Pixelabs alcanza un 95% de recall con la automatización basada en Ultralytics YOLO

Muchos flujos de trabajo industriales, operativos y de investigación aún dependen hoy de personas que revisan imágenes manualmente para comprobar procesos o detectar patrones. A medida que los datos crecen, esto se vuelve rápidamente lento, inconsistente y difícil de escalar.

Esto es especialmente cierto en entornos de investigación como la imagenología retiniana para la detección temprana del Alzheimer, donde identificar pequeños indicadores en las imágenes puede ser difícil y llevar mucho tiempo.

Pixelabs ayuda a resolver esto con el Pixelabs AI-Engine, una plataforma de IA visual diseñada para el análisis de imágenes y vídeo en tiempo real. Utilizando modelos de computer vision como los modelos de Ultralytics YOLO, la plataforma facilita la automatización de flujos de trabajo visuales, mejora la consistencia y escala el análisis.

Link to this sectionAplicar 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 sus procesos existentes mediante la visión artificial. Con sede en Madrid y oficinas en Barcelona y el Reino Unido, la empresa se centra en crear herramientas de IA prácticas que puedan aplicarse en diversos sectores.

En particular, su plataforma, Pixelabs AI-Engine, permite el análisis de imágenes y vídeo en tiempo real para tareas como la detección de objetos, defect identification, análisis de superficies y 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 a las organizaciones la adopción de la visión artificial sin interrumpir sus operaciones. Esta flexibilidad permite a Pixelabs dar soporte a una amplia gama de casos de uso y escalar sus soluciones a medida que crecen las necesidades.

Link to this sectionLos retos de integrar y escalar la visión artificial#

En muchos sectores, las operaciones diarias todavía dependen de flujos de trabajo manuales y una automatización limitada. Operadores, ingenieros e investigadores a menudo revisan imágenes a mano, validan resultados y gestionan datos a través de múltiples herramientas.

Esto hace que los procesos sean más lentos, difíciles de estandarizar y más propensos a inconsistencias, 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 IA en sistemas existentes puede requerir cambios en los flujos de trabajo establecidos, nueva infraestructura o un esfuerzo de ingeniería adicional. Es por eso que muchas soluciones son difíciles de escalar o mantener con el tiempo.

Por ejemplo, en entornos de investigación como la imagenología retiniana para la detección temprana del Alzheimer, estos desafíos se vuelven más complejos. Los investigadores necesitan detectar características muy pequeñas, gestionar grandes conjuntos de datos de imágenes y asegurar que los resultados se mantengan consistentes en diferentes condiciones.

Fig 1. Una imagen de ejemplo de imagenología retiniana en el ojo de un ratón.

Sin una forma optimizada de gestionar el análisis, la gestión de datos y los resultados, resulta difícil escalar estos flujos de trabajo y mantener resultados fiables.

Link to this sectionAutomatización del análisis de imágenes retinianas con modelos de Ultralytics YOLO#

Pixelabs abordó estos desafíos integrando los modelos de Ultralytics YOLO en el Pixelabs AI-Engine. La plataforma actúa como el núcleo de sus soluciones de IA visual, haciendo más fluido el análisis de imágenes y vídeo en tiempo real en diferentes aplicaciones sin interrumpir los flujos de trabajo existentes.

Admite una variedad de tareas, incluyendo detección de objetos y defectos, análisis de superficies y texturas, gestión del color y OCR. Dado que es independiente del hardware y está diseñada para integrarse a través de APIs, puede desplegarse en diferentes entornos y escalarse.

Este enfoque se aplicó en una colaboración reciente con el equipo de investigación de Alzheimer del CIBIR, donde Pixelabs desarrolló un sistema para apoyar la detección temprana de Alzheimer en ratones mediante imagenología retiniana. El objetivo era identificar pequeños indicadores, como los depósitos de beta-amiloide, que pueden señalar las etapas tempranas de la enfermedad.

Para ello, Pixelabs creó un flujo de trabajo que conecta el almacenamiento de datos, el image processing y una interfaz de usuario. Las imágenes retinianas, capturadas mediante dispositivos de imagen de fondo de ojo específicos de laboratorio, se transfieren primero a través de Secure File Transfer Protocol (SFTP) y se almacenan en un sistema centralizado, lo que facilita la gestión y el acceso a grandes conjuntos de datos.

Para asegurar resultados consistentes, se aplican pasos de preprocesamiento para manejar las diferencias en la calidad de la imagen y la iluminación. Esto ayuda al sistema a mantener la precisión en diferentes muestras y condiciones.

Las imágenes se analizan utilizando modelos de IA de visión, incluyendo modelos personalizados de Ultralytics YOLOv8. Se utilizan las variantes medianas y grandes de YOLOv8 para equilibrar el rendimiento y la precisión.

Dentro de este proceso, los modelos de Ultralytics YOLO se utilizan para object detection y image classification para identificar y localizar pequeñas áreas de interés, como los depósitos de beta-amiloide, directamente dentro de las imágenes retinianas.

Fig 2. Los modelos de visión artificial como Ultralytics YOLOv8 pueden ayudar a detectar depósitos de beta-amiloide.

Finalmente, los resultados se presentan a través de una plataforma basada en web, donde los usuarios pueden subir imágenes, filtrar datos por atributos como edad, género o fenotipo, y ver las características detectadas junto con las puntuaciones de confianza. Esto hace que sea más sencillo pasar de datos de imagen crudos a información clara y utilizable.

Link to this section¿Por qué elegir los modelos Ultralytics YOLO?#

Para Pixelabs, los modelos de Ultralytics YOLO fueron la opción perfecta, proporcionando una base práctica y flexible para crear computer vision solutions que pueden adaptarse rápidamente a diferentes casos de uso. Son fáciles de entrenar y refinar, permitiendo al equipo iterar más rápido y responder a nuevos requisitos sin necesidad de 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 soluciones a producción más rápidamente, reduciendo el tiempo de comercialización para nuevas aplicaciones. Al mismo tiempo, los modelos ofrecieron resultados más precisos y consistentes.

Link to this sectionOfreciendo hasta un 95% de recall mientras se mejora la eficiencia#

La integración de los modelos de Ultralytics YOLO en el Pixelabs AI-Engine llevó a mejoras claras en el rendimiento del análisis. En el caso de uso de investigación de Alzheimer, el sistema alcanzó tasas de recall de alrededor del 90%, aumentando hasta el 95% a medida que la enfermedad progresaba y los indicadores se hacían más visibles.

Esto permitió a los investigadores detectar características pequeñas, como los depósitos de beta-amiloide, de forma más fiable en grandes conjuntos de datos de imágenes. Como resultado, el análisis se volvió más consistente, reduciendo la variabilidad y ayudando a asegurar que no se pasaran por alto indicadores importantes.

Más allá de este caso de uso, Pixelabs también ha recibido comentarios consistentemente positivos de clientes que utilizan sus soluciones en diferentes aplicaciones. Los usuarios destacan las mejoras en cómo se llevan a cabo los procesos, particularmente en términos de eficiencia y fiabilidad.

El impacto varía dependiendo del caso de uso específico, reflejando la flexibilidad de la plataforma y su capacidad para adaptarse a diferentes necesidades operativas. En general, estas mejoras han facilitado la gestión y el análisis de datos visuales a gran escala, apoyando resultados más fiables y flujos de trabajo más eficientes.

Link to this sectionPromoviendo la IA visual en todas las industrias#

Pixelabs continúa expandiendo las capacidades de su plataforma de IA visual en nuevos casos de uso e industrias. Basándose en su trabajo en aplicaciones de investigación como la detección de Alzheimer, el equipo se centra en refinar sus modelos y avanzar en el análisis visual utilizando tecnologías como los modelos de Ultralytics YOLO.

Al mejorar continuamente su tecnología, Pixelabs pretende ayudar a las organizaciones a automatizar procesos de forma más efectiva y aplicar la visión artificial en una gama más amplia de flujos de trabajo del mundo real.

¿Te interesa optimizar los flujos de trabajo de tu empresa? Consulta nuestro GitHub repository para aprender más sobre la IA de visión. Explora cómo los modelos YOLO están impulsando innovaciones en áreas como AI in healthcare y computer vision in retail. Para empezar a trabajar con YOLO, descubre cómo our licensing options pueden apoyar tu proyecto.