Volver

02 EN EXPANSIÓN

YOLOv-LATAM

Investigación · Training fase 1

Modelo propio de visión computarizada entrenado con datos LATAM-nativos.

Resumen.

Modelo de visión computarizada propio de AIDA. Arquitectura base YOLO11/26, entrenado sobre nuestro propio dataset LATAM — videos reales de eventos de seguridad de la región, curados, etiquetados y procesados in-house.

El objetivo no es competir con modelos generales de mercado, sino producir un detector específico para nuestro contexto en Latinoamérica, procesando acciones propias de la región, entrenado con datos que ningún proveedor global tiene.

Experimento triple-ablation.

Comparamos tres pipelines de preprocesamiento sobre el mismo dataset para decidir el camino a producción con evidencia.

  • Baseline Real-ESRGAN x2
  • Open source Denoise + Real-ESRGAN x2
  • Premium Photoshop AI Denoise + Auto Tone + Real-ESRGAN x2

Dataset YoloV-LATAM-DB.

Dataset propietario de eventos de seguridad LATAM-nativos, curado y procesado in-house.

  • Detecciones pre-dedup 19.691
  • Samples únicos 6.283
  • Clases finales person · motorcycle · helmet · no_helmet · gun · knife
  • Cobertura Chile · Perú · Colombia

Sub-modelos especializados.

Cada mercado recibe un modelo propio fine-tuneado desde YOLOv-LATAM. No detectan objetos planos — detectan acciones específicas de ese contexto: asfixia, drugging, salto de reja, choque. Combinan visión, postura y análisis temporal en una sola pieza.

  • Hogar

    YOLOv-LATAM-Hogar

    Acciones detectadas

    • Intrusión
    • Turba en aproximación
    • Salto de reja
    • Vehículo (auto / moto)
    • Force de puerta

    desde FREE

  • Retail

    YOLOv-LATAM-Retail

    Acciones detectadas

    • Mechero (guardar producto)
    • Hurto a otra persona
    • Arma
    • Bolsa sospechosa por tamaño
    • Encapuchado
    • Carro bebé / compras manipulado
    • Persona corriendo

    desde BASIC

  • Restaurantes

    YOLOv-LATAM-Restaurantes

    Acciones detectadas

    • Asfixia
    • Drugging de bebida
    • Pelea
    • Actividad de hurto
    • Persona armada
    • Persona corriendo

    desde BASIC

  • Vías

    YOLOv-LATAM-Vías

    Acciones detectadas

    • Choque (auto / moto)
    • Moto sin casco
    • Moto con 2 ocupantes
    • Ciclista (con / sin casco)
    • Alta velocidad
    • Animales en autopista
    • Gente en autopista
    • Arma visible

    desde PRO

  • Bike Sco-op

    YOLOv-LATAM-BikeScoop

    Acciones detectadas

    • Robo de bicicleta
    • Ciclista sin casco
    • Ciclista (detección precisa)

    infraestructura AIDA

  • Estadios y eventos

    YOLOv-LATAM-Estadios

    Acciones detectadas

    • Aglomeración crítica (riesgo avalancha)
    • Pelea entre asistentes
    • Invasión de cancha / zona prohibida
    • Bengala o pirotecnia
    • Persona armada
    • Movimiento masivo de salida (evacuación)

    infraestructura AIDA

Stack.

  • Python
  • YOLO11 / YOLO26 (arquitectura base)
  • Dataset propio YoloV-LATAM-DB
  • Real-ESRGAN x2 (super-resolución)
  • Pipeline de denoise (cv2 / ComfyUI)
  • Schemas de anotación propios