Plaki — Reconocimiento Inteligente de Placas

Optimiza el control de acceso y la seguridad con nuestra tecnología de reconocimiento automático de matrículas, diseñada para precisión en tiempo real.

Download on the
App Store
Get it on
Google Play
Plaki — Pantalla Inicio, identificación de placas

Flujos de la Aplicación

Explora las funcionalidades clave de Plaki, desde la autenticación segura hasta el escaneo en tiempo real.

Acceso Seguro de Doble Capa

Autenticación en dos etapas: Firebase Authentication verifica la identidad del usuario y genera un token cifrado que el backend empresarial valida antes de conceder acceso. Soporta login con email/contraseña y Google Sign-In mediante OAuth 2.0. El registro de nuevos operadores incluye creación automática de la cuenta en Firebase y el perfil en el backend.

  • Autenticación Firebase + validación en backend empresarial
  • Google Sign-In con OAuth 2.0 (sin contraseña)
  • Registro de operadores con validación de datos en tiempo real
  • Sesión persistente con token JWT renovable automáticamente

Estado del Modelo IA

Monitoreo en tiempo real del rendimiento de nuestros modelos de visión computacional.

Sistema Operativo
Versión Actual
Activo
v3.0
MobileNetV2 · Transfer Learning
Val. Accuracy (Epoch 10) helpPorcentaje de imágenes clasificadas correctamente en el conjunto de validación al finalizar la última época de entrenamiento. Indica qué tan bien generaliza el modelo en datos que no vio durante el entrenamiento. Valor ideal: cuanto más alto, mejor.78.5%
Val. Loss final helpError del modelo sobre el conjunto de validación (función de pérdida Categorical Crossentropy). Valores más bajos indican mejor ajuste. Se calcula al finalizar el entrenamiento. Un Loss < 0.6 con 8 clases es un buen punto de partida.
0.569
Dataset
Último Entrenamiento
Feb 10, 2026
Total Imágenes
11,631 imágenes
Aprobadas
73.8%
Rechazadas
26.2%
Clases
8 subtipos
Vertex AI Job
Job ID
1602602587633221632
Artefactos generados
modelo_placas.h5modelo_placas2.tflitelabels.json
Dataset GCS
motherboards-main/main
CI/CD & MLOps

Cómo Generamos Nuevos Modelos

Un pipeline automatizado que asegura la calidad y el despliegue continuo de mejoras en nuestros modelos de inteligencia artificial.

Flujo end-to-end según el Manual de Gobernanza de Datos – Pipeline de Curado y Entrenamiento: Aprobaciones PR → Merge → Recolecta RAW → Workflow → Preentreno/Curado → CURATED + Reportes → Vertex Training → Outputs.

01
PR y Aprobación
02
Merge
03
Snapshot RAW
04
Workflow Ingesta
05
Curado
06
CURATED + Reportes
07
Vertex AI
08
Outputs
01PR y Aprobación

El PR incluye bucket/prefix RAW y versión propuesta. Aprobación del Data Governor y checklist (fuente RAW, políticas de acceso, dominio permitido).

02MergeDisparo CI/CD

El merge a la rama principal es el disparador único del pipeline CI/CD. Desde este punto no se requieren ejecuciones manuales.

03Snapshot RAW

Consolidación del lote de imágenes en zona RAW (GCS). Lote inmutable y versionado: gs://bucket/raw/version/

04Workflow Ingesta

Ejecución del workflow (image_ingestion_workflow.yaml). Lista objetos RAW y publica mensajes por imagen en Pub/Sub (step-1) para curado a escala.

05Curado

Pre-entrenamiento: filtros de calidad (resolución, nitidez, exposición, ruido, artefactos). Salida separada físicamente del RAW.

06CURATED + Reportes

Dataset CURATED (solo imágenes aprobadas) y reportes de curado (JSON/CSV). Ubicaciones: gs://bucket/curated/version/ y gs://bucket/reports/version/

07Vertex AI

Al finalizar el curado, el pipeline ejecuta el job de entrenamiento en Vertex AI con el dataset CURATED de la versión correspondiente.

08OutputsOutputs

Modelo entrenado, métricas (train/val/test), logs y metadatos del run (dataset version, commit, parámetros, timestamps). Trazabilidad por run_id.

PR y Aprobación

El PR incluye bucket/prefix RAW y versión propuesta. Aprobación del Data Governor y checklist (fuente RAW, políticas de acceso, dominio permitido).

Merge

El merge a la rama principal es el disparador único del pipeline CI/CD. Desde este punto no se requieren ejecuciones manuales.

Snapshot RAW

Consolidación del lote de imágenes en zona RAW (GCS). Lote inmutable y versionado: gs://bucket/raw/version/

Workflow Ingesta

Ejecución del workflow (image_ingestion_workflow.yaml). Lista objetos RAW y publica mensajes por imagen en Pub/Sub (step-1) para curado a escala.

Curado

Pre-entrenamiento: filtros de calidad (resolución, nitidez, exposición, ruido, artefactos). Salida separada físicamente del RAW.

CURATED + Reportes

Dataset CURATED (solo imágenes aprobadas) y reportes de curado (JSON/CSV). Ubicaciones: gs://bucket/curated/version/ y gs://bucket/reports/version/

Vertex AI

Al finalizar el curado, el pipeline ejecuta el job de entrenamiento en Vertex AI con el dataset CURATED de la versión correspondiente.

Outputs

Modelo entrenado, métricas (train/val/test), logs y metadatos del run (dataset version, commit, parámetros, timestamps). Trazabilidad por run_id.

Quality Gates

Cada modelo pasa por estrictos controles de calidad automatizados. Si la precisión cae por debajo del umbral establecido, el despliegue se detiene automáticamente.

Tasa de rechazo ≤ 20%Diversidad mínima de clasesAccuracy > 90%Bloqueo por anomalías

Entrenamiento Continuo

El sistema identifica automáticamente casos de baja confianza ("Edge Cases") y los reincorpora al dataset de entrenamiento para mejorar continuamente el modelo. Trazabilidad completa por run_id y versión.

Auto-LabelingHuman-in-the-loopReproducibilidad total

Toda ejecución se identifica por versión de dataset y run_id — garantizando reproducibilidad y auditoría de extremo a extremo en Google Cloud Platform (us-central1).

Soluciones avanzadas de visión por computadora para la seguridad moderna y el control de accesos.

© 2025 Plaki. Todos los derechos reservados.

Desarrollado por BG Metal by Xpertium