, el procesamiento de imágenes y una interfaz de usuario. Primero, las imágenes de la retina, capturadas con dispositivos de fondo de ojo específicos del laboratorio, se transfieren mediante el protocolo seguro de transferencia de archivos (SFTP) y se almacenan en un sistema centralizado, lo que facilita la gestión y el acceso a grandes conjuntos de datos.
A continuación, se aplican pasos de preprocesamiento para gestionar las diferencias en la calidad de las imágenes y la iluminación y garantizar resultados coherentes. Esto ayuda al sistema a mantener la precisión en distintas muestras y condiciones.
A continuación, las imágenes se analizan con modelos de IA visual, incluidos modelos Ultralytics YOLOv8 entrenados a medida. Se utilizan variantes medianas y grandes de YOLOv8 para equilibrar el rendimiento y la precisión.
En esta canalización, los modelos Ultralytics YOLO se utilizan para la detección de objetos y la clasificación de imágenes, con el fin de identificar y localizar pequeñas zonas de interés, como los depósitos de beta-amiloide, directamente en las imágenes de la retina.
Fig. 2. Los modelos de visión artificial como Ultralytics YOLOv8 pueden ayudar a detectar depósitos de beta-amiloide.
Por último, los resultados se muestran en una plataforma web donde los usuarios pueden subir imágenes, filtrar los datos por atributos como la edad, el sexo o el fenotipo, y consultar las características detectadas junto con sus niveles de confianza. Así, resulta más fácil convertir los datos de imagen sin procesar en información clara y útil.
¿Por qué elegir los modelos Ultralytics YOLO?#
Para Pixelabs, los modelos Ultralytics YOLO encajaban a la perfección: ofrecen una base práctica y flexible para crear soluciones de visión artificial que pueden adaptarse rápidamente a distintos casos de uso. Son fáciles de entrenar y perfeccionar, lo que permite al equipo iterar más rápido y responder a nuevos requisitos sin tener que rediseñar el sistema.
Esta flexibilidad tuvo un impacto directo en la velocidad de desarrollo. Al aprovechar YOLO, Pixelabs pudo acelerar sus ciclos de desarrollo y llevar las soluciones a producción más rápidamente, reduciendo el tiempo de comercialización de nuevas aplicaciones. Al mismo tiempo, los modelos ofrecieron resultados más precisos y coherentes.
Hasta un 95 % de exhaustividad y más eficiencia#
La integración de los modelos Ultralytics YOLO en Pixelabs AI-Engine mejoró claramente el rendimiento del análisis. En el caso de uso de investigación sobre el alzhéimer, el sistema alcanzó tasas de exhaustividad de alrededor del 90 %, que llegaron hasta el 95 % a medida que avanzaba la enfermedad y los indicadores se hacían más visibles.
Esto permitió a los investigadores detectar con mayor fiabilidad características pequeñas, como los depósitos de beta-amiloide, en grandes conjuntos de imágenes. Como resultado, el análisis ganó coherencia, se redujo la variabilidad y se ayudó a garantizar que no se pasaran por alto indicadores importantes.
Además de este caso de uso, Pixelabs también ha recibido comentarios sistemáticamente positivos de clientes que utilizan sus soluciones en distintas aplicaciones. Los usuarios destacan las mejoras en la forma de realizar los procesos, especialmente en cuanto a eficiencia y fiabilidad.
El impacto varía según el caso de uso concreto, lo que refleja la flexibilidad de la plataforma y su capacidad para adaptarse a distintas necesidades operativas. En general, estas mejoras han facilitado la gestión y el análisis de datos visuales a gran escala, favoreciendo resultados más fiables y flujos de trabajo más eficientes.
Impulsar la IA visual en distintos sectores#
Pixelabs sigue ampliando las capacidades de su plataforma de IA visual para nuevos casos de uso y sectores. A partir de su trabajo en aplicaciones de investigación como la detección del alzhéimer, el equipo se centra en perfeccionar sus modelos y avanzar en el análisis visual con tecnologías como los modelos Ultralytics YOLO.
Al mejorar continuamente su tecnología, Pixelabs pretende ayudar a las organizaciones a automatizar procesos de forma más eficaz y aplicar la visión artificial a una mayor variedad de flujos de trabajo reales.
¿Te interesa optimizar los flujos de trabajo de tu empresa? Consulta nuestro repositorio de GitHub para obtener más información sobre la IA visual. Descubre cómo los modelos YOLO impulsan innovaciones en ámbitos como la IA en la sanidad y la visión artificial en el comercio minorista. Para empezar a trabajar con YOLO, descubre cómo nuestras opciones de licencia pueden ayudar en tu proyecto.
