Versión web lista para probar el sistema sin instalación local. Acepta imagen o vídeo.
2,58 millones de parámetros. Ligero a propósito: 6,9 ms por imagen en GPU.
El espacio se suspende por inactividad: la primera carga puede tardar unos 30 segundos.
Antes de probar: el modelo se entrenó con imágenes sintéticas que reproducen un puesto de control con cámara fija. Funciona mejor con fotos de un palet completo en plano frontal que con escenas de almacén abarrotadas, y es sensible al desenfoque de movimiento. Ver el detalle de su dominio de validez
Experiencia online
Prueba AURION tú mismo
Accede a la versión web de AURION y prueba con tus propias imágenes o vídeos. El control de confianza ajusta cuántas detecciones se aceptan: bajarlo detecta más defectos a costa de más falsas alarmas, que es el compromiso elegido para un control de calidad.
Sube tu imagen o vídeo y lánzalo en un clic
La demo de Hugging Face permite experimentar directamente con AURION sin necesidad de instalar dependencias ni preparar un entorno local.
Sin instalación
Ideal para enseñar AURION rápidamente en una evaluación o presentación.
Enfoque demostrativo
Pensado para validar el funcionamiento de forma visual y comprensible.
Las mejores pruebas se obtienen con imágenes centradas y escenas relativamente controladas.
En vídeo, la inferencia puede tardar más por ejecutarse en CPU y por la naturaleza del entorno gratuito.
El modelo es una ayuda a la inspección, no una garantía absoluta. Su valor está en apoyar la revisión logística.
Importante: Hugging Face funciona en un entorno gratuito, por lo que utilizará CPU. Las predicciones, especialmente en vídeo, pueden tardar más. Además, el modelo puede fallar en imágenes de baja calidad o con paquetes mal centrados, ya que ha sido diseñado para escenarios logísticos relativamente controlados.
Implementación propia
Implementa el modelo tú mismo
Si quieres reproducir la prueba, descarga los recursos y ejecuta el pipeline en Google Colab con tus propias imágenes. El mismo cuaderno permite además volver a calcular las métricas publicadas sobre el conjunto de test, para comprobar que los números de esta web salen de donde se dice.
best.pt
Pesos del YOLO11n final, entrenado con partición agrupada. Unos 5 MB.
data.yaml
Archivo de configuración con la estructura de clases y parámetros básicos del dataset.
Imágenes y labels
870 imágenes originales con sus anotaciones. El script de partición está en el repositorio.
Flujo de uso en Google Colab
El proceso está pensado para que puedas ejecutar inferencias, generar labels automáticas y descargar el resultado filtrado sin complicaciones.
1
Instala dependencias
Instala Ultralytics y prepara el entorno de trabajo en Colab.
2
Sube archivos
Carga tu ZIP de imágenes, junto con best.pt y data.yaml.
3
Ejecuta la detección
Lanza yolo detect predict y genera labels con nivel de confianza.
4
Filtra y descarga
Conserva predicciones por encima del umbral y descarga el ZIP resultante.
Instrucciones y código para Google Colab
He mantenido tu flujo original, pero presentado de forma más limpia para que resulte más profesional y fácil de seguir.
Ver script completo de ejecución Colab
# ============================================================
# AURION - Inferencia y evaluacion
# Modelo: YOLO11n (2,58 M parametros), entrenado con particion
# agrupada por imagen original para evitar fuga de datos.
# ============================================================
!pip install -q ultralytics
from google.colab import files
import os, glob, shutil
# Sube best.pt, data.yaml y un .zip con las imagenes que quieras analizar
uploaded = files.upload()
# ------------------------------------------------------------
# 1. Preparar las imagenes
# ------------------------------------------------------------
!rm -rf /content/imagenes_nuevas
!mkdir -p /content/imagenes_nuevas
!unzip -oq imagenes_nuevas.zip -d /content/imagenes_nuevas
EXT = ('.jpg', '.jpeg', '.png', '.bmp', '.tif', '.tiff', '.webp')
for ruta in glob.glob('/content/imagenes_nuevas/**/*.*', recursive=True):
if not ruta.lower().endswith(EXT):
continue
destino = os.path.join('/content/imagenes_nuevas', os.path.basename(ruta))
if os.path.abspath(ruta) != os.path.abspath(destino):
shutil.move(ruta, destino)
# ------------------------------------------------------------
# 2. Predecir
#
# conf=0.25 es el punto de operacion elegido, y no es arbitrario.
# En el conjunto de test la precision se mantiene plana entre 0.10
# y 0.50; solo sube a partir de 0.60, y para entonces el recall
# sobre palets danados ya ha caido de 0.790 a 0.770.
#
# La razon de fondo es el coste asimetrico de los dos errores:
# un falso positivo cuesta una revision manual, un falso negativo
# deja pasar producto defectuoso. Por eso se prefiere un umbral
# bajo y asumir alguna falsa alarma.
#
# Si tu caso de uso penaliza mas las falsas alarmas, subelo.
# ------------------------------------------------------------
CONF = 0.25
!yolo detect predict model=best.pt \
source=/content/imagenes_nuevas \
conf={CONF} \
save_txt save_conf \
project=/content/predicciones name=resultados
# ------------------------------------------------------------
# 3. Reproducir las metricas publicadas
#
# Requiere el dataset con la particion agrupada (ver
# split_aurion.py en el repositorio). El resultado deberia
# coincidir con lo que aparece en la web: mAP50 de 0.859
# y mAP50-95 de 0.681 sobre el test completo.
# ------------------------------------------------------------
from ultralytics import YOLO
modelo = YOLO('best.pt')
metricas = modelo.val(data='data.yaml', split='test')
print(f"mAP50 {metricas.box.map50:.4f}")
print(f"mAP50-95 {metricas.box.map:.4f}")
print()
for i, nombre in modelo.names.items():
print(f" {nombre:.<45} {metricas.box.maps[i]:.4f}")
# ------------------------------------------------------------
# 4. Descargar las etiquetas generadas
# ------------------------------------------------------------
!zip -qr /content/etiquetas.zip /content/predicciones/resultados/labels
files.download('/content/etiquetas.zip')
Siguiente paso
Una demo sólida también comunica valor de producto
Esta página está pensada para que cualquier evaluador entienda rápido cómo probar AURION, cómo reproducirlo y qué puede esperar del modelo en un contexto real.