BookClips: a web app for ebook annotations

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.