El objetivo principal de este estudio es generar imágenes de defectos de partes del cuerpo utilizando una GAN (red generativa adversarial) y comparar y analizar el rendimiento de los modelos de detección de objetos YOLO (You Only Look Once) v7 y v8. El objetivo es juzgar con precisión los productos buenos y defectuosos. El control de calidad es muy importante en la industria automotriz y los defectos en las partes del cuerpo afectan directamente la seguridad del vehículo, por lo que el desarrollo de una tecnología de detección de defectos altamente precisa es esencial. Este estudio garantiza la diversidad de datos generando imágenes de defectos de partes del cuerpo de automóviles utilizando una GAN y, a través de esto, compara y analiza el rendimiento de detección de objetos de los modelos YOLO v7 y v8 para presentar una solución óptima para detectar defectos en las partes del automóvil. A través de experimentos, el conjunto de datos se amplió agregando imágenes falsas de defectos generadas por la GAN. Los experimentos de rendimiento de los modelos YOLO v7 y v8 basados en los datos obtenidos a través de este enfoque demostraron que YOLO v8 identifica efectivamente objetos incluso con una menor cantidad de datos. Se confirmó que los defectos podían ser detectados. La lectura del sistema de detección puede mejorarse a través de la calibración del software.