Este estudio presenta un enfoque avanzado para la detección de defectos en células solares utilizando el modelo de aprendizaje profundo YOLOv10. Aprovechando un conjunto de datos completo de 10,500 imágenes de células solares anotadas con 12 tipos de defectos distintos, nuestro modelo integra Bloques Invertidos Compactos (CIBs) y módulos de Atención Parcial (PSA) para mejorar la extracción de características y la precisión de clasificación. Entrenado en el clúster Viking con GPUs de última generación, nuestro modelo logró resultados notables, incluyendo una Precisión Media Promedio (mAP@0.5) del 98.5%. Un análisis detallado del rendimiento del modelo reveló tasas de precisión y recuperación excepcionales para la mayoría de las clases de defectos, logrando notablemente un 100% de precisión en la detección de defectos de núcleo negro, esquina, fragmento, rasguño y cortocircuito. Incluso para tipos de defectos desafiantes como líneas gruesas y grietas en estrella, el modelo mantuvo un alto rendimiento, con precisiones del 94% y 96%, respectivamente. Las curvas de Recall-Confianza y Precisión-Recall demuestran aún más la robustez y fiabilidad del modelo a través de diferentes umbrales de confianza. Esta investigación no solo avanza el estado de la detección automatizada de defectos en la fabricación fotovoltaica, sino que también subraya el potencial de YOLOv10 para aplicaciones en tiempo real. Nuestros hallazgos sugieren implicaciones significativas para mejorar el proceso de control de calidad en la producción de células solares. Aunque el modelo demuestra alta precisión en la mayoría de los tipos de defectos, ciertos defectos sutiles, como líneas gruesas y grietas en estrella, siguen siendo desafiantes, lo que indica áreas potenciales para una mayor optimización en trabajos futuros.