Producto

Todo el ciclo de un modelo de visión, en una sola plataforma

Ocho pasos en el navegador, de las primeras fotos al modelo vigilado en la línea. En cada uno, Ocelo aplica lo que hoy funciona mejor y explica por qué, para que llegues antes a un resultado del estado del arte.

Pasos 1 y 2 · Datos y etiquetado

Etiqueta como trabaja tu equipo de calidad

Las imágenes llegan por carpetas, por la API o desde otro sistema, y los originales nunca se modifican. El etiquetado está pensado para expertos: atajos de teclado para todo y selección de objetos en un clic.

Cinco tareas: clasificación, multietiqueta, detección, segmentación de instancias y segmentación semántica.
Selección inteligente con SAM 2.1 y preetiquetado con tus propios modelos, siempre revisado por una persona.
Tareas por anotador, revisión, consenso y acuerdo medido entre anotadores.
Historial de cada etiqueta: quién la cambió y cuándo.

Pantalla Etiquetar de un proyecto de detección: una tabla de madera con nudos, resina y una grieta marcados con cajas — Captura real: detección de defectos en madera, con una caja y una clase para cada defecto.

Pantalla Etiquetar de un proyecto de segmentación de instancias: el contorno de una carrera de puntos caídos y de un agujero sobre una foto de tejido — Captura real: detección de defectos en madera, con una caja y una clase para cada defecto.

Paso 3 · Diagnóstico de datos

Los problemas de los datos, antes de entrenar

Muchos modelos fallan por los datos, no por el algoritmo. Ocelo revisa el conjunto con decenas de análisis y da una puntuación de preparación, con cada hallazgo explicado y un enlace para revisarlo. Estos son algunos, tal y como salen en los proyectos de ejemplo.

Imágenes duplicadas o casi iguales, también entre entrenamiento y prueba.
Etiquetas sospechosas y atajos que el modelo podría aprender sin que se note.
Imágenes desenfocadas, oscuras o distintas del resto.
Conjunto de prueba bloqueado, para que la métrica sea honesta.

Lista Posibles atajos: el formato y el origen van ligados a la clase, y varias medidas de la imagen separan por sí solas una clase — **Atajos que el modelo podría aprender**El formato del archivo y la fábrica van ligados a la clase, y el contraste por sí solo ya separa un defecto: el modelo podría aprender eso en lugar del defecto.

Mapa de similitud: nubes de puntos separadas, una por producto, con las piezas buenas y defectuosas en colores distintos — **Mapa de similitud**1.760 imágenes de ocho productos: cada grupo de puntos es un producto, y los puntos sueltos, imágenes poco habituales.

Etiquetas que pueden estar mal: miniaturas de productos etiquetados como NOK que el diagnóstico propone revisar como OK — **Etiquetas que pueden estar mal**Imágenes cuya etiqueta no encaja con la de sus parecidas, para revisarlas una a una antes de entrenar.

Barras de objetos por clase de defecto de la madera, de 338 nudos vivos a 10 cortezas incluidas — **Clases desequilibradas**338 nudos vivos frente a 10 cortezas incluidas: Ocelo lo avisa antes de entrenar y propone cómo compensarlo.

Mapas de calor de los centros de los defectos y de las zonas que cubren sus cajas sobre la tabla — **Dónde aparecen los defectos**Dónde caen los centros de los defectos de 483 tablas y qué zonas cubren sus cajas: las vetas recorren la tabla de arriba abajo.

Duplicados: tres grupos de fotos casi idénticas de chicles, aperitivos y macarrones — **Imágenes casi iguales**Grupos de fotos casi idénticas de la misma pieza, que no deben quedar repartidos entre entrenamiento y prueba.

Distribución del brillo de las fotos de hormigón y las cinco más oscuras y más claras — **Brillo, contraste y nitidez**La distribución de cada medida, con las imágenes de los dos extremos para ver qué hay detrás.

Media y variación de cada clase de defecto de tejido: una imagen media y otra de variación por clase — **Media y variación de cada clase**Si una clase tiene otro fondo u otra luz, se ve a simple vista: aquí cada clase trae el color de la tela de su fábrica.

Pantalla Aumento de un proyecto de segmentación: nueve variantes de una foto de hormigón con la grieta marcada en verde — Vídeo real: de la receta Normal a la Fuerte en una tabla con nueve defectos; las cajas acompañan a cada variante.

Lo que ve el modelo: la tabla original, la entrada del modelo a 384 píxeles y una variante aumentada, con la parte de los defectos de menos de 8 píxeles para cada tamaño de entrada — Vídeo real: de la receta Normal a la Fuerte en una tabla con nueve defectos; las cajas acompañan a cada variante.

Paso 4 · Aumento de datos

Más variedad, sin hacer más fotos

Al entrenar, Ocelo genera variantes de cada imagen: otra luz, la pieza girada o desplazada, algo de desenfoque o de ruido. Así el modelo aprende el defecto y no la foto concreta. Ocelo propone una receta según la tarea y enseña al momento lo que verá el modelo.

Recetas Suave, Normal y Fuerte, o la tuya, operación a operación.
Geometría, color, desenfoque y ruido, cada uno con su intensidad.
Las cajas, los contornos y las máscaras acompañan a la imagen en cada variante.
«Lo que ve el modelo»: la imagen al tamaño real de entrada, y cuántos defectos quedarían demasiado pequeños.

Paso 5 · Entrenamiento

Modelos del estado del arte, sin escribir código

Ocelo propone el modelo según la tarea y explica por qué: DINOv2, ConvNeXt, RF-DETR, U-Net y otros modelos de referencia, listos para ajustar con tus imágenes. Una primera referencia llega en segundos; después, ajuste fino en GPU en la nube.

Clasificación con DINOv2, ConvNeXt, EfficientNet o ResNet.
Detección y segmentación de instancias con RF-DETR; segmentación semántica con U-Net y FPN.
Entrenamientos que se pueden pausar, lanzar en lote y comparar.
Cada entrenamiento guarda su versión de los datos, su receta y su entorno.

Ventana Elegir un modelo: el modelo recomendado, con su tamaño, velocidad y por qué encaja en el proyecto — Captura real: Ocelo recomienda un modelo para el proyecto y explica por qué.

Pantalla Entrenamientos: la lista de entrenamientos del proyecto con su modelo, duración y resultado — Captura real: Ocelo recomienda un modelo para el proyecto y explica por qué.

Paso 6 · Evaluación

Valida el modelo que vas a usar, no otro

Ocelo evalúa el archivo exacto que se entrega y lo compara con tus criterios de aceptación. Si algo falta, lo dice: cuántos defectos podrían escaparse, en qué productos, cámaras o lotes falla más, y si la confianza del modelo es fiable.

Matriz de confusión, métricas por clase y umbral de decisión.
Errores por producto, carpeta, cámara o semana, con su significación.
Informe de aceptación descargable, con datos, métricas, límites y firma.
Ficha de cada modelo y comparación entre modelos.

Pantalla Matriz de confusión: aciertos y errores de OK y NOK — Captura real: la matriz de confusión enseña las imágenes de cada casilla.

Pantalla Grupos débiles: la tasa de error de cada producto con su intervalo, con las cápsulas marcadas como el peor grupo — Captura real: la matriz de confusión enseña las imágenes de cada casilla.

Pantalla de un despliegue de Ocelo: imágenes de hoy, latencia, conexión del PC de línea y su runtime — Captura real: el modelo de una línea de envasado de ejemplo en un PC de planta, con las imágenes de hoy, la latencia y la conexión.

Pantalla Monitorización: imágenes de los últimos siete días, tasa de NOK, dudas y deriva, con el aviso de la cámara 2 — Captura real: el modelo de una línea de envasado de ejemplo en un PC de planta, con las imágenes de hoy, la latencia y la conexión.

Pasos 7 y 8 · Despliegue y monitorización

Del modelo a la línea, y vigilado

Publica el modelo como API o llévalo a un PC de planta con el runtime de borde, también sin conexión. En producción, Ocelo vigila si las imágenes cambian y cuándo duda el modelo; cada reentrenamiento se compara con el modelo en uso antes de sustituirlo.

API REST por despliegue, con claves revocables y límites de uso.
Runtime de borde en Docker: cambia de modelo sin parar y se sincroniza por HTTPS o por USB.
Paquete ONNX autónomo para integrarlo en tu propio software.
SDK de Python y ejemplos de llamada en cinco lenguajes.

Confianza

Tus datos y tus modelos son tuyos

Instancia propia en la UE

Cada cliente trabaja en su propia instancia de Ocelo, aislada de las demás y alojada en la Unión Europea.

Formatos abiertos

Exporta imágenes y etiquetas en COCO, YOLO o máscaras PNG, y los modelos en ONNX con su manifiesto. Nada queda atrapado.

Trazabilidad

Registro de auditoría encadenado y verificable, roles de administrador, revisor, anotador y lector, y ficha de cada modelo.

Copias y seguridad

Copias diarias cifradas con restauración comprobada, conexión cifrada y servidor sin puertos abiertos a Internet.

Kits reutilizables

Un caso resuelto se guarda como kit: clases y criterios, guía de captura, criterios de aceptación, receta y modelo base. El siguiente proyecto empieza desde ahí.

También en tus servidores

Ocelo Local es la misma herramienta instalada en tu empresa, también sin conexión a Internet.

Pantalla Actividad: la lista de eventos del proyecto, cada uno con su persona, categoría y huella, e «Integridad verificada» — Captura real: el registro de actividad, encadenado y verificado, con la huella de cada evento.

¿Lo probamos con tus imágenes?

Cuéntanos qué pieza es y qué defecto buscas: te decimos si Ocelo encaja y cómo empezar.

Hablemos Ver precios