Centinela Neural: Modelo de Lenguaje de Visión Unificado (VLM) para Reconocimiento de Matrículas con Aprendizaje Continuo con la Intervención Humana

Un modelo de Lenguaje de Visión Unificado (VLM) diseñado para el reconocimiento de matrículas con aprendizaje continuo. Descubre cómo esta tecnología puede mejorar la precisión y eficiencia en este proceso.

10 feb 2026 • 2 min de lectura • Equipo Q2BSTUDIO

Modelo de Lenguaje de Visión Unificado (VLM) para Reconocimiento de Matrículas con Aprendizaje Continuo

En el ámbito del reconocimiento de matrículas, la tecnología avanza rápidamente, y una de las innovaciones más destacadas es el modelo de Lenguaje de Visión Unificado (VLM), como el presentado en el artículo sobre el Centinela Neural. Este enfoque unificado permite realizar el reconocimiento de matrículas, la clasificación de estados y la extracción de atributos de vehículos en una sola pasada, lo que supone una mejora significativa en comparación con los sistemas tradicionales de reconocimiento automático de matrículas (ALPR).

En Q2BSTUDIO, nos especializamos en el desarrollo de software a medida y en la implementación de tecnologías de vanguardia como la inteligencia artificial. Nuestros servicios incluyen la creación de aplicaciones a medida, la ciberseguridad, el uso de servicios en la nube de AWS y Azure, la inteligencia de negocio con herramientas como Power BI, entre otros.

El Centinela Neural utiliza un modelo PaliGemma 3B finamente ajustado mediante Low-Rank Adaptation (LoRA), lo que le permite responder a múltiples preguntas visuales sobre imágenes de vehículos con una precisión del 92.3% en el reconocimiento de matrículas. Esta mejora en la precisión representa un avance significativo sobre los enfoques basados en EasyOCR y PaddleOCR.

Una de las características destacadas del sistema es su enfoque de aprendizaje continuo con la intervención humana (HITL), que incorpora correcciones de los usuarios para evitar el olvido catastrófico a través de la repetición de experiencias, manteniendo una proporción del 70:30 entre los datos originales de entrenamiento y las muestras de corrección.

Además, el modelo VLM permite la generalización sin entrenamiento específico para tareas adicionales como la detección de colores de vehículos, detección de cinturones de seguridad y conteo de ocupantes, alcanzando porcentajes de precisión del 89%, 82% y 78% respectivamente. Este enfoque unificado representa un cambio de paradigma en los sistemas ALPR, ofreciendo una mayor precisión, una menor complejidad arquitectónica y capacidades multitarea emergentes que los enfoques tradicionales no pueden igualar.

Si estás interesado en desarrollar soluciones tecnológicas avanzadas como el Centinela Neural, en Q2BSTUDIO podemos ayudarte a aprovechar al máximo la inteligencia artificial y otras herramientas de vanguardia. Contacta con nuestro equipo para conocer más sobre cómo podemos crear aplicaciones a medida que impulsen la innovación en tu empresa.

Desarrollo aplicaciones a medida

¿UNA PAUSA?

Juega un momento antes de irte

NUESTROS SERVICIOS

Cómo podemos ayudarte

¿Tienes un proyecto en mente?

Cuéntanos tu visión y la convertimos en una solución de software. Sea cual sea el alcance, hacemos realidad tu idea.