Al integrar modelos de Ultralytics YOLO en Pixelabs AI-Engine, Pixelabs pudo automatizar flujos de trabajo visuales. Por ejemplo, en la obtención de imágenes de retina para la detección temprana del Alzheimer, esto mejoró la coherencia de la identificación de indicadores, con un recall de hasta el 95 %.
Muchos flujos de trabajo industriales, operativos y de investigación todavía dependen de que las personas revisen manualmente las imágenes para comprobar procesos o detectar patrones. A medida que crecen los datos, esto se vuelve rápidamente lento, poco coherente y difícil de escalar.
Esto es especialmente cierto en entornos de investigación como la obtención de imágenes de retina para la detección temprana del Alzheimer, donde identificar pequeños indicadores en las imágenes puede resultar difícil y requerir mucho tiempo.
Pixelabs ayuda a resolver este problema con Pixelabs AI-Engine, una plataforma de IA visual diseñada para el análisis de imágenes y vídeos en tiempo real. Mediante modelos de visión artificial, como los modelos de Ultralytics YOLO, la plataforma facilita la automatización de flujos de trabajo visuales, mejora la coherencia y permite escalar el análisis.
Aplicación de la visión artificial para automatizar flujos de trabajo del mundo real#
Pixelabs desarrolla soluciones de IA visual que permiten a las empresas automatizar y mejorar 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 que puedan aplicarse en 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 capacidades permiten a los usuarios procesar datos visuales de forma más eficiente y reducir la dependencia de la revisión manual.
La plataforma está diseñada para integrarse en sistemas existentes, lo que facilita que las organizaciones adopten la visión artificial sin interrumpir sus operaciones. Esta flexibilidad permite a Pixelabs dar soporte a una amplia variedad de casos de uso y escalar las soluciones a medida que aumentan los requisitos.
Los retos de integrar y escalar la visión artificial#
En muchos sectores, las operaciones cotidianas todavía dependen de flujos de trabajo manuales y de una automatización limitada. Los operadores, ingenieros e investigadores suelen revisar imágenes manualmente, validar resultados y gestionar datos en varias herramientas.
Esto hace que los procesos sean más lentos, más difíciles de estandarizar y más propensos a incoherencias, especialmente a medida que aumentan los volúmenes de datos. Incluso cuando las organizaciones buscan introducir la visión artificial, la transición no siempre es sencilla.
Integrar la IA en sistemas existentes puede requerir cambios en los flujos de trabajo establecidos, nueva infraestructura o un esfuerzo adicional de ingeniería. Por eso, muchas soluciones son difíciles de escalar o mantener a lo largo del tiempo.
Por ejemplo, en entornos de investigación como la obtención de imágenes de retina para la detección temprana del Alzheimer, estos retos se vuelven más complejos. Los investigadores necesitan detectar características muy pequeñas, gestionar grandes conjuntos de datos de imágenes y garantizar que los resultados sean coherentes en distintas condiciones.
Fig. 1. Ejemplo de una imagen de la retina del ojo 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.
Automatización del análisis de imágenes de retina con modelos de Ultralytics YOLO#
Pixelabs abordó estos retos integrando modelos de Ultralytics YOLO en Pixelabs AI-Engine. La plataforma actúa como núcleo de sus soluciones de IA visual, lo que facilita la ejecución de análisis de imágenes y vídeos en tiempo real en distintas aplicaciones sin interrumpir los flujos de trabajo existentes.
Admite una amplia variedad de tareas, como la detección de objetos y defectos, el análisis de superficies y texturas, la gestión del color y el OCR. Al no depender 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 del Alzheimer del CIBIR, en la que Pixelabs desarrolló un sistema para contribuir a la detección temprana del Alzheimer en ratones mediante imágenes de retina. El objetivo era identificar pequeños indicadores, como 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. Las imágenes de retina, capturadas mediante dispositivos de obtención de imágenes de fondo de ojo específicos de laboratorio, se transfieren primero 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.
Para garantizar resultados coherentes, después se aplican pasos de preprocesamiento que permiten gestionar las diferencias en la calidad y la iluminación de las imágenes. Esto ayuda al sistema a mantener la precisión en distintas muestras y condiciones.
A continuación, las imágenes se analizan mediante modelos de IA para visión, incluidos modelos de 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 de Ultralytics YOLO se utilizan para la detección de objetos y la clasificación de imágenes, con el fin de identificar y localizar pequeñas áreas de interés, como depósitos de beta-amiloide, directamente en las imágenes de retina.
Fig. 2. Los modelos de visión artificial, como Ultralytics YOLOv8, pueden ayudar a detectar depósitos de beta-amiloide.
Por último, los resultados se presentan a través de una plataforma web en la que los usuarios pueden cargar imágenes, filtrar los datos por atributos como la edad, el sexo o el fenotipo, y consultar las características detectadas junto con sus puntuaciones de confianza. Esto facilita el paso de los datos de imágenes sin procesar a información clara y útil.
¿Por qué elegir los modelos Ultralytics YOLO?#
Para Pixelabs, los modelos de Ultralytics YOLO encajaban perfectamente, ya que proporcionaban 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 recall con una mayor eficiencia#
La integración de los modelos de Ultralytics YOLO en Pixelabs AI-Engine produjo mejoras claras en el rendimiento del análisis. En el caso de uso de investigación del Alzheimer, el sistema alcanzó tasas de recall de alrededor del 90 %, que aumentaron 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 pequeñas características, como depósitos de beta-amiloide, en grandes conjuntos de datos de imágenes. Como resultado, el análisis se volvió más coherente, redujo la variabilidad y ayudó a garantizar que no se pasaran por alto indicadores importantes.
Más allá de este caso de uso, Pixelabs también ha recibido comentarios positivos constantes de clientes que utilizan sus soluciones en distintas aplicaciones. Los usuarios destacan mejoras en la forma de llevar a cabo los procesos, especialmente en términos de eficiencia y fiabilidad.
El impacto varía en función del 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 escala, favoreciendo resultados más fiables y flujos de trabajo más eficientes.
Impulsando la IA visual en distintos sectores#
Pixelabs sigue ampliando las capacidades de su plataforma de IA visual a nuevos casos de uso y sectores. Basándose en su trabajo en aplicaciones de investigación, como la detección del Alzheimer, el equipo se centra en perfeccionar sus modelos y avanzar en el análisis visual mediante tecnologías como los modelos de 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 variedad más amplia de flujos de trabajo del mundo real.
¿Te interesa optimizar los flujos de trabajo de tu empresa? Consulta nuestro repositorio de GitHub para obtener más información sobre Vision AI. Descubre cómo los modelos YOLO impulsan la innovación en ámbitos como la IA en la sanidad y la visión artificial en el comercio minorista. Para trabajar con YOLO, descubre cómo nuestras opciones de licencia pueden respaldar tu proyecto.
