Clasificación Precisa de Vehículos

Un modelo de inteligencia artificial diseñado para identificar configuraciones de ejes, remolques y tipos de transporte carretero con alta precisión.

Probar el modelo
Highway traffic

Sube tus Archivos

Soporte para múltiples formatos de imagen de hasta 16 MB. Carga rápida y validación en tiempo real.

JPG/PNG Max 16MB

Detección Inteligente

Nuestro algoritmo de clasificación identifica la configuración de ejes y remolques con alta confianza mediante ONNX Runtime.

AI-Powered ONNX

Visualiza y Analiza

Revisa los resultados directamente en la interfaz. Obtén métricas de confianza y las top 5 predicciones al instante.

Top-5 Confianza

Escala del Dataset VehicleMEX

Construido con miles de imágenes etiquetadas manualmente, garantizando un aprendizaje profundo y representativo de las carreteras mexicanas.

0
Imágenes Procesadas
0
Clases Vehiculares
0px
Resolución Nativa
0%
Precisión Top-5

Analizador en Tiempo Real

Sube una imagen de un vehículo. El sistema ONNX procesará la imagen y te devolverá las top-5 predicciones categóricas al instante.

Subir Imagen

Arrastra una imagen aquí

o haz clic para explorar tus archivos

JPEG PNG MAX 16MB

¿No tienes imágenes? Prueba con estas:

Test 1
Test 2
Test 3
Test 4

Resultados del Análisis

Esperando imagen para procesar...

Acerca del Proyecto

VehicleMEX Classification WebApp es una herramienta desarrollada para la identificación automática de configuraciones vehiculares complejas que transitan por las infraestructura carretera.

Basado en la arquitectura YOLO-CLS y optimizado mediante exportación ONNX, este sistema permite realizar inferencias ultra-rápidas en entornos de producción.

93.7%
Top-1 Acc
99.6%
Top-5 Acc
0.96
Fitness

Mejoras Futuras

  • Expansión del dataset para equilibrar clases minoritarias (ej. T2-S1, C3-R3).
  • Implementación de detección de objetos (YOLO-Detect) para el conteo automático en video.
  • Optimización TensorRT para despliegue en dispositivos Edge (NVIDIA Jetson).

Nota de Privacidad: Todas las imágenes procesadas en esta plataforma se almacenan en un directorio temporal y son destruidas automáticamente cada 24 horas mediante un proceso programado de limpieza en el servidor.

Especificaciones Técnicas

  • Framework Inferencia: ONNX Runtime (C++ Backend)
  • Resolución Tensor: 640x640 RGB (Lanczos + Padding)
  • Arquitectura Base: YOLO26 Classification
  • Categorías: 15 Clases Vehiculares (B2, C2, T3-S2, etc.)

Equipo de Investigación

Especialistas detrás del desarrollo del dataset y los modelos predictivos.

Dr. José Alberto Guzmán Torres

Dr. José Alberto Guzmán Torres

Engineering Applications & AI

SIIIA MATH UMSNH
jatechia.com.mx
Dr. Francisco Javier Domínguez Mota

Dr. Francisco Javier Domínguez Mota

Applied Math & Finite Difference

SIIIA MATH UMSNH
Dra. Elia M. Alonso Guzmán

Dra. Elia M. Alonso Guzmán

Civil Engineering & Materials

UMSNH
Dr. Gerardo Tinoco Guerrero

Dr. Gerardo Tinoco Guerrero

Numerical Methods & Computation

SIIIA MATH UMSNH
Dr. Wilfrido Martínez Molina

Dr. Wilfrido Martínez Molina

Civil Engineering & Materials

UMSNH
Dr. Heriberto Árias Rojas

Dr. Heriberto Árias Rojas

Engineering Applications

SIIIA MATH UMSNH

Estudiantes de Posgrado

Christopher Nolan M.B.

Christopher Nolan

Investigador de Posgrado

UMSNH
Eli. C. I.

Eli. C. I.

Investigador de Posgrado

UMSNH
Gabriela. P. J.

Gabriela. P. J.

Investigador de Posgrado

UMSNH
Jorge Luis G. F.

Jorge Luis G. F.

Investigador de Posgrado

UMSNH
Maybeline

Maybelin C. G. C.

Investigadora de Posgrado

UMSNH