La detección de defectos es muy importante para garantizar la calidad y el precio de la tela. Una cantidad considerable de tela se descarta como desecho debido a defectos, lo que lleva a pérdidas anuales sustanciales. Si bien la inspección manual ha sido tradicionalmente la norma para la detección, adoptar un esquema de detección automática de defectos basado en un modelo de aprendizaje profundo ofrece una solución oportuna y eficiente para evaluar la calidad de la tela. En escenarios de fabricación en tiempo real, los conjuntos de datos carecen de imágenes de alta calidad y posicionadas con precisión. Además, tanto las telas lisas como las impresas se están fabricando en las industrias simultáneamente; por lo tanto, un solo modelo debería ser capaz de detectar defectos en todo tipo de tela. Por lo tanto, se requiere entrenar un modelo de aprendizaje profundo robusto que detecte defectos en conjuntos de datos de tela generados durante la producción con alta precisión y menores costos computacionales. Este estudio utiliza un conjunto de datos indígena obtenido directamente de Chenab Textiles, proporcionando imágenes auténticas y diversas representativas de las condiciones reales de fabricación. El conjunto de datos se utiliza para entrenar una red de última generación, más rápida computacionalmente pero más ligera, es decir, YOLOv8. Para comparación, también se entrenan los modelos YOLOv5 y MobileNetV2-SSD FPN-Lite en el mismo conjunto de datos. YOLOv8n logró el mejor rendimiento, con un mAP del 84.8%, una precisión de 0.818 y un recall de 0.839 en siete clases diferentes de defectos.