Esta investigación investiga la utilidad y eficacia de las imágenes sintéticas de reglas para el desarrollo de un algoritmo de detección de reglas basado en aprendizaje profundo. Las imágenes sintéticas ofrecen una alternativa convincente a las imágenes del mundo real como fuentes de datos en el desarrollo y avance de sistemas de visión por computadora. Esta investigación tiene como objetivo responder si el uso de un conjunto de datos sintéticos de imágenes de reglas es suficiente para entrenar un detector de reglas efectivo y en qué medida dicho detector podría beneficiarse de incluir imágenes sintéticas como fuente de datos. El artículo presenta el método procedimental para generar imágenes de reglas sintéticas, describe la metodología para evaluar el conjunto de datos sintéticos utilizando detectores de reglas basados en redes neuronales convolucionales (CNN) entrenados, y comparte los conjuntos de datos de imágenes de reglas sintéticas y reales compilados. Se encontró que el conjunto de datos sintéticos produjo resultados superiores en el entrenamiento de los detectores de reglas en comparación con el conjunto de datos de imágenes reales. Los resultados respaldan la utilidad de los conjuntos de datos sintéticos como un enfoque viable y ventajoso para entrenar modelos de aprendizaje profundo, especialmente cuando la recopilación de datos del mundo real presenta desafíos logísticos significativos. La evidencia presentada aquí respalda fuertemente la idea de que, cuando se generan y utilizan cuidadosamente, los datos sintéticos pueden reemplazar efectivamente las imágenes reales en el desarrollo de sistemas de detección basados en CNN.