En un entorno donde los requisitos de precisión en la fabricación están aumentando, los planes de proyecto completos pueden consistir en cientos de dibujos de ingeniería. La presentación de estos dibujos a menudo varía según las preferencias personales, lo que lleva a inconsistencias en el formato y los símbolos. La falta de estandarización en estos aspectos puede resultar en interpretaciones inconsistentes durante el análisis posterior. Por lo tanto, la correcta anotación de los dibujos de ingeniería es crucial, ya que determina la calidad del producto, las inspecciones posteriores y los costos de procesamiento. Para reducir el tiempo y el costo asociados con la interpretación y el análisis de dibujos, así como para minimizar los errores humanos en el juicio, desarrollamos un sistema de reconocimiento de dibujos de ingeniería. Este estudio emplea dimensionamiento y tolerancia geométrica (GD&T) de acuerdo con la especificación ASME (Sociedad Americana de Ingenieros Mecánicos) Y14.5 2018 para describir el lenguaje de los dibujos de ingeniería. Además, se utilizan PyTorch, OpenCV y You Only Look Once (YOLO) para el entrenamiento. Los dibujos de ingeniería 2D existentes sirven como datos de entrenamiento, y se realiza segmentación de imágenes para identificar objetos como dimensiones, tolerancias, marcos funcionales y símbolos geométricos en los dibujos utilizando el modelo de red. Al leer las coordenadas correspondientes a cada objeto, se muestran los valores correctos. Se utilizan casos del mundo real para entrenar el modelo con múltiples dibujos de ingeniería que contienen características mixtas, lo que resulta en capacidades de reconocimiento que superan las de la identificación de características únicas. Este enfoque mejora la precisión de reconocimiento de los modelos de aprendizaje profundo y hace que el reconocimiento de dibujos de ingeniería e imágenes sea más práctico. Los resultados de reconocimiento se almacenan directamente en una base de datos, reduciendo el tiempo de verificación del producto y previniendo errores que pueden ocurrir debido a la entrada manual de datos, evitando así problemas de control de calidad posteriores. Las tasas de precisión alcanzadas son las siguientes: 85% de precisión en la detección de vistas en dibujos de ingeniería 2D, 70% de precisión en la detección de grupos de anotaciones y anotaciones, y 80% de precisión en el reconocimiento de texto y símbolos.