Facul ad de In o m´a ica
T abajo de Fin de G ado
Cons uc o: Sis ema se e less pa a la
gene aci´on de opolog´ıas median e
Machine Lea ning
Po
Pablo Ezque o Moya
Di igido po
Jos´
e Luis V´
azquez Pole i
Juan Ca los Fabe o Jim´
enez
Colabo ado Ex e no: Da id Pacios Izquie do
MADRID, 2023–2024
Abs ac
This wo k explo es he de elopmen o a se e less sys em o gene a ing ne wo k
opologies using machine lea ning echniques, speci ically h ough he use o YOLO
models. The sys em le e ages objec ecogni ion o au oma ically con e hand-d awn
diag ams in o digi al o ma s ha can be impo ed di ec ly in o GNS3 o ne wo k
simula ion. By au oma ing his p ocess, he p ojec add esses he cumbe some and
ime-consuming ask o manual ne wo k con igu a ion, po en ially e olu ionizing
ne wo k design p ac ices in educa ional and p o essional se ings. The implemen a ion
uses AWS Lambda o handle p ocessing, p o iding a cos -e ec i e and scalable solu ion.
Es e abajo explo a el desa ollo de un sis ema se e less pa a la gene aci´
on de
opolog´
ıas de ed u ilizando ´
ecnicas de machine lea ning, espec´
ı icamen e a a ´
es del
uso de modelos YOLO. El sis ema u iliza el econocimien o de obje os pa a con e i
au om´
a icamen e diag amas dibujados a mano en o ma os digi ales que pueden
impo a se di ec amen e en GNS3 pa a la simulaci´
on de edes. Al au oma iza es e
p oceso, el p oyec o abo da la a ea engo osa y que consume mucho iempo de la
con igu aci´
on manual, con el po encial de e oluciona las p ´
ac icas de dise˜
no de edes
en en o nos educa i os y p o esionales. La implemen aci´
on u iliza AWS Lambda pa a
maneja el p ocesamien o, p opo cionando una soluci´
on en able y escalable.
Palab as Cla e: A qui ec u a Se e less, Gene aci´on de Topolog´ıas de
Red, Machine Lea ning, YOLO (You Only Look Once), Reconocimien o
de Obje os, AWS Lambda, Simulaci´on de Redes GNS3.
III
´
Indice gene al
Abs ac ........................................................ III
Cap´ı ulo 1 In oduc ion....................................... 1
Cap´ı ulo 1 In oducci´on ...................................... 3
Cap´ı ulo 2 Es ado del A e ................................... 5
Cap´ı ulo 3 Tecnolog´ıas ....................................... 19
Cap´ı ulo 4 Dise˜no de Soluci´on ................................ 25
Cap´ı ulo 5 Desa ollo de la a qui ec u a ....................... 49
Cap´ı ulo 6 Resul ados, mediciones y conclusiones .............. 57
Cap´ı ulo 6 Resul s, Measu emen s, and Conclusions. . . . . . . . . . . . 63
Bibliog a ´ıa......................................................70
V

Chap e 1. In oduc ion
1.1. Con ex
The p ojec we ha e been wo king on eme ged as a esponse o he
need o s eamline he p ocess o c ea ing ne wo k opologies in he GNS3
ool. This ool allows o he design o ne wo ks o simula e eal-wo ld
scena ios using a ious elemen s and componen s.
Gene ally, he mos edious and demo i a ing pa o compu ing is
con igu ing he wo kspaces, o en i onmen s, in which o apply you
knowledge. This is some hing ha mos o us who s udy o ha e
s udied any b anch o compu ing can ag ee on. Using a ool like GNS3
allows you o expe imen wi h di e en opologies using each ne wo k
elemen independen ly. Howe e , as men ioned ea lie , he p ocess o
se ing up he en i onmen , he ne wo k, and i s elemen s, is bo ing and
mono onous.
In GNS3, opology con igu a ion is done by d agging elemen s om an
elemen selec o on he le side o he applica ion. These elemen s mus
be d agged o hei desi ed posi ion and hen connec ions be ween hem
mus be es ablished. When he ne wo k is small, his is no a di icul ask.
Howe e , as he numbe o elemen s and ne wo k connec ions inc eases,
i becomes mo e complica ed.
1.2. Objec i e
To add ess his p oblem, we came up wi h he idea o c ea ing ne wo k
opologies by d awing hem manually wi h pape and pen. Then, a
p og am, using objec ecogni ion echniques, would be able o in e p e
hese d awings and au oma ically gene a e a ile ha can be impo ed in o
GNS3 wi h he esul ing opology.
The d awings should ollow he ollowing legend o ep esen he
elemen s:
1
2
Figu a 1.1: SRV Figu a 1.2: Link Figu a 1.3: Rou e Figu a 1.4: Swi ch
The p ocess o con e he hand-d awn diag ams in o impo able
opologies o GNS3 consis s o he ollowing s eps:
1. D aw he opology by hand: The use c ea es a d awing using pape
and pen. The symbols used mus ollow he p o ided legend o
co ec ly ep esen he ne wo k elemen s.
2. Scan he d awing: The d awing is digi ized using a scanne o a
high-quali y pho o applica ion.
3. Objec ecogni ion: The de eloped p og am uses image ecogni ion
echniques o iden i y he symbols in he d awing and hei
connec ions. The in o ma ion abou he de ec ed objec s is s o ed in
a . x ile.
4. Gene a ion o a ile o GNS3: F om he . x ile, a .json ile is gene a ed
wi h he s uc u e o a GNS3 p ojec .
This p ocess allows use s o quickly c ea e ne wo k opologies using
simple ools. Th ough objec ecogni ion echniques, hand-d awn ske ches
a e ans o med in o eal ne wo k simula ion p ojec s.
Cap´ı ulo 1. In oducci´on
1.1. Con ex o
El p oyec o en el que hemos es ado abajando su gi´
o como espues a a
la necesidad de agiliza el p oceso de c eaci´
on de opolog´
ıas de ed en la
he amien a GNS3. Es a he amien a pe mi e dise˜
na edes pa a simula
escena ios eales u ilizando di e sos elemen os y componen es.
Gene almen e, la pa e mas ediosa y desmo i ado a de la in o m´
a ica
es la con igu aci´
on de los espacios de abajo, o en o nos, en los
que pode aplica los conocimien os. Eso es algo que la mayo ´
ıa de
pe sonas que es udiamos o hemos es udiado alguna ama de in o m´
a ica
es amos de acue do. Usa una he amien a como GNS3 pe mi e pode
expe imen a con dis in as opolog´
ıas u ilizando cada elemen o de la ed
de mane a independien e. Pe o como hemos comen ado an es, el p oceso
de con igu a el en o no, la ed y sus elemen os, es algo abu ido y
mon´
o ono.
En GNS3 la con igu aci´
on de la opolog´
ıa se ealiza a as ando
elemen os desde un selec o de elemen os ubicado en la pa e izquie da de
la aplicaci´
on. Es os elemen os hay que a as a los a su posici´
on deseada y
luego es ablece las conexiones en e ellos. Cuando la ed es peque˜
na, no es
un a ea di ´
ıcil. Pe o cuando se a inc emen ando el n´
ume o de elemen os
y conexiones de la ed, se uel e m´
as complicado.
1.2. Obje i o
Pa a abo da es e p oblema, se nos ocu i´
o la idea de c ea las
opolog´
ıas de ed dibuj´
andolas a mano con papel y bol´
ıg a o. Luego, un
p og ama, median e ´
ecnicas de econocimien o de obje os, se ´
ıa capaz de
in e p e a esos dibujos, y gene a au om´
a icamen e un a chi o que pueda
impo a se a GNS3 con la opolog´
ıa esul an e.
Los dibujos debe ´
an segui la siguien e leyenda pa a ep esen a los
elemen os:
3
10
y o os casos elacionados con la segu idad ial. El esul ado y el diag ama
comple o es mos ado en la Figu a 2.66.
Figu a 2.6: Resul ado inal as aplica las CNN pa a la de ecci´
on de cascos y manos.
De es e abajo se ha ob enido in o maci´
on ace ca de dis in as
me odolog´
ıas pa a la ealizaci´
on la de ecci´
on de obje os, en es e caso se
ha ealizado median e CNN.
2.7. Deep lea ning
Es e a ´
ıculo [8] ealiza una e isi´
on del es ado del a e sob e las edes
neu onales p o undas (DNN). De es as aplicaciones se des acan desde el
econocimien o de im´
agenes has a el econocimien o de lenguaje na u al.
Se hace hincapi´
e en la impo ancia de mejo a a´
un m´
as la comp ensi´
on
de las DNN y su capacidad pa a el azonamien o complejo. Se mencionan
6Diag ama y esul ado ob enidos del a ´
ıculo: h ps://doi.o g/10.3390/bdcc6030085

11
a ances ecien es en el ap endizaje de ep esen aciones y se discu e la
necesidad de desa olla nue as es a egias que combinen el ap endizaje
de ep esen aciones con el azonamien o complejo. Se se˜
nala que el u u o
de la in eligencia a i icial depende ´
a en g an medida de sis emas que
in eg en ambas capacidades de mane a e ec i a.
Tambi´
en cabe des aca que es e a ´
ıculo menciona que es a ecnolog´
ıa
oda ´
ıa es ´
a sen ando bases, po lo que las in es igaciones ealizadas
oda ´
ıa es ´
an expandiendo los l´
ımi es de es a ecnolog´
ıa. Concluye
indicando que se iene que segui in es igando sob e las DNN pa a la
ealizaci´
on de nue as in eligencias a i iciales y pa a la ealizaci´
on de
nue as DNN.
De es e a ´
ıculo se ha ob enido una nue a me odolog´
ıa pa a la
ealizaci´
on de las de ecciones. Pa a es e caso se ha es udiado en
p o undidad las DNN.
2.8. S a ic Analysis o AWS Bes P ac ices in Py hon Code
Es e p ep in [9] ealiza un an´
alisis de dis in os ipos de ope aciones
que se pueden ealiza en Py hon en el con ex o de AWS median e el uso
de API. Es as API pe mi en a los usua ios de ini il os pa a selecciona
nodos de acci´
on basados en c i e ios espec´
ı icos, como el nomb e de
la unci´
on o el n´
ume o de a gumen os. Adem´
as, las ope aciones de
ans o maci´
on pe mi en modi ica nodos de acci´
on o da os de acue do
con cie as eglas, como ans o ma un nodo de acci´
on en sus a gumen os
espec i os o sus nodos de cap u a de e o es asociados.
Es e ipo de ope aciones se ealizan pa a en ende el lujo de las
ope aciones den o de Py hon. Po ejemplo, las unciones de il ado
pueden ayuda a iden i ica ulne abilidades en segu idad, mien as que
las ope aciones de ans o maci´
on de lujo de da os pueden ayuda a
iden i ica si hay alg´
un allo en la u a, ya sea en la uen e o en el des ino.
Tambi´
en se ilus an dis in os casos de uso en elaci´
on a las API. Hace
e e encia a una se ie de abajos de in es igaci´
on ele an es en el campo
del an´
alisis es ´
a ico de p og amas, como es udios sob e de ecci´
on de
uso inco ec o de API, in e encia de ipos es ´
a icos y an´
alisis de lujo
de da os en Py hon. Es as in es igaciones p opo cionan un con ex o
impo an e pa a comp ende la impo ancia y la aplicaci´
on p ´
ac ica de las
he amien as y ´
ecnicas desc i as en el documen o.
12
De es e p ep in se ha ob enido la base pa a la ealizaci´
on de la API y
c´
omo coo dina la con AWS. Tambi´
en se hace un en oque in e esan e que
ha se ido pa a e i a e o es en la ealizaci´
on del c´
odigo en Py hon en
AWS.
2.9. You only look once: uni ied, eal- ime objec de ec ion
Es e es udio [10] p esen a un modelo uni icado de allado pa a la
de ecci´
on de im´
agenes basado en YOLO (You Only Look Once). Pa a el
desa ollo de es e modelo se an a compa a los modelos R-CNN y Fas
R-CNN.
Es e ipo de de ecci´
on se ealiza en iempo eal y es ´
a basado en la
ealizaci´
on median e a ias capas. Despu´
es se lle an a cabo cada uno de
los conjun os de en enamien o pa a los modelos R-CNN y Fas R-CNN.
Figu a 2.7: De ecci´
on de im´
agenes aplicado a dis in os casos de uso aplicando YOLO.
Concluye compa ando cada uno de los modelos y es ableciendo las
limi aciones a la ho a de implan a YOLO. Una de las p incipales que se
des aca es la alsa de ecci´
on, donde se puede obse a que hay eces que
YOLO puede alla . La Figu a 2.77mues a el esul ado de las dis in as
de ecciones.
Es e a ´
ıculo ha sido e isado con el in de de e mina qu´
e e si´
on de
YOLO se ajus aba m´
as a la de ecci´
on que se que ´
ıa ealiza . Tambi´
en se
han is o sus limi aciones.
7Imagen ob enida del a ´
ıculo: h ps://www.c - ounda ion.o g/openaccess/con en _c p _2016/
h ml/Redmon_You_Only_Look_CVPR_2016_pape .h ml
13
2.10. A Cloud Based Sen imen Analysis h ough Logis ic
Reg ession in AWS Pla o m
Es e es udio [11] p esen a un an´
alisis de sen imien os a a ´
es de
la eg esi´
on log´
ıs ica de Amazon Web Se ice (AWS). Cabe des aca la
inclusi´
on de AWS en el ´
ambi o de cloud compu ing y c´
omo ha simpli icado
el uso del clien e pa a la ealizaci´
on de las labo es en la nube. Se des aca la
impo ancia de la in aes uc u a en la nube y se mencionan ca ac e ´
ıs icas
como el equilib io de ca ga, la au oescalabilidad y los acue dos de ni el de
se icio.
El an´
alisis de sen imien os es una he amien a in e esan e pa a
comp ende las opiniones de los usua ios sob e p oduc os o se icios.
Como me odolog´
ıa se ha u ilizado un algo i mo de ap endizaje
au om´
a ico, en es e caso, es la eg esi´
on log´
ıs ica pa a clasi ica las
opiniones de los clien es en posi i as o nega i as.
El es udio incluye una e isi´
on exhaus i a de la li e a u a elacionada
con el an´
alisis de sen imien os, abo dando emas como la op imizaci´
on
de la ca ga de abajo, la clasi icaci´
on de da os en la nube, el an´
alisis
de opiniones en edes sociales y el uso de algo i mos de ap endizaje
au om´
a ico, como las edes neu onales ecu en es y las m´
aquinas de
ec o es de sopo e. Adem´
as, se explo an he amien as y ecnolog´
ıas
ele an es, como Amazon Kinesis Da a Fi ehose, pa a la inges a de da os
en la nube.
14
Figu a 2.8: A qui ec u a ealizada pa a el an´
alisis de sen imien os.
La Figu a 2.88mues a c´
omo han ealizado el an´
alisis de sen imien os
a a ´
es de la ed social Twi e . Pa a ello, p ime o han adqui ido los
mensajes median e la aplicaci´
on Tweepy, es os da os son p ocesados y
colec ados en Py hon.
Es e es udio ha sido u ilizado pa a en ende c´
omo coo dina la
aplicaci´
on en Py hon con AWS y as´
ı e o o caso de uso aplicado a una
aplicaci´
on donde se combinan Py hon y AWS.
2.11. Pe o mance E alua ion o Deep Lea ning Algo i hm
Using High-End Media P ocessing Boa d in Real-Time
En i onmen
El a ´
ıculo [12] abo da la implemen aci´
on de sis emas de igilancia
de ´
a ico u ilizando modelos de de ecci´
on de obje os basados en
ap endizaje p o undo, espec´
ı icamen e YOLO 3, YOLO 4, YOLO 5s y
YOLO 3- iny. Se discu en a ios aspec os de la implemen aci´
on, incluida
la con igu aci´
on del ha dwa e y el so wa e u ilizados, como el en o no de
ha dwa e con un p ocesado In el Xeon Sil e y una GPU NVIDIA Je son
8Diag ama ob enido del a ´
ıculo: h ps://cdn. echscience.cn/uedi o / iles/csse/TSP_
CSSE-45-1/TSP_CSSE_31321/TSP_CSSE_31321.pd
15
Xa ie , jun o con el en o no de so wa e que incluye Py hon y el ma co
Py o ch. Se des acan m´
e icas impo an es como la empe a u a de la GPU,
el iempo de in e encia y la u ilizaci´
on de la memo ia RAM en elaci´
on con
la esoluci´
on de las im´
agenes y el modelo u ilizado.
Se obse a que el modelo YOLO 3- iny man iene iempos de in e encia
m´
as bajos y una meno u ilizaci´
on de la GPU en compa aci´
on con
o os modelos, lo que lo con ie e en una opci´
on a ac i a pa a
implemen aciones en la placa Je son Xa ie si se busca man ene la
u ilizaci´
on de la GPU bajo con ol. Sin emba go, se se˜
nala que YOLO 5s
u iliza m´
as ecu sos de GPU en odas las esoluciones de imagen, lo que
puede se una conside aci´
on impo an e dependiendo de los equisi os
del sis ema. Adem´
as, se menciona que YOLO 4 y YOLO 3- iny ienen
iempos de in e encia m´
as bajos que o os modelos, lo que los hace
adecuados pa a aplicaciones de ansmisi´
on en i o donde se equie e una
´
apida de ecci´
on de obje os en iempo eal.
Cabe des aca que se demues an casos de uso aplicados pa a cada ipo
de YOLO. Se p esen a un caso de uso pa a una de ecci´
on de eh´
ıculos en
lo que se demues a una al a de ´
exi o. Los in es igado es pe mi en acceso
a su da ase y as´
ı como las dis in as de ecciones pa a alida su caso de uso.
Con es e a ´
ıculo se ha ob enido una pe spec i a ace ca de las dis in as
e siones de YOLO y se ha seleccionado cu´
al e a la ´
op ima pa a la
p esen ada en es e abajo.
2.12. Ship Ta ge De ec ion Algo i hm Based on Imp o ed
YOLO 3 o Ma i ime Image
Es a publicaci´
on [13] p esen a un algo i mo pa a la de ecci´
on de
emba caciones basado en AE-YOLO 3. Se ha u ilizado es e algo i mo pa a
ealiza de ecciones en im´
agenes de al a complejidad. Pa a la me odolog´
ıa
se compa ´
o es a ecnolog´
ıa con o as, como po ejemplo, YOLO 3,
SSD y Fas e R-CNN. AE-YOLO 3 demues a una mejo a sus ancial
en la de ecci´
on de obje i os peque˜
nos, la ocul aci´
on de obje i os y la
in o maci´
on incomple a del obje i o, lo que esul a en una educci´
on
signi ica i a en el n´
ume o de obje i os no de ec ados.
El algo i mo AE-YOLO 3 se basa en la in eg aci´
on de un m´
odulo
de a enci´
on de ca ac e ´
ıs icas y un m´
odulo de mejo a de ca ac e ´
ıs icas,
que abajan en conjun o pa a mejo a la capacidad de ex acci´
on de

16
ca ac e ´
ıs icas del modelo. Es os m´
odulos pe mi en una mayo capacidad
pa a iden i ica y segui los obje i os de las emba caciones, incluso en
si uaciones donde los obje i os es ´
an pa cialmen e ocul os o el en o no
p esen a un al o ni el de dis acci´
on. La aplicaci´
on de AE-YOLO 3 en
sis emas de seguimien o de ideo se des aca como una he amien a
po encial pa a emi i ad e encias emp anas de colisi´
on, educiendo as´
ı
la p obabilidad de acciden es ma ´
ı imos.
Al igual que se ha is o en publicaciones an e io es, es a algo i mia
iene limi aciones, como los dis in os ´
angulos po los que se ob iene las
im´
agenes y las condiciones ambien ales.
Es a publicaci´
on ha se ido pa a el desa ollo del algo i mo de
de ecci´
on y as´
ı como pa a en ende las limi aciones de los mismos.
2.13. PG-YOLO: A No el Ligh weigh Objec De ec ion
Me hod o Edge De ices in Indus ial In e ne o
Things
Es e a ´
ıculo [14] p esen a una de ecci´
on de obje os basado en
PG-YOLO que u iliza el in e ne de las cosas (IoT). Es capaz de p ocesa
una inmensa can idad de da os y ealiza la de ecci´
on de una o ma ´
apida
y p ecisa.
Se de alla el p oceso de desa ollo y alidaci´
on, en donde se incluye
la selecci´
on del conjun o de da os ele an e, pa a es e caso es SHWD.
Se ealizan una se ie de compa aciones pa a alo a el endimien o de
PG-YOLO con o os m´
e odos de de ecci´
on e obje os.
Al igual que me odolog´
ıas an e io es, cabe des aca odas las
limi aciones que hay al usa es e ipo de algo i mos.
De es e a ´
ıculo se ha es udiado con de enimien o oda la algo i mia
u ilizada pa a la de ecci´
on de obje os, sob e odo la pa e de endimien o.
17
2.14. The Ae oplane and Unde ca iage De ec ion Based
on A en ion Mechanism and Mul i-Scale Fea u es
P ocessing
Es e es udio [15] de alla un algo i mo de de ecci´
on pa a la de ecci´
on
de a iones, pis as y enes de a e izaje. Desc iben mejo as en la p ecisi´
on
p omedio (mAP) y en di e sas m´
e icas de endimien o pa a di e en es
ipos de obje os de ec ados. Po ejemplo, se obse a un aumen o del 6,18 %
en la mAP pa a pis as y enes de a e izaje, as´
ı como mejo as en p ecisi´
on
y asa de ecupe aci´
on pa a a iones y enes de a e izaje. Sin emba go,
ambi´
en se se˜
nala que la capacidad de de ecci´
on de obje i os peque˜
nos no
ha mejo ado lo su icien e y que la elocidad de de ecci´
on ha disminuido,
con un aumen o en el iempo de de ecci´
on en compa aci´
on con e siones
an e io es de los algo i mos.
Se han encon ado limi aciones a la ho a de desa ollo del algo i mo,
como po ejemplo, la necesidad de educi la ca ga compu acional y
aumen a la capacidad de de ecci´
on.
De es e es udio cabe des aca la me odolog´
ıa u ilizada pa a compa a
los dis in os algo i mos. Se ha u ilizado una me odolog´
ıa simila pa a
compa a en ´
e minos de compu aci´
on los algo i mos de de ecci´
on.
2.15. Conclusiones y Tecnolog´ıas
Es os p oyec os han demos ado la iabilidad y la e icacia de u iliza
ecnolog´
ıas a anzadas como AWS Lambda, SageMake y YOLO pa a
el desa ollo de sis emas de isi´
on po o denado aplicados a la
gene aci´
on de opolog´
ıas de ed. AWS Lambda y SageMake han
sido iden i icados como he amien as cla e pa a op imiza los ecu sos,
o eciendo escalabilidad y e iciencia en la ges i´
on de la compu aci´
on en la
nube.
La capacidad de AWS Lambda pa a maneja a eas de compu aci´
on
espec´
ı icas de o ma e icien e, combinada con la po encia de
p ocesamien o de SageMake pa a el en enamien o y despliegue de
modelos de machine lea ning, p opo ciona una in aes uc u a s´
olida
que espalda las necesidades a anzadas de p ocesamien o de nues o
p oyec o. Adem´
as, la lexibilidad de Google Colab como he amien a
al e na i a pa a el en enamien o de modelos ha pe mi ido supe a las
18
limi aciones de ecu sos y acceso a ha dwa e especializado.
Los modelos YOLO, po su pa e, han demos ado se ex emadamen e
e ec i os pa a la de ecci´
on ´
apida y p ecisa de obje os, lo que es
c ucial pa a la in e p e aci´
on de dibujos manuales de opolog´
ıas de
ed. La implemen aci´
on de YOLO 8 ha sido pa icula men e bene iciosa,
o eciendo mejo as en elocidad y p ecisi´
on, lo que es esencial pa a la
ealizaci´
on de de ecciones en iempo eal necesa ias pa a es e p oyec o.
En conjun o, la in eg aci´
on de es as ecnolog´
ıas a anzadas en nues o
p oyec o no solo ha mejo ado la e iciencia del p oceso de digi alizaci´
on de
opolog´
ıas, sino que ambi´
en ha es ablecido un ma co obus o pa a u u as
in es igaciones y desa ollos en el campo de la isi´
on po o denado
aplicada a edes de elecomunicaciones.
Cap´ı ulo 3. Tecnolog´ıas
A con inuaci´
on se desc iben las he amien as y ecnolog´
ıas u ilizadas
en el desa ollo del p oyec o.
3.1. AWS
Amazon Web Se ices(AWS)1, es una pla a o ma de se icios en la
nube o ecida po Amazon. P opo ciona una amplia gama de se icios
de in aes uc u a en la nube, como almacenamien o, c´
ompu o, bases
de da os, edes y muchas o as he amien as y se icios, que pe mi en
cons ui y ejecu a aplicaciones de mane a e icien e y en able.
Una de las en ajas cla e de AWS es su lexibilidad y escalabilidad.
G acias a la pol´
ı ica de pago po uso, se pueden escala los ecu sos de
mane a ´
apida y sencilla, pe mi iendo adap a se a las luc uaciones de la
demanda sin ene sob ecos e.
Se o ecen una amplia gama de se icios en e los que se incluye
almacenamien o de obje os (Amazon S3) y compu aci´
on en la nube
(Amazon Lambda), que usa emos en nues o p oyec o.
3.1.1. Amazon Lambda
AWS Lambda2es un se icio de compu aci´
on basado en e en os y
sin se ido que pe mi e ejecu a c´
odigo pa a casi cualquie aplicaci´
on o
se icio de backend sin ene que p eocupa se po ges iona o ap o isiona
se ido es.
3.2. GNS3
GNS3 (G aphic Ne wo k Simula ion o Simulaci´
on G ´
a ica de Redes)3
es un so wa e de c´
odigo abie o de simulaci´
on de edes que pe mi e
dise˜
na opolog´
ıas de ed complejas. Es a he amien a pe mi e c ea edes
i uales comple as y emula disposi i os de ed, como ou e s, swi ches
y i ewalls, sin necesidad de ene acceso ´
ısico a los equipos eales.
1h ps://aws.amazon.com/es/wha -is-aws/
2h ps://aws.amazon.com/es/lambda/
3h ps://www.gns3.com/
19
26
Figu a 4.1: He amien a de e ique ado de im´
agenes
Figu a 4.2: Conjun o de da os iniciales e ique ados

27
Con Robo low, se ha log ado un conjun o de da os de 136 im´
agenes,
pa iendo de 80 dibujos o iginales que han sido e ique ados manualmen e.
Sin emba go, dado que es e olumen inicial no es su icien e pa a en ena
adecuadamen e el modelo, se han aplicado ´
ecnicas de aumen o de
da os, como o aciones y o as ans o maciones, pa a gene a im´
agenes
adicionales a pa i de las 80 o iginales. Tambi´
en se ha aplicado un
p ep ocesamien o pa a con e i odas las im´
agenes a escala de g ises,
ga an izando la uni o midad del da ase .
Figu a 4.3: P ep ocesado y asignacion de da os
Es e p oceso nos pe mi i´
o ob ene un conjun o de da os consis en e,
necesa io pa a el en enamien o del modelo des inado a in e p e a
dibujos de opolog´
ıas de ed manusc i os.
4.2. Modelos
Una ez que se dispone de un conjun o de da os de en enamien o
adecuado, el siguien e paso es expe imen a con di e en es modelos
28
de ap endizaje au om´
a ico pa a encon a el que o ezca el mejo
endimien o. Como se mencion´
o en el cap´
ı ulo sob e las ecnolog´
ıas
u ilizadas (3), Robo low pe mi e la in eg aci´
on di ec a del da ase con
pla a o mas de expe imen aci´
on como Google Colab. G acias a es a
in eg aci´
on, hemos podido ealiza p uebas y ajus es en los modelos
YOLO 4 Da kne , YOLO 5 y YOLO 8.
Pa a pode explica las conclusiones y el modelo que mejo se ha
adap ado a nues o caso de uso, amos a desa olla como es ´
a compues a
la a qui ec u a YOLO, y las di e encias en e las e siones que han sido
u ilizadas.
4.2.1. YOLO 4 Da kne
YOLO 41se di ide en es pa es p incipales: Backbone, Neck, y Head.
Backbone: Es la base del modelo, enca gada de ex ae ca ac e ´
ıs icas
de la imagen. Usa CSPDa kne 53 como componen e p incipal y es ´
a
p een enada en ImageNe y es esponsable de ex ae ca ac e ´
ıs icas
cla e de las im´
agenes de en ada. Es e Backbone iene la a ea de
iden i ica pa ones, bo des y o mas b´
asicas en la imagen, que luego
se ´
an u ilizadas pa a de ec a los componen es.
Neck: u iliza PANe , que ac ´
ua como un conec o en e el Backbone
y el Head. Su unci´
on es p ocesa las ca ac e ´
ıs icas ex a´
ıdas po el
Backbone y p epa a las pa a la de ecci´
on inal.
Head: Es a es la pa e inal del modelo, donde se ealiza la de ecci´
on
eal de obje os. Toma la in o maci´
on p ocesada po el Backbone y el
Neck y de e mina la ubicaci´
on y la clase de los obje os en la imagen.
El Head u iliza la es uc u a de YOLO 3 pa a hace las de ecciones
inales y las clasi icaciones. Es e segmen o es esponsable de p edeci
las clases y los cuad os delimi ado es de los obje os.
1h ps://docs.ul aly ics.com/es/models/yolo 4/
29
Figu a 4.4: Esquema de la a qui ec u a de YOLO 4
4.2.2. YOLO 5
Tan o YOLO 4 como YOLO 5 2compa en el concep o de Backbone,
Neck y Head. Sin emba go, en YOLO 5 se in oducen algunas
op imizaciones y simpli icaciones.
Backbone: YOLO 5 ambi´
en usa una e si´
on modi icada de
CSPDa kne 53, pe o con op imizaciones que simpli ican la
implemen aci´
on y mejo an la e iciencia compu acional. Es o se
aduce en una es uc u a m´
as lige a y ´
apida.
Neck: Es simila pe o incluye mejo as como SPPF (Spa ial Py amid
Pooling Fas ), que ayuda a ex ae ca ac e ´
ıs icas a di e en es
escalas de mane a m´
as e icien e. Se simpli ica la es uc u a
CSPDa kne 53-PANe , con ibuyendo a una implemen aci´
on m´
as
lige a.
Head: YOLO 5 man iene un en oque simila pe o con op imizaciones
pa a hace la es uc u a m´
as lige a y ´
apida, educiendo la la encia.
4.2.3. YOLO 8
YOLO 8 inco po a mejo as signi ica i as an o en p ecisi´
on como en
elocidad [19], adem´
as de la posibilidad de u iliza de ecci´
on sin anclajes
(ancho - ee). Los anclajes son cajas delimi ado as que se u ilizan pa a
la p edicci´
on de los obje os. En o as e siones de YOLO, es as cajas
se ubican en luga es p ede inidos sob e la imagen y se an ajus ando
sus medidas seg´
un a a anzando el en enamien o. YOLO 8 p edice
di ec amen e las coo denadas de las cajas delimi ado as sin depende de
anclajes espec´
ı icos.
2h ps://docs.ul aly ics.com/yolo 5/ u o ials/a chi ec u e_desc ip ion/
30
Backbone: En es a e si´
on, adem´
as de CSPDa kne 53 se u iliza
E icien De . Ambos apo an una g an capacidad de ap endizaje y
e iciencia.
Neck: YOLO 8, al igual que YOLO 5 u iliza PANe , pe o la es uc u a
de YOLO 8 pe mi e una mejo combinaci´
on de ca ac e ´
ıs icas, lo
que puede mejo a la p ecisi´
on en de ecci´
on de obje os de di e en es
ama˜
nos.
Head: Se man iene el uso de cajas ancladas pa a p edeci obje os de
di e en es o mas y ama˜
nos, pe mi iendo an o de ecci´
on con anclajes
como de ecci´
on sin anclajes (ancho - ee). YOLO 5, po el con a io,
u iliza un en oque adicional basado en anclajes.
4.3. Es udio compa a i o de YOLO e in e p e aci´on
Una ez ealizado el es udio sob e las di e en es e siones de YOLO, se
ha p ocedido a la expe imen aci´
on. El p ime modelo que se ha en enado
ha sido YOLO 4 con el amewo k de Da kne .
El p oceso de con igu aci´
on y en enamien o de YOLO 4 ha sido
muy edioso po a ias azones. Debido a que YOLO 4 dej´
o de ecibi
ac ualizaciones o iciales despu´
es de 2020, muchas de las he amien as
y biblio ecas es ´
an obsole as. Po ejemplo, algunas dependencias cla e,
como OpenCV y CUDA, han e olucionado a e siones que no son
compa ibles con el c´
odigo base de Da kne , lo que ha gene ado con lic os
al in en a compila el p oyec o.
Hemos enido que modi ica muchas a iables en el Make ile pa a
ajus a la con igu aci´
on a nues o en o no de abajo, como u as de
a chi os, opciones de compilaci´
on, con igu aci´
on de la GPU y alguna
a iable que no es aba de inida. O o p oblema impo an e ha sido el
cos e compu acional. El modelo YOLO 4 es bas an e pesado y equie e
un al o ni el de ecu sos pa a en enamien o. En el no ebook que
nos p opo cionaba Robo low, la con igu aci´
on p ede e minada en´
ıa
pa ´
ame os con igu ados pa a se ejecu ados en un en o no con ecu sos
signi ica i os. Sin emba go, al in en a en ena es e modelo en la e si´
on
g a ui a de Google Colab, nos encon amos con limi aciones se e as en la
GPU y es icciones de iempo de ejecuci´
on. Debido a es as es icciones,
el en enamien o no solo e a len o, sino que a menudo e a in e umpido
31
po es icciones de iempo o limi aciones de ecu sos como se puede e
en la igu a 4.5.
Pese a habe in en ado en ena lo de la mejo mane a posible nos
hemos dado cuen a que e a mejo idea explo a e siones m´
as ecien es de
YOLO, como YOLO 5, que se basan en amewo ks m´
as ecien es y ienen
mejo sopo e. El cambio a es as e siones m´
as mode nas nos pe mi i´
o
bene icia nos de una comunidad m´
as ac i a, documen aci´
on ac ualizada
y un mejo endimien o en en o nos de nube con limi aciones de ecu sos.
Figu a 4.5: Limi aci´
on Google Colab en en enamien o con YOLO 4
El en enamien o con YOLO 5 u ilizando un da ase de 136 im´
agenes
ha p esen ado a ios desa ´
ıos. Aunque YOLO 5 es m´
as mode no y lexible
que YOLO 4, u imos que ajus a el modelo pa a adap a lo a nues o caso
pa icula .
El no ebook p opo cionado po Robo low iene con una con igu aci´
on
p ede e minada que incluye un ama˜
no de imagen de 416 p´
ıxeles, un
ba ch de 16 y 100 ´
epocas. Es as con igu aciones suelen se adecuadas pa a
da ase s medianos o g andes, pe o pa a nues o peque˜
no da ase de 136
im´
agenes necesi amos ajus es adicionales pa a op imiza el en enamien o
y e i a el sob eajus e. Nues a soluci´
on ha sido educi el ama˜
no del ba ch
a 8 y aumen a el n´
ume o de ´
epocas a 250, pe mi iendo m´
as i e aciones
sob e el mismo conjun o de da os.

32
Usa un ama˜
no de ba ch m´
as peque˜
no, como 8, educe la can idad de
memo ia necesa ia pa a p ocesa cada paso de en enamien o, lo que ha
sido bene icioso en nues o caso, dado que enemos ecu sos limi ados en
Google Colab. Adem´
as, es a con igu aci´
on pe mi e al modelo ene m´
as
i e aciones sob e los da os, lo cual puede ayuda a mejo a el ap endizaje.
Reduci el ba ch a 8 ha sido un acie o, ya que pe mi e al
modelo en ena se de mane a m´
as e icien e, aunque con un iempo de
en enamien o m´
as p olongado. Sin emba go, aumen a en exceso el
n´
ume o de ´
epocas inc emen a el iesgo de sob eajus e. Pa a mi iga es e
iesgo, hemos implemen ado a ias es a egias, como el aumen o de da os,
que aumen a la di e sidad del da ase . Es a ´
ecnica ue aplicada y se
desc ibe en la secci´
on de gene aci´
on del da ase 4.1. Podemos e las
g ´
a icas de e oluci´
on del en enamien o en la igu a 4.6
Figu a 4.6: G ´
a icos de e oluci´
on del en enamien o con YOLO 5
Despu´
es de p oba di e en es con igu aciones de ´
epocas, concluimos
que 250 e a una buena opci´
on bas´
andonos en los esul ados ob enidos
como se en en la igu a 4.7. Es os esul ados con i man que los ajus es
ealizados han pe mi ido op imiza el en enamien o sin cae en el
sob eajus e, p opo cionando una base s´
olida pa a u u as mejo as. Sin
emba go, los da os no cumplen nues as expec a i as, po lo que hemos
decidido p oba con YOLO 8 pa a e si podemos ob ene esul ados m´
as
sa is ac o ios.
33
Figu a 4.7: Resul ados del en enamien o con YOLO 5
Complemen ando las m´
e icas de los esul ados ob enidos, en la igu a
4.8 podemos e ejemplos de las cajas delimi ado as p edichas con
YOLO 5 sob e algunas opolog´
ıas.
Figu a 4.8: Cajas delimi ado as p edichas con YOLO 5
34
Pa a e mina hemos que ido comp oba si exis e mucha di e encia
en e YOLO 5 y YOLO 8, y si e a su icien e pa a jus i ica el cambio.
En YOLO 8, hemos hecho ajus es muy simila es a YOLO 5,
modi icando el n´
ume o de ´
epocas y el ama˜
no del ba ch pa a op imiza el
endimien o y e i a el sob eajus e. El alo p ede e minado en el no ebook
que p opo ciona Robo low pa a YOLO 8 es 16 pa a el ama˜
no del ba ch
y 25 pa a el n´
ume o de ´
epocas. Dado que enemos un da ase educido
y hemos abajado con ecu sos limi ados en Google Colab, ajus amos el
ama˜
no del ba ch a 4 y aumen amos el n´
ume o de ´
epocas a 50.
El ba ch m´
as peque˜
no educe el uso de memo ia y pe mi e m´
as
i e aciones, aunque puede aumen a el iesgo de sob eajus e po que el
modelo iene m´
as iempo pa a memo iza el da ase . Pa a mi iga es e
iesgo, YOLO 8 iene una ca ac e ´
ıs ica que los an e io es no en´
ıan.
Ea ly s opping, que de iene el en enamien o cuando ya no hay mejo as
signi ica i as, e i ando el sob eajus e. Podemos e las g ´
a icas de
e oluci´
on del en enamien o en la igu a ??
Figu a 4.9: G ´
a icos de e oluci´
on del en enamien o con YOLO 8
Los esul ados ob enidos con YOLO 8, como se en en la igu a 4.10,
son muy posi i os conside ando el ama˜
no limi ado de nues o da ase .
Es os esul ados sugie en que el modelo iene un buen endimien o
gene al y que es amos en el camino co ec o. Con un da ase m´
as g ande
pod ´
ıamos ace ca nos a un modelo casi pe ec o pa a nues o caso de uso,
con de ecciones m´
as p ecisas y consis en es.
35
Figu a 4.10: Resul ados del en enamien o con YOLO 8
Complemen ando las m´
e icas de los esul ados ob enidos, en la igu a
4.11 podemos e ejemplos de las cajas delimi ado as p edichas con
YOLO 8 sob e algunas opolog´
ıas.
Figu a 4.11: Cajas delimi ado as p edichas con YOLO 8
42
Figu a 4.15: In e encia del modelo en o ma o . x
Cada l´
ınea de es e a chi o ep esen a un componen e de la ed, y el
o den de los alo es en cada l´
ınea es el siguien e: ipo de componen e,
coo denada x, coo denada y, ancho y al u a. Los ipos de componen es
pueden se : 0 pa a DNS, 1 pa a Enlace, 2 pa a Rou e y 3 pa a Swi ch.
En p ime luga , leemos las l´
ıneas del a chi o y almacenamos los
componen es en dos lis as de dicciona ios: una pa a gua da los Enlaces
y su in o maci´
on, y o a pa a gua da los nodos y su in o maci´
on.
El p incipal desa ´
ıo al que nos en en amos es de e mina qu´
e
elemen os es ´
an conec ados en e s´
ı seg´
un sus coo denadas. Inicialmen e,
hemos desa ollado una es a egia simple como pun o de pa ida,
sob e la cual ealiza mejo as inc emen ales. En es a p ime a es a egia,
conside amos que cada nodo solo puede es ablece conexi´
on con o o nodo
si son los m´
as ce canos en e s´
ı y compa en el Enlace m´
as ce cano.
P ime o, almacenamos el nodo m´
as ce cano pa a cada nodo de la ed
en la es uc u a connec ions o elemen s. Es a lis a de dicciona ios almacena
pa a cada iden i icado de nodo el nodo m´
as ce cano y la dis ancia a ´
el.
Luego, pa a cada nodo, buscamos el enlace m´
as ce cano y almacenamos
en la a iable connec ions o Links el iden i icado del enlace y la dis ancia
a´
el.
Finalmen e, aplicamos la es a egia mencionada an e io men e: dos
nodos es ´
an conec ados solo si compa en el enlace m´
as ce cano y son
los elemen os m´
as ce canos en e s´
ı. Ve i icamos si la conexi´
on gua dada
en connec ions o elemen s pa a cada nodo es igual a la del o o nodo
y luego comp obamos si ambos nodos ienen el mismo ID de enlace
en connec ions o Links. Si ambas condiciones se cumplen, la conexi´
on es

43
´
alida.
Aunque es a es a egia p opo ciona una base, la es a egia es e ´
onea,
ya que puede pe de muchas conexiones ´
alidas. En el caso del ejemplo
que es amos analizando, pe demos odas las conexiones, ya que ninguna
pa eja de nodos cumple con las condiciones de la es a egia.
Figu a 4.16: Resul ado p ime a es a egia
T as e isa los esul ados ob enidos en la igu a 4.16, hemos llegado
a la conclusi´
on de que depende ´
unicamen e del elemen o m´
as ce cano
no p opo ciona una ep esen aci´
on comple a de las conexiones en e
elemen os. Como espues a a es a limi aci´
on, hemos desa ollado una
nue a es a egia que emplea dos umb ales dis in os: uno pa a los Enlaces
y o o pa a los nodos. Es e en oque nos pe mi e almacena odos los
nodos y Enlaces que se encuen en a una dis ancia meno que el umb al
especi icado. Adem´
as, hemos ealizado modi icaciones en la es uc u a del
c´
odigo pa a mejo a su man enibilidad y escalabilidad.
El nue o c´
odigo incluye una unci´
on que, dado un nodo, una lis a
de Enlaces o de nodos, y un umb al, de uel e los elemen os de la lis a
que cumplen con el umb al de dis ancia en elaci´
on al nodo dado, como
se mues a en el diag ama de la igu a 4.17. Adem´
as, hemos c eado
una unci´
on que, al ecibi las lis as de elemen os ce canos y Enlaces
ce canos, aplica una es a egia pa a de e mina las conexiones ´
alidas.
Es a es a egia sigue un en oque simila al an e io , pe o sin la necesidad
de e i ica si un nodo es ´
a p esen e en las conexiones del o o nodo. Es o
se debe a que ambas conexiones se han encon ado bajo el mismo umb al.
En su luga , se e i ica que ambos nodos engan un Enlace en com´
un,
44
como se e en la igu a 4.18. Es e Enlace se encuen a u ilizando un umb al
in e io aplicado sob e los nodos, ya que debe es a en medio de ellos.
Figu a 4.17: Diag ama del lujo de da os pa a encon a elemen os ce canos a un nodo.
Figu a 4.18: Diag ama de alidaci´
on de conexiones seg´
un la es a egia p opues a.
45
Los esul ados ob enidos con es a es a egia son signi ica i amen e
mejo es, como se obse a en al igu a 4.19. En el caso que es amos
mos ando como ejemplo, son pe ec os. Adem´
as, es a es a egia pe mi e
ajus a los umb ales pa a se m´
as p ecisos.
Figu a 4.19: Resul ado segunda es a egia
A pa i de es a es a egia, podemos c ea el a chi o inal necesa io pa a
impo a el p oyec o en la he amien a GNS3. Es e p oceso cons a de dos
pa es dis in as:
La p ime a pa e se cen a en es ablece la con igu aci´
on gene al, que es
com´
un a odos los p oyec os y aba ca in o maci´
on de allada en el apa ado
4.4.1.
La segunda pa e consis e en una unci´
on que oma el iden i icado
del nodo y su in o maci´
on, y de uel e un alo con o ma o .json que
con iene oda la con igu aci´
on espec´
ı ica del nodo, al como se desc ibe
en el apa ado 4.4.1.
Finalmen e los alo es de uel os po la uncion se a˜
naden a la pa e
co espondien e de la a iable de las con igu aciones gene ales y se c ea el
.json.
46
4.5. Despliegue en AWS
La implemen aci´
on de soluciones ecnol´
ogicas en la nube ha
e olucionado la o ma en que las o ganizaciones escalan y ges ionan sus
in aes uc u as de TI. AWS, siendo l´
ıde en soluciones de cloud compu ing,
o ece un conjun o obus o de se icios que pe mi en a los desa ollado es
y a las emp esas implemen a aplicaciones de mane a e icien e y segu a.
El despliegue de una unci´
on Lambda en AWS no es una excepci´
on a es a
e oluci´
on y cons i uye un ejemplo cla e de c´
omo se puede ap o echa la
compu aci´
on en la nube pa a ejecu a c´
odigo en espues a a e en os con
adminis aci´
on au om´
a ica de los ecu sos compu acionales.
Es a secci´
on de alla el p oceso de con igu aci´
on y despliegue de una
unci´
on Lambda en AWS, comenzando con la c eaci´
on y con igu aci´
on de
usua ios IAM, seguido po la especi icaci´
on y con igu aci´
on del se icio
Lambda. Se en a iza ´
a la impo ancia de una con igu aci´
on adecuada de
IAM pa a ga an iza un manejo segu o y es ingido de los pe misos,
lo cual es c ucial pa a la p o ecci´
on de los ecu sos en la nube y la
minimizaci´
on de iesgos de segu idad. Pos e io men e, se discu i ´
a c´
omo
con igu a adecuadamen e el en o no de ejecuci´
on de Lambda, incluyendo
la asignaci´
on de memo ia y los pe misos necesa ios, pa a asegu a que la
unci´
on se ejecu e de mane a ´
op ima y cos e-e ec i a.
4.5.1. Usua ios IAM
La ges i´
on de iden idades y accesos (IAM) es undamen al pa a la
segu idad y la adminis aci´
on en AWS, o eciendo con ol g anula sob e
qui´
en puede hace qu´
e en cada ecu so de AWS. La c eaci´
on de usua ios
IAM espec´
ı icos pa a di e en es a eas asegu a que los se icios ope en
bajo el p incipio de m´
ınimo p i ilegio, educiendo el iesgo de accesos no
au o izados o malin encionados. Al inicia el despliegue de una unci´
on
Lambda, es p imo dial con igu a un usua io IAM con pe misos p ecisos
que pe mi an ges iona Lambda y o os se icios necesa ios sin excede
las capacidades eque idas.
El p ime paso implica c ea un g upo IAM con pol´
ı icas que
con ie en acceso necesa io pa a ope a unciones Lambda, ales como
AWSLambdaFullAccess, que pe mi e a los usua ios ges iona unciones y
ecu sos elacionados en Lambda. Adicionalmen e, se a˜
nade la pol´
ı ica
IAMFullAccess empo almen e pa a pe mi i la con igu aci´
on de oles y
pol´
ı icas adicionales necesa ias du an e la ase inicial de con igu aci´
on y
despliegue. La c eaci´
on de un usua io den o de es e g upo y la asignaci´
on
47
de c edenciales de acceso p og am´
a ico son acciones que habili an la
in e acci´
on con AWS a a ´
es de la CLI o SDK, he amien as esenciales
pa a au oma iza y ges iona aplicaciones en la nube de mane a e icien e.
4.5.2. Con igu aci´on de Lambda
Una ez es ablecida la ges i´
on segu a de accesos median e IAM,
el siguien e paso es con igu a la unci´
on Lambda p opiamen e. La
con igu aci´
on adecuada de una unci´
on Lambda incluye especi ica el
en o no de ejecuci´
on, los pe misos y la ges i´
on de ecu sos. Se selecciona
un en o no de ejecuci´
on que co esponda al lenguaje de p og amaci´
on del
c´
odigo uen e, en es e caso, Py hon 3.8. La asignaci´
on de memo ia y el
iempo de ejecuci´
on m´
aximos son con igu ados en seg´
un las necesidades
es imadas de la unci´
on, que en es e caso se es ablecen en 250 MB de
memo ia y 15 segundos de iempo de ejecuci´
on m´
aximo, espec i amen e.
Pa a pe mi i que la unci´
on Lambda in e ac ´
ue e icien emen e con
o os se icios de AWS sin comp ome e la segu idad, se c ea un ol
espec´
ı ico de IAM, LambdaExecu ionRole, con pol´
ı icas que o o gan los
pe misos necesa ios pa a ejecu a la unci´
on. Es e ol incluye pol´
ı icas
como AWSLambdaBasicExecu ionRole, que pe mi e a la unci´
on esc ibi
egis os en Amazon CloudWa ch, esencial pa a moni o iza y depu a
la unci´
on. La de inici´
on de es os pe misos asegu a que la unci´
on enga
acceso solo a los ecu sos que necesi a, cumpliendo con las mejo es
p ´
ac icas de segu idad.
Finalmen e, se p ocede a desplega el c´
odigo uen e median e AWS
CLI, especi icando odos los pa ´
ame os con igu ados y el ol de ejecuci´
on.
Es e paso es c ucial po que compila y ac i a la unci´
on en el en o no
de nube, lis o pa a se in ocado seg´
un sea necesa io. La capacidad de
desplega y ges iona unciones de mane a p og am´
a ica median e AWS
CLI no solo aumen a la e iciencia, sino ambi´
en asegu a que el despliegue
sea epe ible y consis en e, eliminando e o es manuales po enciales y
acili ando la in eg aci´
on con inua y la en ega con inua (CI/CD) en
en o nos de desa ollo p o esional.

Cap´ı ulo 5. Desa ollo de la a qui ec u a
Es e cap´
ı ulo de alla el desa ollo y la implemen aci´
on de una
se ie de modelos de de ecci´
on de obje os basados en las e siones
mejo adas del algo i mo YOLO (You Only Look Once). Comenza emos
explo ando el modelo YOLO 4, implemen ado en AWS Lambda pa a
op imiza an o cos os como ecu sos, seguido de una ansici´
on hacia
YOLO 5 y inalmen e YOLO 8, cada uno con mejo as signi ica i as en
e iciencia y p ecisi´
on. Los modelos son dise˜
nados pa a ope a en en o nos
se e less, ap o echando pla a o mas como Google Colab y Amazon
SageMake , acili ando la in eg aci´
on y manejo e icien e de los ecu sos
compu acionales. Es a documen aci´
on cub e desde la con igu aci´
on inicial
de los da ase s has a la gene aci´
on inal de a chi os GNS3, pasando po
las e apas de en enamien o, alidaci´
on y de ecci´
on, con el obje i o de
p opo ciona una comp ensi´
on exhaus i a del p oceso y las ecnolog´
ıas
u ilizadas.
5.1. Modelo de en enamien o de YOLO 4
Figu a 5.1: A qui ec u a del modelo de YOLO V4 Da kne implemen ado en AWS
Lambda pa a op imizaci´
on de cos os y ecu sos, mos ando la in e acci´
on en e los
componen es p incipales como AWS Lambda, S3 y Google Colab.
El modelo de YOLO V4 Da kne es la p ime a a qui ec u a que
49
50
discu i emos. Se eligi´
o debido a su e icacia comp obada en el es ado
del a e y su aplicaci´
on exi osa en p oyec os p e ios usando Da kne
pa a de ecci´
on en Amazon Web Se ice Lambda. Es e en oque es cla e
pa a educi cos os ope a i os, e i ando el uso de Amazon SageMake o
endpoin s que inc emen an los cos os po ene que ges iona su c eaci´
on y
eliminaci´
on con inuas.
En nues o en oque, buscamos op imiza ecu sos al ejecu a el de ec o
de mane a na i a en YOLO 4 desde Lambda, pe mi iendo p ocesamien os
pa alelos pa a maneja m´
ul iples de ecciones y la gene aci´
on simul ´
anea
de a chi os GNS3. Pa a implemen a es o, u ilizamos un no ebook
gene ado po RoboFlow, que se puede adap a an o en SageMake como
en Google Colab. Es e no ebook se conec a a nues a API pa a desca ga
modelos e ique ados, p epa ados especialmen e pa a YOLO 4 a pa i de
elemen os p e iamen e dibujados a mano.
An es de inicia el en enamien o, es os da os se ca gan en el no ebook,
donde se ealiza el p oceso de en enamien o. Una limi aci´
on obse ada
es que, mien as SageMake comple a el en enamien o aunque sea len o,
Google Colab ecuen emen e no concluye es e p oceso, esul ando en
modelos de baja calidad debido al p incipio de ”ga bage in, ga bage ou ”.
Es o sub aya la impo ancia de la calidad de los da os de en ada.
No obs an e, el en enamien o exi oso gene a un modelo que se
almacena en un bucke S3 en AWS, esencial pa a ope a el modelo de
YOLO 4 en Lambda, que equie e un a chi o de pesos espec´
ı ico. El
sis ema es ´
a con igu ado pa a que, al ecibi una imagen a a ´
es de una
API o un bucke S3, se ac i e un dispa ado que ca ga el modelo de S3 pa a
ealiza la de ecci´
on. Los esul ados se deposi an en un a chi o . x que
se puede p ocesa pos e io men e pa a e ina los esul ados y gene a un
a chi o GNS3 p eciso.
5.2. Modelo de en enamien o de YOLO 5
El modelo YOLO 5 ep esen a una e oluci´
on en nues os es ue zos
de op imizaci´
on as expe imen a con YOLO 4. Es e modelo se ha
seleccionado den o del es ado del a e po su capacidad pa a ealiza
un g an n´
ume o de de ecciones e icien es con un conjun o limi ado de
da os, ideal dado que nues o da ase ue c eado manualmen e y es de
ama˜
no educido. La op imizaci´
on de ecu sos es c ucial, ya que ca ecemos
de acceso a ha dwa e a anzado como GPU o TPU pa a un en enamien o
51
Figu a 5.2: Esquema del modelo YOLO 5 implemen ado en pla a o mas de compu aci´
on
en la nube, ilus ando la es uc u a de da os y el lujo de en enamien o y de ecci´
on.
e icien e localmen e, lo que nos lle a a u iliza pla a o mas como Google
Colab y Amazon SageMake pa a minimiza cos os y ap o echa sus
capacidades compu acionales.
Iniciamos el p oceso de en enamien o con a chi os p opo cionados
po RoboFlow, que es a ez incluyen una es uc u a o ganizada en dos
ca pe as p incipales: una pa a e ique as y con igu aciones, y o a pa a los
da os de en enamien o, alidaci´
on y es , dis ibuidos en es subca pe as
sepa adas. Es e o ma o acili a la ges i´
on y uso de las im´
agenes en
las e apas sucesi as. Los da os son ca gados a a ´
es de una API a un
cuade nillo que es compa ible an o con SageMake como con Google
Colab, p oduciendo esul ados simila es en ´
e minos de iempo y e icacia.
Pa a es a a qui ec u a, hemos op ado po u iliza Google Colab debido
a su accesibilidad sin cos o. El modelo esul an e no es un a chi o de pesos
con encional, sino un a chi o .p compa ible con PyTo ch, lo cual implica
un cambio signi ica i o en la ges i´
on del modelo. Dado que YOLO 5 no
se in eg a di ec amen e en las unciones Lambda de AWS debido a las
exigencias de ha dwa e, como una GPU, pa a su uncionamien o ´
op imo,
nos en en amos a es icciones en la implemen aci´
on di ec a en AWS
Lambda.
La soluci´
on p o isional ha sido u iliza Amazon SageMake o Google
Colab pa a ecibi es e modelo y ealiza las de ecciones, gene ando un
a chi o . x que puede se p ocesado pos e io men e en una unci´
on
58
YOLO pa a e su e oluci´
on.
Finalmen e, hemos expe imen ado con YOLO 8, ealizando ajus es
simila es a los de YOLO 5 en los pa ´
ame os de en enamien o. Se ha
con igu ado un ama˜
no de ba ch m´
as peque˜
no y se ha ap o echado
la unci´
on de ea ly s opping pa a de ene el en enamien o cuando no
se obse a an mejo as signi ica i as. Los esul ados ob enidos han sido
posi i os, demos ando un buen endimien o del modelo pa a el ama˜
no
limi ado del da ase .
La pen´
ul ima ase del p oyec o ha sido la in e p e aci´
on de las salidas
de los modelos que supuso la implemen aci´
on de es a egias pa a alida
conexiones en e los elemen os de la ed a pa i de sus coo denadas.
Tambi´
en, la gene aci´
on del a chi o inal pa a GNS3 implic´
o el es udio y
dise˜
no del a chi o que que ´
ıamos da como salida en o ma o .gns3.
Pa a inaliza , hemos p obado los modelos YOLO con odos los a chi os
del da ase y pa a gene a los a chi os en base a es os, ambi´
en se han
ealizado de o ma pa alela 6 gene aciones de opolog´
ıas pa a comp oba
si sal´
ıan de o ma co ec a co iendo la unci´
on lambda a ias eces con
los mismos da os de de ecci´
on. Es as p uebas han pe mi ido alida la
e icacia de nues as es a egias y ajus es, ga an izando la capacidad del
sis ema pa a maneja m´
ul iples a eas de o ma simul ´
anea y e ec i a.
6.2. E aluaci´on del Rendimien o de los Modelos de
De ecci´on
La selecci´
on y op imizaci´
on de modelos de de ecci´
on de obje os
son c uciales pa a el ´
exi o de p oyec os que in oluc an isi´
on
po compu ado a, especialmen e en aplicaciones que equie en la
ans o maci´
on de da os isuales complejos en ep esen aciones digi ales
p ocesables. En es e p oyec o, se e alua on es modelos a anzados:
YOLO 4 Da kne , YOLO 5 y YOLO 8. Cada uno de es os modelos o ece
ca ac e ´
ıs icas ´
unicas en ´
e minos de p ecisi´
on, elocidad y consumo de
ecu sos compu acionales.
6.2.1. E aluaci´on de YOLO 4 Da kne
Aunque YOLO 4 ha sido econocido po su al a p ecisi´
on en la
de ecci´
on de obje os, nos en en amos a desa ´
ıos signi ica i os debido
a la obsolescencia de algunas biblio ecas y a la in ensidad de ecu sos
eque ida pa a su en enamien o. Es e modelo mos ´
o una al a p ecisi´
on
en la de ecci´
on, pe o su con igu aci´
on y el ambien e de en enamien o en

59
Google Colab limi a on su aplicabilidad debido a es icciones de iempo
y memo ia.
6.2.2. T ansici´on y Op imizaci´on con YOLO 5
Al expe imen a con YOLO 5, obse amos mejo as en la elocidad
de en enamien o y una ges i´
on m´
as e icien e de los ecu sos
compu acionales. Es e modelo pe mi i´
o una mayo lexibilidad en la
adap aci´
on de los pa ´
ame os, como el ama˜
no del ba ch y el n´
ume o de
´
epocas, pa a e i a el sob eajus e y mejo a la gene alizaci´
on del modelo.
Los esul ados ue on p ome edo es, o eciendo un balance adecuado
en e p ecisi´
on y elocidad, adecuado pa a nues o conjun o de da os de
ama˜
no mode ado.
6.2.3. Implemen aci´on de YOLO 8
La in oducci´
on de YOLO 8 ma c´
o un a ance signi ica i o,
especialmen e en ´
e minos de e iciencia ope a i a y manejo de ecu sos.
La capacidad de YOLO 8 pa a de ene au om´
a icamen e el en enamien o
cuando no se obse an mejo as signi ica i as (ea ly s opping) op imiz´
o el
uso de la nube, minimizando los cos os compu acionales sin sac i ica la
calidad de la de ecci´
on.
6.2.4. Compa aci´on de Modelos y Selecci´on Final
La compa a i a en e los modelos demos ´
o que YOLO 8 es el m´
as
adecuado pa a aplicaciones que equie en una al a e iciencia en iempo
eal y un manejo ´
op imo de ecu sos. Sin emba go, la elecci´
on del modelo
adecuado debe conside a an o el con ex o de aplicaci´
on espec´
ı ico como
las limi aciones de ecu sos. En nues o caso, YOLO 8 p opo cion´
o el
mejo equilib io, p epa ando el p oyec o pa a una implemen aci´
on m´
as
amplia y e icien e.
Es a e aluaci´
on del endimien o no solo undamen a nues a selecci´
on
de modelo, sino que ambi´
en con ex ualiza la discusi´
on sob e los cos os
ope a i os que se explo a ´
an en la siguien e secci´
on, des acando c´
omo la
e iciencia del modelo in luye di ec amen e en la iabilidad econ´
omica del
p oyec o.
6.3. Ap oximaci´on de Cos es pa a Funci´on Lambda
Dado que los p ecios de AWS son a iables, es i al ealiza una
ap oximaci´
on de cos es pa a la plani icaci´
on p esupues a ia. Pa a una
unci´
on Lambda con 250 MB de memo ia y una du aci´
on m´
axima de 15
60
segundos, p ocedemos a calcula los cos os asociados.
6.3.1. C´alculo de Cos os
Los cos os de AWS Lambda se descomponen en cos o po pe ici´
on y
cos o po c´
ompu o. El c´
alculo se puede ep esen a de la siguien e mane a:
Cos o Funci´
on Lambda =Cos o po Pe ici´
on +Cos o po C´
ompu o
Funci´
on (250 MB, 15 s) =n
106×0,2 +250
1024 ×15×n×0,00001667
donde n ep esen a el n´
ume o de ejecuciones de la unci´
on.
6.3.2. An´alisis de Cos os
Pa a una mejo isualizaci´
on de es os cos os, p opo cionamos una abla
esumen con los cos os es imados pa a un lo e de p ocesamien o de 1000
a chi os:
Cuad o 6.1: Resumen de Cos os y Tiempos pa a un Lo e de P ocesamien o (1000 a chi os
en o al)
Funci´on Tiempo (s) Cos o (USD)
Funci´
on Lambda (P ocesamien o) 15 $0.06125
To al 15 $0.06125
6.3.3. Discusi´on
Los cos os calculados a ojan luz sob e la e iciencia y iabilidad
econ´
omica de u iliza AWS Lambda pa a el p ocesamien o se e less
en nues o p oyec o. A pesa de la baja a i a uni a ia, el cos o o al
puede inc emen a se signi ica i amen e con el aumen o del n´
ume o de
ejecuciones, lo cual es c ´
ı ico pa a p oyec os a g an escala. Es os esul ados
nos pe mi en conside a ajus es en la memo ia asignada o la op imizaci´
on
del iempo de ejecuci´
on pa a con ola mejo los gas os ope a i os.
6.3.4. Conclusiones
Es a ap oximaci´
on nos pe mi e an icipa el p esupues o necesa io pa a
el despliegue de unciones se e less en un en o no eal, y sub aya la
impo ancia de op imiza an o el c´
odigo como la asignaci´
on de ecu sos
pa a minimiza los cos os ope acionales.
61
6.4. Obje i os Realizados
Podemos des aca que, si bien el p oyec o ha cumplido g an pa e
de los obje i os plan eados en la in oducci´
on, exis en ´
a eas donde a´
un
se necesi a abajo adicional. El p og ama desa ollado ha demos ado
su capacidad pa a in e p e a dibujos de opolog´
ıas de ed y gene a
au om´
a icamen e un a chi o compa ible con GNS3 que ep esen a los
nodos, pe o ha quedado como abajo u u o el o ma eado de los Enlaces
pa a segui el es anda de .gns3. Aunque los obje i os no se han log ado
en su o alidad, el p oyec o ha sen ado las bases pa a u u as mejo as y
desa ollos.
6.5. An´alisis C ´ı ico de los Resul ados
En es e p oyec o, se ha lle ado a cabo una explo aci´
on exhaus i a de la
gene aci´
on au om´
a ica de opolog´
ıas de ed a a ´
es del econocimien o
de dibujos manusc i os, u ilizando pa a ello modelos a anzados de
de ecci´
on de obje os como YOLO 4, YOLO 5 y YOLO 8. A pesa de
los a ances signi ica i os y los esul ados alen ado es ob enidos, es
impo an e econoce las limi aciones y desa ´
ıos en en ados du an e el
desa ollo.
Uno de los p incipales e os ha sido la a iabilidad en la calidad
del econocimien o de los dibujos, lo cual ha pues o de mani ies o la
impo ancia de un p ep ocesamien o e icaz y una ano aci´
on p ecisa del
da ase . Aunque se han hecho es ue zos pa a mejo a la calidad del
da ase median e ´
ecnicas de aumen o de da os y con e si´
on a escala de
g ises, el p incipio de “ga bage in, ga bage ou ” sigue siendo una ba e a
signi ica i a pa a la op imizaci´
on del endimien o del modelo.
Adem´
as, el uso de pla a o mas como Google Colab y AWS Lambda ha
p esen ado desa ´
ıos elacionados con la limi aci´
on de ecu sos y la ges i´
on
de cos os compu acionales, especialmen e cuando se abaja con modelos
compu acionalmen e demandan es como YOLO 4. Aunque las e siones
m´
as ecien es, como YOLO 8, han mos ado mejo as en e iciencia y
endimien o, la ansici´
on de YOLO 4 a YOLO 8 ha eque ido ajus es
signi ica i os en los pa ´
ame os de en enamien o y con igu aci´
on.
62
6.6. T abajo Fu u o
Mi ando hacia el u u o, hay a ias ´
a eas de mejo a y expansi´
on
que pod ´
ıan en iquece a´
un m´
as es e p oyec o. P ime o, se p opone la
expansi´
on del da ase con m´
as dibujos y a iaciones pa a mejo a la
obus ez del modelo en e a a iaciones en los da os de en ada. Es o
inclui ´
ıa la explo aci´
on de ´
ecnicas adicionales de aumen o de da os y
la posible in eg aci´
on de ap endizaje semi-supe isado o no supe isado
pa a ap o echa los da os no e ique ados.
Tambi´
en se ´
ıa bene icioso explo a algo i mos al e na i os de
econocimien o de obje os que puedan o ece un mejo equilib io
en e p ecisi´
on, elocidad y cos os compu acionales. Po ejemplo, la
implemen aci´
on de edes neu onales m´
as lige as o la pe sonalizaci´
on de
modelos exis en es pa a adap a los espec´
ı icamen e a las necesidades y
limi aciones del p oyec o.
Finalmen e, pa a abo da las cues iones de escalabilidad y ges i´
on de
ecu sos en la nube, se ecomienda una in es igaci´
on m´
as p o unda sob e
las a qui ec u as se e less y los modelos de p ecios en pla a o mas como
AWS. Es o ayuda ´
ıa a op imiza los cos os y mejo a la e iciencia ope a i a
del sis ema p opues o.
Chap e 6. Resul s, Measu emen s, and
Conclusions
6.1. Me hodology o Measu emen and Cos Tes ing
Du ing his p ojec , we explo ed he p ocess om gene a ing and
p epa ing he da ase , h ough expe imen ing wi h di e en models, o
de eloping s a egies o in e p e ing he inal da a and uploading o AWS
cloud. This wo k has allowed us o ha e an o e iew o he en i e p ocess
in ol ed in c ea ing compu e ision-o ien ed p ojec s.
The i s pa has been he mos me iculous, as we had o gene a e a
da ase om sc a ch. We used he Robo low pla o m o manually label 80
d awings, which we conside a solid base on which o la e gene a e mo e
d awings using da a-augmen a ion echniques. This esul ed in a o al o
136 images. Addi ionally, we p e-p ocessed he images by con e ing hem
om g ayscale o ensu e uni o mi y in he da a se and o p epa e i o
aining he models. This p ocess p o ided us wi h a cohe en and di e se
da ase o ou p ojec .
The nex phase o he p ojec in ol ed expe imen ing wi h he YOLO 4
Da kne , YOLO 5, and YOLO 8 models. The se up p ocess o YOLO 4
was edious due o he obsolescence o many ools and lib a ies, which
c ea ed con lic s when ying o compile he p ojec in Da kne . Mo eo e ,
he compu a ional cos was high, especially when a emp ing o ain he
model on Google Colab wi h limi ed esou ces.
In ligh o hese di icul ies, we explo ed newe e sions like
YOLO 5, which o e s be e suppo and pe o mance in esou ce-limi ed
en i onmen s. We adjus ed he aining pa ame e s o ailo he model
o ou speci ic case, including educing he ba ch size and inc easing
he numbe o epochs. This p ocess also p esen ed challenges, as we did
no wan o all in o o e i ing wi h he adjus men s made. The esul s
ob ained wi h his model we e p omising, bu we expe imen ed wi h he
la es e sion o YOLO o see i s e olu ion.
Finally, we expe imen ed wi h YOLO 8, making simila adjus men s o
he aining pa ame e s as wi h YOLO 5. We se up a smalle ba ch size
and u ilized he ea ly s opping ea u e o hal aining when no signi ican
imp o emen s we e obse ed. The esul s we e posi i e, demons a ing
63

64
good model pe o mance gi en he limi ed size o he da ase .
The penul ima e phase o he p ojec was he in e p e a ion o he model
ou pu s, which in ol ed implemen ing s a egies o alida e connec ions
be ween ne wo k elemen s based on hei coo dina es. Also, gene a ing
he inal ile o GNS3 in ol ed s udying and designing he ile we wan ed
o ou pu in .gns3 o ma .
In conclusion, we es ed he YOLO models wi h all he iles in he
da ase and o gene a e he iles based on hese, we also conduc ed six
pa allel gene a ions o opologies o check i hey we e p oduced co ec ly
by unning he lambda unc ion mul iple imes wi h he same de ec ion
da a. These es s ha e alida ed he e ec i eness o ou s a egies and
adjus men s, ensu ing he sys em’s abili y o handle mul iple asks
simul aneously and e ec i ely.
6.2. Pe o mance E alua ion o De ec ion Models
The selec ion and op imiza ion o objec de ec ion models a e c ucial
o he success o p ojec s in ol ing compu e ision, especially in
applica ions ha equi e he ans o ma ion o complex isual da a in o
p ocessable digi al ep esen a ions. In his p ojec , we e alua ed h ee
ad anced models: YOLO 4 Da kne , YOLO 5, and YOLO 8. Each o hese
models o e s unique ea u es in e ms o accu acy, p ocessing speed, and
compu a ional esou ce consump ion.
6.2.1. E alua ion o YOLO 4 Da kne
Al hough YOLO 4 has been ecognized o i s high objec de ec ion
accu acy, we aced signi ican challenges due o he obsolescence o some
lib a ies and he esou ce in ensi y equi ed o aining. This model
demons a ed high accu acy in de ec ion, bu i s con igu a ion and he
aining en i onmen on Google Colab limi ed i s applicabili y due o ime
and memo y cons ain s.
6.2.2. T ansi ion and Op imiza ion wi h YOLO 5
When expe imen ing wi h YOLO 5, we obse ed imp o emen s
in aining speed and mo e e icien managemen o compu a ional
esou ces. This model allowed g ea e lexibili y in adap ing pa ame e s,
such as ba ch size and numbe o epochs, o p e en o e i ing and
enhance model gene aliza ion. The esul s we e p omising, o e ing
a sui able balance be ween accu acy and speed, app op ia e o ou
65
mode a ely sized da ase .
6.2.3. Implemen a ion o YOLO 8
The in oduc ion o YOLO 8 ma ked a signi ican ad ancemen ,
especially in e ms o ope a ional e iciency and esou ce managemen .
YOLO 8’s abili y o au oma ically s op aining when no signi ican
imp o emen s a e obse ed (ea ly s opping) op imized cloud usage,
minimizing compu a ional cos s wi hou sac i icing de ec ion quali y.
6.2.4. Model Compa ison and Final Selec ion
The compa ison be ween he models demons a ed ha YOLO 8 is
mos sui able o applica ions ha equi e high eal- ime e iciency and
op imal esou ce managemen . Howe e , he choice o he igh model
should ake in o accoun bo h he speci ic applica ion con ex and esou ce
limi a ions. In ou case, YOLO 8 p o ided he bes balance, p epa ing he
p ojec o a wide and mo e e icien implemen a ion.
This pe o mance e alua ion no only subs an ia es ou model
selec ion, bu also con ex ualizes he discussion on ope a ional cos s o be
explo ed in he ollowing sec ion, highligh ing how he e iciency o he
model di ec ly in luences he economic iabili y o he p ojec .
6.2.5. Cos Analysis
Fo be e isualiza ion o hese cos s, we p o ide a summa y able wi h
he es ima ed cos s o p ocessing a ba ch o 1000 iles:
Cuad o 6.2: Summa y o Cos s and Times o a P ocessing Ba ch (1000 iles o al)
Func ion Time (s) Cos (USD)
Lambda Func ion (P ocessing) 15 $0.06125
To al 15 $0.06125
6.2.6. Discussion
The calcula ed cos s shed ligh on he e iciency and economic iabili y
o using AWS Lambda o se e less p ocessing in ou p ojec . Despi e he
low uni a e, he o al cos can inc ease signi ican ly wi h he numbe o
execu ions, which is c i ical o la ge-scale p ojec s. These esul s allow us
o conside adjus men s in memo y alloca ion o op imiza ion o execu ion
ime o be e con ol ope a ional expenses.
66
6.2.7. Conclusions
This app oach allows us o an icipa e he budge needed o deploying
se e less unc ions in a eal en i onmen and highligh s he impo ance o
op imizing bo h he code and esou ce alloca ion o minimize ope a ional
cos s.
6.3. Achie ed Objec i es
I should be no ed ha , while he p ojec has me many o he
objec i es se ou in he In oduc ion, he e a e a eas whe e addi ional
wo k is needed. The de eloped p og am has demons a ed i s abili y o
in e p e ne wo k opology d awings and au oma ically gene a e a GNS3
compa ible ile ha ep esen s he nodes, bu u u e wo k emains o
be done on he o ma ing o he Links o ollow he .gns3 s anda d.
Al hough he objec i es ha e no been ully achie ed, he p ojec has laid
he g oundwo k o u u e imp o emen s and de elopmen s.
6.4. C i ical Analysis o Resul s
In his p ojec , an exhaus i e explo a ion o he au oma ic gene a ion o
ne wo k opologies h ough he ecogni ion o handw i en d awings was
ca ied ou , u ilizing ad anced objec de ec ion models such as YOLO 4,
YOLO 5 and YOLO 8. Despi e signi ican ad ances and encou aging
esul s ob ained, i is impo an o ecognize he limi a ions and challenges
encoun e ed du ing de elopmen .
One o he main challenges has been he a iabili y in he quali y
o he d awings’ ecogni ion, which has highligh ed he impo ance o
e ec i e p ep ocessing and accu a e da ase anno a ion. Al hough e o s
ha e been made o imp o e he quali y o he da a se using da a
augmen a ion echniques and con e sion o g ayscale, he p inciple o
“ga bage in, ga bage ou ” emains a signi ican ba ie o op imizing
model pe o mance.
Mo eo e , he use o pla o ms like Google Colab and AWS Lambda has
p esen ed challenges ela ed o esou ce limi a ions and he managemen
o compu a ional cos s, especially when wo king wi h compu a ionally
demanding models such as YOLO 4. Al hough newe e sions, such as
YOLO 8, ha e shown imp o emen s in e iciency and pe o mance, he
ansi ion om YOLO 4 o YOLO 8 equi ed signi ican adjus men s in
aining pa ame e s and con igu a ions.
67
6.5. Fu u e Wo k
Looking ahead, he e a e se e al a eas o imp o emen and expansion
ha could u he en ich his p ojec . Fi s , an expansion o he da ase
wi h mo e d awings and a ia ions is p oposed o enhance he model’s
obus ness agains a ia ions in inpu da a. This would include explo ing
addi ional da a augmen a ion echniques and he po en ial in eg a ion o
semisupe ised o unsupe ised lea ning o le e age unlabeled da a.
I would also be bene icial o explo e al e na i e objec ecogni ion
algo i hms ha migh o e a be e balance be ween accu acy, speed,
and compu a ional cos s. Fo example, implemen ing ligh e neu al
ne wo ks o cus omizing exis ing models o speci ically sui he needs and
limi a ions o he p ojec .
Finally, o add ess issues o scalabili y and esou ce managemen in he
cloud, u he esea ch on se e less a chi ec u es and p icing models on
pla o ms like AWS is ecommended. This would help op imize cos s and
imp o e he ope a ional e iciency o he p oposed sys em.