> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/spanish/function-blocks/blocks-reference/ai-blocks/super-resolution.md). # Super Resolution Esta función mejora la calidad de imagen escalando las imágenes de entrada usando modelos preentrenados de super-resolución. Elige un modelo según tus necesidades de velocidad y calidad, y proporciona una imagen para obtener un resultado ampliado. ## 📥 Entradas `Image Any` Este conector acepta la imagen que deseas mejorar. ## 📤 Salidas `Image Any` La imagen ampliada/mejorada producida por el bloque. ## 🕹️ Controles `SuperResolution Type` Un desplegable para seleccionar el modelo de ampliación y el factor de escala. Las opciones representan distintos compromisos entre velocidad y calidad. Ejemplos: `BEST_x2`, `MEDIUM_x4`, `FAST_x3`, `FASTEST_x2`. Selecciona la opción que se ajuste a tu hardware y requisitos de latencia. ## 🎨 Características * Escalado con múltiples modelos que ofrecen distintos niveles de calidad y rendimiento. * Soporte de aceleración por hardware para procesamiento más rápido cuando hay GPU compatible. * Flujo simple de una entrada / una salida para fácil inserción en pipelines existentes. ## ⚙️ Mecanismo de ejecución * Elige un modelo desde el control `SuperResolution Type`. * Al ejecutarse, el bloque aplica el modelo seleccionado a la imagen entrante y sale la imagen ampliada. * Factores de escala mayores y modelos de mayor calidad requieren más tiempo de procesamiento y memoria. ## 📝 Instrucciones de uso 1. Conecta una fuente de imagen al input `Image Any`. 2. Usa el desplegable `SuperResolution Type` para escoger un modelo y escala (por ejemplo x2, x3 o x4). 3. Ejecuta tu escenario para generar la imagen ampliada en la salida `Image Any`. 4. Previsualiza el resultado con un display o guárdalo con un bloque exportador. ## 💡 Consejos y trucos * Si las imágenes de entrada son muy grandes y el procesamiento es lento, usa `Image Resizer` para reducir el tamaño antes de ampliar, o elige un modelo de menor escala como `FASTEST_x2`. * Para inspeccionar el resultado visualmente, conecta la salida a `Show Image` para previsualizar la imagen mejorada de forma interactiva. * Si quieres guardar imágenes procesadas para revisión posterior, conecta la salida a `Image Logger` o `Image Write`. * Aplica super-resolución solo a regiones importantes para ahorrar recursos: recorta con `Image ROI Select` o `Get ROI`, ejecuta super-resolución en la región recortada y luego vuelve a unir si es necesario. * Para tareas posteriores que se beneficien de más detalle (detección de objetos pequeños o lectura de texto), conecta la salida a `Object Detection (D-FINE)`, `Object Detection`, `OCR (EasyOCR)` o `OCR` para mejorar la precisión. * Si debes maximizar el rendimiento, equilibra calidad y velocidad: prefiere modelos `MEDIUM_*` o `FAST_*` cuando la ejecución en tiempo real sea importante. ## 🛠️ Solución de problemas * GPU fuera de memoria o tiempos de procesamiento largos * Prueba una opción más ligera de la lista `SuperResolution Type` como `FASTEST_x2` o reduce el tamaño de la imagen de entrada con `Image Resizer`. * Cierra otras aplicaciones que consuman GPU antes de ejecutar el pipeline. * La salida no cambia o aparecen artefactos * Prueba otro modelo/escala. Modelos de mayor calidad mejoran detalles pero pueden introducir artefactos según el contenido. * Considera preprocesar con `Denoising`, `Blur` o `Image Resize` para mejorar la calidad de entrada antes de ampliar. * Evaluación lenta con muchas imágenes * Usa `Batch Processing` para controlar uso de memoria y rendimiento, o amplía solo ROIs seleccionadas usando `Image ROI Select`. ## 📊 Evaluación Al ejecutarse, el bloque produce una sola imagen ampliada según el modelo y escala elegidos. El rendimiento depende de la elección del modelo, el tamaño de la imagen y el hardware disponible.