Evaluación de modelos de Deep Learning para el control de aforos en dispositivos de bajo consumo

E aluación de modelos de Deep Lea ning pa a el con ol de a o os en disposi i os de bajo consumo E alua ion o Deep Lea ning models o capaci y con ol in low consump ion de ices T abajo de Fin de G ado Cu so 2023–2024 Au o Pablo Sánchez-Rodilla Se ano Ja ie Gómez A ibas Di ec o Sand a Ca alán Palla és Se gio Be nabé Ga cía G ado en Ingenie ía In o má ica Facul ad de In o má ica Uni e sidad Complu ense de Mad id E aluación de modelos de Deep Lea ning pa a el con ol de a o os en disposi i os de bajo consumo E alua ion o Deep Lea ning models o capaci y con ol in low consump ion de ices T abajo de Fin de G ado en Ingenie ía In o má ica Au o Pablo Sánchez-Rodilla Se ano Ja ie Gómez A ibas Di ec o Sand a Ca alán Palla és Se gio Be nabé Ga cía Con oca o ia: Mayo 2024 G ado en Ingenie ía In o má ica Facul ad de In o má ica Uni e sidad Complu ense de Mad id 27 de Mayo de 2024 Dedica o ia A noso os, po siemp e habe con iado el uno en el o o y nunca endi se. Ag adecimien os Que emos exp esa nues o más p o undo ag adecimien o a Sand a y Se gio, nues os u o es, po su in ini a paciencia a lo la go de odo el cu so. Nos han acom- pañado en es e la go camino b indándonos la ayuda necesa ia en cada momen o, siendo cons an es en su apoyo y o eciendo epe idamen e aliosos consejos y di ec- ices que han sos enido es e abajo en los momen os más di íciles. Pe iTambién ex endemos nues o ag adecimien o po el apoyo incondicional de nues- as amilias y amigos a lo la go de odo es e p oceso. Pe iFinalmen e, que emos ag adece a nues os compañe os y excompañe os de ca- e a, en especial a Alejand o-Daniel Díaz Román, quien nos inspi ó al inicio del TFG y nos ayudó a en oca nos en nues os obje i os. ii Resumen E aluación de modelos de Deep Lea ning pa a el con- ol de a o os en disposi i os de bajo consumo Es e T abajo de Fin de G ado (TFG) se en oca en el desa ollo y e aluación de un sis ema de ges ión y con ol de a o os en e en os, u ilizando modelos de de ección de obje os y disposi i os de bajo consumo. La mo i ación p incipal del p oyec o a- dica en la necesidad de mejo a la segu idad y e iciencia en la ges ión de mul i udes, especialmen e en con ex os donde el con ol del núme o de asis en es es c ucial. Pe iPa a una mejo comp ensión del uncionamien o de es os modelos y su apli- cación en la de ección de obje os, se p esen an concep os esenciales sob e el ema. Pe iEl TFG busca lle a es os concep os eó icos al ámbi o p ác ico del con ol de a o os. Po ello, se ealiza una in es igación sob e los en o nos de desa ollo y ejecución en los que se abaja, además de analiza el disposi i o de bajo consumo, la Raspbe y Pi 4, que se u iliza y la a qui ec u a del sis ema que se p e ende lle a a cabo. Pe iFinalmen e, se p opo ciona una explicación de allada sob e los conjun os de da os u ilizados, las con igu aciones aplicadas du an e los en enamien os de los di- e en es modelos de edes neu onales p obados, y una e aluación exhaus i a de los esul ados ob enidos. Pudiendo de es a mane a ealiza una conclusión de odo el abajo. Palab as cla e In eligencia A i icial, modelo, da ase , en enamien o, ed neu onal, a qui ec u a. ix Índice de ablas 3.1. Di e encias en e a qui ec u as de YOLO 8. . . . . . . . . . . . . . . 25 3.2. GPU de Google Colab P o. . . . . . . . . . . . . . . . . . . . . . . . 27 4.1. Es uc u a del conjun o de da os pa a E icien De . . . . . . . . . . . 31 4.2. Es uc u a del conjun o de da os pa a SSD-MobileNe y YOLO 8. . . 31 5.1. Mé icas de E icien De . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2. Mé icas de SSD-MobileNe . . . . . . . . . . . . . . . . . . . . . . . . 43 5.3. Mé icasdeYOLO 8. .......................... 44 5.4. Compa ación de p ecisión y elocidad. . . . . . . . . . . . . . . . . . 45 x ii Cap´ ı ulo 1 In oducción En es e p ime capí ulo se p esen a una in oducción a es e TFG, el cual abo da el desa ollo de una solución pa a el con ol de a o os en e en os median e el uso de in eligencia a i icial (IA) y su ejecución en sis emas de bajo consumo. Pe iEn la ac ualidad, la ges ión y con ol e icien e del a o o en e en os se ha con e i- do en una p eocupación c ecien e, no solo pa a ga an iza la segu idad y comodidad de los asis en es, sino ambién pa a cumpli con las no ma i as es ablecidas y op i- miza el uso de los ecu sos disponibles. Pe iCuando se a a de con a las pe sonas que hay p esen es en un luga conc e o, se puede ecu i a múl iples mé odos an udimen a ios como el hecho de ealiza un con eo con los dedos de las manos, o median e el uso de con ado es analógicos muy u ilizados po el pe sonal de segu idad que o ma pa e de odo ipo de e en os. Pe iEn las úl imas décadas se han desa ollado modelos au oma izados que son capaces de con ola el a o o de pe sonas y o os indi iduos en espacios con un pe- íme o ce ado en donde se es ablecen uno o a ios pun os de en ada y salida. Po ejemplo, el Me o de Mad id limi a las en adas y salidas colocando o nos capaces de suma o es a una unidad al a o o o al cada ez que se u ilizan, ambién, en mul i ud de es ablecimien os se implemen an senso es in a ojos que a a és del mo imien o de ec an la en ada o salida de un indi iduo del luga , e c. Pe iEl p oblema su ge cuando se quie e ealiza el con ol del a o o de un e en o lle ado a cabo en un espacio de g andes dimensiones, abie o al público y en donde no hay un con ol del núme o de en adas y salidas ( eáse Figu a 1.1 (TheObjec i e, 2018)). Pa a lle a un con ol del a o o en es e ipo de e en os se han desa ollado mé odos más a anzados como sis emas de seguimien o po adio ecuencia, aplica- ciones de elé onos in eligen es con geolocalización o modelos de in eligencia a i icial capaces de de ec a y con a odas las pe sonas si uadas en el á ea de celeb ación del e en o. Es la implemen ación de es e úl imo ecu so el obje i o que se ha p opues o consegui du an e el desa ollo de es e TFG. 1 2Capí ulo 1. In oducción Figu a 1.1: Aglome ación de pe sonas en un espacio sin con ol. 1.1. Mo i ación El TFG en el que nos hemos is o en uel os du an e es e cu so ha sido una expe iencia e dade amen e en iquecedo a que nos ha lle ado a una expansión sig- ni ica i a de nues os conocimien os an o a ni el académico como p o esional. Aun- que pa íamos con escasos conocimien os p e ios, el desa ío de aden a nos en el ascinan e mundo de la in eligencia a i icial y su aplicación en la ges ión y con ol de a o os median e su posible in eg ación en disposi i os de bajo consumo nos ha cau i ado po comple o. Pe iDu an e es e abajo, hemos enido la opo unidad de sume gi nos en un uni e - so ecnológico ascinan e y no edoso, explo ando las complejidades y posibilidades de la u ilización de la IA en el con ol y ges ión de e en os. Es a inme sión no solo nos ha p opo cionado un p o undo en endimien o eó ico, sino que ambién nos ha pe mi ido desa olla habilidades p ác icas en la implemen ación y ope ación de es a ecnología. Pe iNues o comp omiso con es e TFG a más allá de la me a in es igación académi- ca. Nos impulsa una i me con icción en el po encial ans o mado de la ecnología cuando se emplea con esponsabilidad. Al cen a nues os es ue zos en desa olla una he amien a e icaz pa a la ges ión y con ol de a o os en e en os, aspi amos a con ibui ue emen e en la segu idad y el bienes a de la sociedad. Po ello, isua- lizamos es e abajo como un paso adelan e en la c eación de soluciones inno ado as que abo den desa íos con empo áneos, y es amos emocionados po el impac o posi- i o que nues a labo puede ene en la comunidad y más allá. 1.2. Obje i os 3 1.2. Obje i os El p incipal obje i o de es e TFG es la e aluación de a ios modelos de in eli- gencia a i icial p eexis en es, capaces de econoce y con a las pe sonas p esen es en un a chi o de en ada, que puede se una imagen, g abación o ansmisión en di ec o, p ocesado po un disposi i o de bajo consumo. Pe iEn p ime luga , pa a log a el obje i o p incipal, es necesa io la aplicación de écnicas de IA, especí icamen e el uso de edes neu onales con olucionales, ya que o ecen una ía p ome edo a pa a abo da es e desa ío de mane a e ec i a. Mo- delos como SSD (Uni e si y, 2020b) y YOLO (YOLO, 2023) han demos ado su capacidad pa a ealiza a eas de de ección y seguimien o de obje os en iempo eal, lo que los con ie e en he amien as ideales pa a el moni o eo y con ol del lujo de pe sonas en en o nos de e en os. Pe iAl in eg a es as ecnologías en el desa ollo de nues a solución, buscamos no solo au oma iza el p oceso de con eo de asis en es, sino ambién ob ene in o ma- ción en iempo eal sob e la densidad de pe sonas en di e en es á eas del e en o. Pe i Además, se ha o ien ado el diseño del sis ema pa a que pueda se implemen ado en una placa de bajo cos e y consumo, lo que pe mi e su in eg ación en disposi i os de bajo consumo que ope en en iempo eal. Den o de es e diseño se ha desa ollado una in e az g á ica desde la que se puede accede a es e disposi i o y p oba los modelos en enados y obse a los esul ados de una o ma más ácil e in ui i a. Pe iPo o o lado, es undamen al la ejecución de un co ec o en enamien o con un conjun o de da os especí ico pa a que la capacidad del modelo pa a la de ección y con eo de pe sonas no es é limi ada po la calidad de la en ada, su pe spec i a, el amaño del suje o, e c. 1.3. Plan de abajo Du an e la o alidad del desa ollo de es e TFG, las a eas han sido me iculosa- men e bien es ablecidas, ayudando así a di idi la ca ga de abajo y esponsabili- dades en e ambos miemb os del equipo. En la Figu a 1.2 p esen amos un diag ama de Gan o ien a i o de la plani icación de es e TFG. Pe iInicialmen e, nos basamos en el TFG lle ado a cabo po Alejand o-Daniel Díaz Guzmán du an e el cu so académico 2022-2023. Su abajo, cen ado en la Simula- ción de Vuelo Au ónomo de UAV pa a misiones de búsqueda y esca e, si ió como pun o de pa ida pa a si ua nos en el con ex o adecuado, es uc u a nues o aba- jo y comenza nues as in es igaciones. Pe iEn los p ime os meses pos e io es, nos dedicamos a la búsqueda e in es igación de simulado es de d ones g a ui os que ue an compa ibles con nues os equipos, 4Capí ulo 1. In oducción así como capaces de ca ga con enido mul imedia pa a su pos e io p ocesamien o. Aunque es a búsqueda esul ó no ene éxi o, es a expe iencia ma có una e olución en el en oque de es e TFG, dejando en segundo plano la in eg ación de un d on en el sis ema. Pe iPos e io men e, nos cen amos ápidamen e en el con enido más sus ancial: la búsqueda, en enamien o y e aluación de modelos de edes neu onales con olucio- nales especializados en la de ección de obje os. Pe iFinalmen e, es e TFG ha es ado en ocado en la e aluación y compa ación de los esul ados ob enidos po los modelos seleccionados y la ealización de la memo ia del abajo. Figu a 1.2: Diag ama de Gan con la plani icación del TFG. 1.4. Es uc u a del documen o Es e documen o es á o ganizado en 6 capí ulos. A con inuación, se enume an odos ellos acompañados de un b e e esumen: Capí ulo 1: In oducción. Es e capí ulo es en el que se encuen a el lec- o en es e p eciso ins an e. Es e capí ulo in oduce el TFG y habla de las mo i aciones, obje i os, plan de abajo y es uc u a del documen o. Capí ulo 2: Es ado del A e. Es e capí ulo in oduce los concep os un- damen ales pa a la comp ensión de es e TFG. Habla del Deep Lea ning y del 1.4. Es uc u a del documen o 5 uncionamien o y ipos de las edes neu onales con las que se abaja en la ac ualidad. Además, en a en de alle en el g an pa adigma de la in eligencia a i icial y las aplicaciones que puede llega a ene . Capí ulo 3: A qui ec u a del sis ema Es e capí ulo desc ibe la a qui ec- u a del sis ema que se quie e implemen a , a a an o la pa e de ha dwa e como la pa e de so wa e. Capí ulo 4: P ocesos de los en enamien os Es e capí ulo desc ibe el p oceso de en enamien o de un modelo p eexis en e, desde la p epa ación del conjun o de da os has a la p epa ación del en enamien o y su con igu ación. Capí ulo 5: E aluación y esul ados: Es e capí ulo desc ibe los esul ados ob enidos con cada uno de los modelos p epa ados. Además, p esen a un b e e análisis de los mismos haciendo dis in as compa aciones écnicas. Capí ulo 6: Conclusiones y T abajo a Fu u o: Es e capí ulo incluye las conclusiones ob enidas una ez inalizado el abajo y p opone una se ie de con ibuciones u u as. Cap´ ı ulo 2 Es ado del A e La in eligencia a i icial ha sido c eada con el p opósi o de imi a el compo - amien o del ce eb o humano. Desde los años 50 con la P ueba de Tu ing, se lle a desa ollando conscien emen e el concep o de in eligencia a i icial. Se han cons ui- do sis emas que es án a disposición de odos y que son muy accesibles en el día a día del se humano. Algunos ejemplos son los sis emas de ecomendaciones de películas de las pla a o mas de TV on Demand, los asis en es i uales como Si i oAlexa o los algo i mos de econocimien o acial. En es e TFG se seleccionan una se ie de modelos de in eligencia a i icial que se u iliza án pa a la de ección de obje os, más conc e amen e, en la de ección de pe sonas. Pe iHan sido a ios los es udios p e ios que han empleado modelos de de ección de obje os en una amplia a iedad de con ex os. Tan o gobie nos como ins i uciones p i adas han desa ollado sis emas de igilancia u bana, con ol de a o o en e en os masi os, moni o eo de on e as y pun os de con ol, así como aplicaciones en segu- idad ae opo ua ia. A con inuación, se desc iben algunos sis emas e in es igaciones ac uales que ilus an el uso y la ele ancia de es os modelos en di e sas aplicaciones: Desde 2013 Elon Musk ha es ado abajando en Tesla Au oPilo (Tesla, 2024), un sis ema de asis encia al conduc o a anzado que mejo a la segu idad y la comodidad al olan e. Es e sis ema se enca ga de de ec a obje os y señales, además de oma decisiones de o ma au omá ica. Comenzando en 2016, Amazon ha ido implemen ado en sus iendas Amazon Go (BBC, 2018) un sis ema a anzado de de ección de obje os que pe mi e a los clien es ealiza la comp a sin pasa po caja, sin ene con ac o con el pe sonal de la ienda, y sin ene que hace cola. Amazon Go u iliza una combinación de cáma as, senso es y algo i mos de IA, que pe mi en iden i ica au omá icamen e los p oduc os que el clien e selecciona pa a ealiza un cob o di ec amen e a su cuen a de Amazon. La Policía de Lond es implemen ó en 2018 un sis ema de igilancia u bana basado en IA desa ollado en colabo ación con Facewa ch (Facewa ch, 2024). Se a a de un sis ema que de ec a obje os pa a iden i ica ac i idades sospe- chosas o delic i as en zonas muy pobladas. 7 14 Capí ulo 2. Es ado del A e 3. Capa de ag upación (Pooling): es a capa educe el amaño de la imagen y esal a sus ca ac e ís icas más no ables median e la ope ación de ag upación, que educe un conjun o de en anas de il o a una en ana más pequeña, omi iendo píxeles sin con as e signi ica i o. En el siguien e pun o se explica en de alle es e p oceso. La ope ación de ag upación más común es el Max Pooling, en la cual, si las en anas de il os son de 3x3 píxeles, se selecciona el píxel con el mayo alo de colo . Después de una capa de con olución, gene almen e se aplica una capa de ac i ación y una de ag upación. Se pueden añadi múl iples conjun os de es as capas según sea necesa io, pe mi iendo que el modelo ag upe igu as y pa ones cada ez más complejos. 4. Capa de ac i ación (ReLU): cada neu ona pasa po una unción de ac i ación que conside a los umb ales. La unción de ac i ación comúnmen e u ilizada es la ReLU (Rec i ied Linea Uni )(Jaca , 2023), que ecoge odos los alo es nega i os ecibidos en la en ada y los pone a 0, pe mi iendo que solo los alo es posi i os pasen. En la Figu a 2.5 (UPM, 2021) se puede e el p oceso de la en ana de il o en la capa de de ac i ación. 5. Función So Max: es a unción ans o ma la salida de los nodos en p obabili- dades. De es e modo, en la salida de la ed neu onal, se mues a la p obabilidad de que una egión de la imagen co esponda a un obje o especí ico. Figu a 2.5: P oceso de una en ana de il o. 2.3. Modelos de CNN pa a la de ección de obje os La de ección de obje os (Ma hWo ks, 2018) es una disciplina de la in eligencia a i icial que capaci a a los sis emas in o má icos pa a iden i ica elemen os den o de una imagen al compa a la con pa ones p e iamen e conocidos. Pe iPa a es e TFG, se han elegido di e sos modelos de CNN especí icamen e di- señados pa a la de ección de obje os, cen ándonos en la iden i icación de pe sonas du an e un e en o. Es os modelos de CNN pueden ealiza la de ección de obje os en una o dos e apas. En es e caso, se han seleccionado modelos que emplean una 2.3. Modelos de CNN pa a la de ección de obje os 15 sola e apa de de ección debido a su mayo elocidad de p ocesamien o, lo que e- sul a undamen al pa a es e p oyec o, donde se equie e ealiza las de ecciones de pe sonas p ác icamen e en iempo eal. 2.3.1. YOLO YOLO (You Only Look Once) es un modelo muy popula den o de la de ección de obje os y la segmen ación de imágenes (YOLO, 2023). Fue lanzado y desa olla- do en 2015 po Joseph Redmon y Ali Fa hadi en la Uni e sidad de Washing on y cuen a con nue e e siones disponibles. Pe iTodas las e siones han mejo ado aspec os más o menos signi ica i os que sus p edeceso as pe o las más impo an es son: YOLO 1: es el modelo p imigenio que p edice cuad os delimi ado es y p oba- bilidades de la clase del obje o di ec amen e a pa i de imágenes comple as en una sola e apa. YOLO 4: en 2020 se in oduje on inno aciones como el aumen o de da os mosaico y g anulados, un nue o cabezal de de ección sin anclajes y una nue a unción de pé dida. YOLO 5: mejo ó el endimien o y la op imización del modelo además de aña- di el seguimien o de obje os en ídeos. YOLO 8: es la e sión más no edosa y es la que u iliza emos pa a nues o p oyec o. YOLO 8 es la mejo e sión con la que cuen a ac ualmen e la ma ca Ul aly ics y con la que se ha abajado du an e es e TFG. YOLO 8 cuen a con una g an a ie- dad de modelos p een enados pa a p oba odas las a eas que puede ealiza que se pueden e en la Figu a 2.6 (Ul aly ics, 2024). Una p opiedad des acada de es e modelo es la de ección sin anclaje. El modelo ya no a a con a con las en anas de il o p e iamen e de inidas. Aho a el modelo a a p edeci el cen o de un posible obje o en ez de eco e la imagen de a iba a abajo al comple o con una en a- na. Con es a ca ac e ís ica se educe mucho el iempo compu acional y aumen a el endimien o. O a en aja que iene YOLO 8 es su p opiedad de seguimien o de obje os cuando analiza ídeos. Es a p opiedad pe mi e mejo a el con ol de a o os median e un pequeño azado de la ayec o ia de una pe sona en mo imien o. Pe iPa a lle a a cabo la de ección, p ime o se di ide la imagen en en anas de il o. Po cada en ana p edice de la o ma más p ecisa con una p obabilidad muy baja. Después de es e p oceso el modelo elimina esas en anas cuyas p edicciones sean meno es a un alo conc e o y, pos e io men e, elimina ambién obje os de ec- ados más de una ez. Pe iYOLO ya se ha u ilizado en algunos casos p ác icos como en la aplicación La- es Sigh ings (Ossend y e , 2011), una pla a o ma pa a conec a a los a icionados 16 Capí ulo 2. Es ado del A e a los sa a is con la ida sal aje del Pa que Nacional K uge de Sudá ica. Aho a en ez de que los usua ios iajen po el sa a i i ualmen e sin umbo, con YOLO iden i ica a is amien os de animales y coloca ma cado es en el mapa pa a señala las ubicaciones a los usua ios. También se ha u ilizado YOLO pa a e i a la caza u i a de animales median e su de ección po isión po compu ado a en zonas del mundo con di ícil acceso. Es o es una inicia i a de la Fundación Mundial de Ca- chemi a (de Cachemi a, 2008) pa a acaba con las emp esas que cazan especies en pelig o de ex inción o di íciles de encon a pa a la p oducción de a ículos lujosos. Figu a 2.6: Ta eas ealizables po YOLO 8. 2.3.2. E icien De E icien De (Uni e si y, 2020a) un modelo de de ección de obje os c eado po Google B ain (Google, 2024b) que usiona la e iciencia de la a qui ec u a E icien Ne ( éase Figu a 2.7) con la p ecisión de los algo i mos de de ección de obje os más a anzados y de úl ima gene ación. Es e modelo p ime o sugie e posibles á eas de la imagen donde pod ían es a ubicados los obje os an es de clasi ica los, lo que lo hace simple y e icien e, además de mejo a la capacidad de de ección. Pa ecido a lo que hace YOLO. Figu a 2.7: A qui ec u a E icien De . E icien De busca la combinación pe ec a en e endimien o y p ecisión pa a iden i ica obje os en imágenes, pa a ello se basa en dos op imizaciones: 2.3. Modelos de CNN pa a la de ección de obje os 17 Una es uc u a de ed pi amidal de ca ac e ís icas bidi eccionales ponde adas (BiFPN) que acili an la usión ápida y sencilla de ca ac e ís icas mul iesca- la en ambas di ecciones, de a iba hacia abajo y de abajo hacia a iba. Es o pe mi e que la ed conside e an o los de alles más pequeños como las ca ac- e ís icas más gene ales en la de ección de obje os. Un mé odo de escalado combinado que ajus a simul áneamen e odas las di- mensiones cla e del modelo E icien De , es deci , la ed oncal (backbone), la es uc u a BiFPN y las edes de clasi icación y de ección de cuad os deli- mi ado es. Es e ajus e u iliza un coe icien e compues o que equilib a an o la p ecisión como la e iciencia del modelo pa a ealiza cambios lineales y expo- nenciales en el ancho, la p o undidad y la esolución del modelo, lo que p o oca la c eación de a ios modelos E icien De , desde D0 a D7. Como se acaba de explica , E icien De p esen a di e en es e siones, desde D0 has a D7, cada una con a iaciones en e iciencia y p ecisión. Es as e siones se dis- inguen po su capacidad pa a equilib a la p ecisión en la de ección de obje os con el cos o compu acional eque ido pa a ejecu a el modelo. Pe iLa e sión D0 es la más lige a en é minos de ecu sos compu acionales, lo que la hace adecuada pa a aplicaciones en las que se equie e una de ección de obje os ápida y e icien e en disposi i os con ecu sos limi ados. A medida que se a anza hacia las pos e io es, la p ecisión en la de ección de obje os aumen a, pe o ambién lo hace la ca ga compu acional necesa ia pa a ejecu a el modelo. A con inuación se p esen an algunos de alles de dos e siones de E icien De : E icien De -D2 es la e sión de E icien De que se ha implemen ado en es e abajo, es un modelo que espe a una en ada con una esolución de 768x768 píxeles y alcanza un AP(A e age P ecision) de 43,9 en el conjun o de p uebas COCO (coco da ase , 2017) con 8,1 millones de pa áme os y 11 mil millones de FLOP (ope aciones en pun o lo an e po segundo). E icien De -D7, la úl ima e sión de la amilia de de ec o es de obje os E i- cien De , es un modelo que espe a una en ada con una esolución de 768x768 píxeles, alcanza un AP de 55,1 en el conjun o de p uebas COCO con 77 mi- llones de pa áme os y 410 mil millones de FLOP. Es a y o as a iaciones de E icien De no se han podido lle a a cabo en es e abajo po al a de memo ia. Pe iE icien De se u ilizó pa a el desa ollo del es udio: Clasi icación de imágenes de ul asonido mama io u ilizando E icien Ne V2 y a qui ec u as de edes neu onales (Nguyen, 2024), en la Uni e sidad de Can Tho, Vie nam. . Consis ía en clasi ica imágenes de ul asonidos pa a la p e ención de cánce de mama en ipos de umo es pa a iden i ica si e an malignos o benignos. 2.3.3. Single Sho Mul ibox De ec o (SSD) El mé odo de de ección de obje os SSD (Single Sho Mul iBox De ec o ) u ili- za una única ed neu onal p o unda pa a gene a cuad os delimi ado es y clasi ica 18 Capí ulo 2. Es ado del A e obje os en imágenes. A di e encia de o os en oques, como E icien De , que equie- en gene ación de p opues as de obje os, SSD disc e iza el espacio de salida de los cuad os delimi ado es y combina múl iples mapas de ca ac e ís icas pa a maneja obje os de di e en es amaños. Es o simpli ica el p oceso de de ección al encapsula odos los cálculos en una sola ed, acili ando an o el en enamien o como la in e- g ación en sis emas de de ección. La a qui ec u a de SSD se basa en una ed con olucional que gene a cuad os delimi ado es de amaño ijo y pun úa la p esencia de clases de obje os en esos cua- d os. Además, u iliza mapas de ca ac e ís icas a múl iples escalas pa a la p edicción, p edic o es con olucionales pa a la de ección y cuad os delimi ado es p ede e mi- nados con di e sas elaciones de aspec o pa a mejo a la e iciencia y p ecisión del modelo ( eáse Figu a 2.8). Pe iSe ha is o en los expe imen os en conjun os de da os como PASCAL VOC (Tenso low, 2022) o COCO que SSD log a una p ecisión compe i i a en compa a- ción con o os mé odos, pe o con una elocidad signi ica i amen e mayo . Pe iNo obs an e, en es e abajo no se ha implemen ado una e sión pu a del mode- lo SSD, sino una a iación basada en SSD-MobileNe . Es a combinación de ambas a qui ec u as de edes neu onales ope a con una en ada y esolución especí icas. Como esul ado, se ob iene mayo elocidad a cos a de una meno p ecisión en compa ación con un SSD es ánda , que u iliza una a qui ec u a más p o unda y compleja. Es a educción en p ecisión se debe a que MobileNe p io iza la e iciencia compu acional y la elocidad de p ocesamien o sob e la p ecisión. Figu a 2.8: Funcionamien o SSD. 2.3.4. MobileNe MobileNe (Uni e si y, 2017) es una a qui ec u a de ed neu onal con olucio- nal simple pe o e icien e, diseñada especí icamen e pa a aplicaciones de isión po compu ado a en disposi i os mó iles, donde el endimien o en iempo eal y la e i- ciencia compu acional son c í icos. 2.3. Modelos de CNN pa a la de ección de obje os 19 Pe iUna de las écnicas cla e empleadas en MobileNe es la con olución sepa a- ble en p o undidad, que descompone las con oluciones con encionales en dos ipos de capas dis in as: Capa con olucional Dep hwise: Es a capa ealiza una con olución indi idual en cada canal de en ada po sepa ado, en luga de aplica la a odos los canales simul áneamen e. De es e modo, se e ec úa una con olución independien e pa a cada canal, lo que pe mi e cap u a las ca ac e ís icas especí icas de cada uno de mane a más e icien e. Capa con olucional 1x1 Poin wise: Después de la capa dep hwise, se lle a a ca- bo una con olución 1x1 pa a usiona las ca ac e ís icas ex aídas p e iamen e. Aquí, la con olución 1x1 ope a como una ope ación de mezcla, combinando las ca ac e ís icas de los dis in os canales en combinaciones lineales. Aunque la a qui ec u a base de MobileNe ya es pequeña y compu acionalmen e e icien e, o ece dos hipe pa áme os globales adicionales pa a educi aún más el cos o compu acional: Mul iplicado de ancho: Es e pa áme o se mul iplica po los canales de en- ada y salida pa a es echa la ed. Mul iplicado de esolución: Es e pa áme o se mul iplica po el mapa de ca- ac e ís icas de en ada pa a ajus a la esolución de las imágenes. SSD y MobileNe se u iliza on pa a la implemen ación de Google Lens (Lens, 2024), una aplicación que unciona como un buscado isual. En ez de in oduci ex o se in oduce una imagen de ec ando obje os que apa ecen en o os, desde monumen os has a animales, pasando po lib os, CD o plan as. Cap´ ı ulo 3 A qui ec u a del sis ema En es e capí ulo se explo a la a qui ec u a del sis ema ( éase Figu a 3.1) que se p e ende lle a a cabo en es e TFG, an o la pa e de ha dwa e como la pa e de so wa e. La a qui ec u a consis e en una CPU desde la cual se ejecu a un sc ip de py hon que gene a una in e az. Es a pe mi e al usua io conec a se al disposi i o de bajo consumo, en es e caso una Raspbe y, y especi ica un modelo de deep lea ning con el que se p e ende ealiza la de ección de pe sonas, pa a inalmen e mos a los esul ados ob enidos. Figu a 3.1: A qui ec u a gene al del sis ema. Como se ha mencionado p e iamen e, el obje i o de es e abajo es supe isa el a o o de un e en o especí ico u ilizando edes neu onales con olucionales. Es as edes deben se in eg ables en disposi i os de bajo consumo o de edge compu ing (IBM, 2023), ya que el con ol del a o o equie e espues as en iempo eal y no puede ole a la gos iempos de espe a. Pe iEl edge compu ing consis e en analiza y p ocesa la in o mación en el pun- o donde nace. La escala y la complejidad de es os da os es án supe ando odas 21 22 Capí ulo 3. A qui ec u a del sis ema aquellas in aes uc u as c eadas pa a cen aliza y p ocesa la in o mación, has a al pun o en el que el iempo desde que se ecopilan una se ie de da os, se en ían, se p ocesan y dan espues a, es demasiado g ande. Po ello, el edge compu ing es una solución a es e p oblema, ya que pe mi e analiza los da os al ins an e pa a p opo ciona un conocimien o p o undo y análisis p edic i o en iempo eal. 3.1. So wa e del sis ema El éxi o de cualquie sis ema compu acional depende en g an medida del so - wa e que lo impulsa. En es e apa ado, se explo an las he amien as y ecnologías de so wa e u ilizadas en la a qui ec u a del sis ema, comenzando po la in e az g á ica, p og amada pa a ealiza una conexión au omá ica con la Raspbe y que pe mi e al usua io ealiza in e encias con las modelos de deep lea ning desa olla- dos. También se explican los p incipales en o nos y lib e ías u ilizados, inalizando así la explicación con el p ocesamien o de los da os de en ada al sis ema. 3.1.1. In e az g á ica - GUI Una in e az g á ica de usua io (GUI) es un ipo de in e az que pe mi e al usua io in e ac ua con un sis ema compu acional a a és de elemen os isuales y g á icos en luga de comandos ex uales como se hace en una e minal. Pe iLas GUI emplean componen es isuales de odo ipo, aunque la que se ha de- sa ollado pa a es e TFG es muy sencilla ( éase Figu a 3.2) y únicamen e mues a una lis a desplegable con el nomb e de los dis in os modelos en enados con los que se ha abajado. Es a GUI es á conec ada a la Raspbe y, po an o, a la ho a de selecciona un modelo, se ejecu a en la placa de bajo consumo un sc ip asociado a es e, que de uel e a la in e az un esul ado, es deci , una imagen con odas sus de ecciones y el núme o o al de esas de ecciones (el a o o). El obje i o p incipal de desa olla es a GUI es acili a al usua io el acceso a la Raspbe y y p oba los modelos en enados. 3.1.2. En o no de desa ollo - Google Colab Es impo an e explica el en o no de desa ollo, que se ha u ilizado pa a en e- na los modelos de in eligencia a i icial: Google Colab (Google, 2024c). Pe iGoogle Colab, un se icio alojado de Jupy e No ebook (Jupy e , 2024) en la nube, se des aca como una he amien a pode osa y e sá il que elimina la necesi- dad de con igu ación p e ia. P opo ciona acceso g a ui o a ecu sos in o má icos, incluyendo GPU (Unidades de P ocesamien o G á ico) muy po en es y ápidas y TPU (Unidades de P ocesamien o Tenso ial), lo que pe mi e la ejecución de códi- go en Py hon y la u ilización de lib e ías popula es en el ámbi o de la in eligencia a i icial, como Tenso Flow (Tenso low, 2024b), YOLO (YOLO, 2023) y PyTo ch (Py o ch, 2024). Es á especialmen e o ien ado hacia el ap endizaje au omá ico, la 3.1. So wa e del sis ema 23 Figu a 3.2: In e az g á ica del sis ema. ciencia de da os y la educación, an o pa a p incipian es como pa a usua ios a an- zados, además de o ece una in e az de usua io in ui i a y ácil de usa . Pe iA pesa de sus en ajas, los ecu sos de Google Colab no son ga an izados ni ilimi ados, y los lími es de uso pueden a ia . Es as es icciones son necesa ias pa a man ene el se icio g a ui o. Pe iEn Google Colab, el código de Py hon se ejecu a en una máquina i ual incu- lada a la cuen a de Google. Sin emba go, después de un pe iodo de inac i idad, la sesión se desconec a. En la e sión g a ui a, Google Colab pe mi e la ejecución de un no ebook du an e un máximo de 12 ho as. Un no ebook es un conjun o de celdas que ejecu an “ ozos´´ de código en py hon. Pe iUna de las ca ac e ís icas des acadas de Google Colab es su capacidad pa a c ea y compa i no ebooks de Jupy e de mane a colabo a i a. Es o pe mi e a- baja en un mismo no ebook con o os usua ios en iempo eal, lo que lo con ie e en una he amien a ideal pa a p oyec os colabo a i os o pa a ecibi e oalimen ación. Pe iAdemás, los no ebooks de Google Colab se pueden gua da di ec amen e en Google D i e, simpli icando la ges ión y el acceso a los p oyec os desde cualquie luga . También es posible impo a y expo a da os di ec amen e desde y hacia Google D i e, lo que acili a el manejo de conjun os de da os y a chi os. En p o- yec os como es e TFG, es a uncionalidad esul a especialmen e ú il pa a impo a 30 Capí ulo 4. P ocesos de En enamien os Pe iO o aspec o impo an e es la can idad de da os disponibles pa a el en ena- mien o. En gene al, se conside a que en ena con más da os es mejo , ya que p o- po cionan a la ed una mayo di e sidad de ejemplos pa a ap ende y gene aliza . Sin emba go, la calidad sigue siendo p io i a ia sob e la can idad; es p e e ible un conjun o de da os pequeño, pe o bien cons uido a uno g ande uidoso o incomple o. Pe iEn es e TFG se ha con iado en la u ilización de conjun os de da os pues os al público y ya e ique ados po pa e de o os usua ios, ya que el p oceso de cons- ucción de un conjun o de da os desde ce o excede los lími es de es e TFG. Es a con ianza de la que se habla, ha a ec ado de o ma nega i a e ine i able a es e aba- jo. Como se obse a en la Figu a 4.1, algunos da os de en ada que se han u ilizado en es e TFG, no ienen buena calidad, po ejemplo, una imagen bo osa, o es án incomple os, po ejemplo, una imagen que no es á e ique ada en su o alidad. Figu a 4.1: Imágenes de mala calidad pe enecien es al conjun o de da os u ilizado. El conjun o de da os u ilizado pa a en ena E icien De , SSD-MobileNe y YO- LO 8 es á o mado po a ios subconjun os de da os uni icados odos ellos en un único conjun o. Pa a el modelo E icien De no se ha u ilizado exac amen e el mismo conjun o de da os, si no un conjun o más pequeño compues o mayo i a iamen e de da os de en ada ambién pe enecien es al conjun o de da os u ilizado pa a en e- na SSD-MobileNe y YOLO 8. La explicación de es a acción se de alla en el pun o 4.2.1.3. Todos y cada uno de los subconjun os de da os se encuen an almacenados y han si- do desca gados desde Robo low (Robo low, 2024). Es a es una pla a o ma que o ece he amien as pa a ges iona , e ique a , mejo a y en ena modelos de in eligencia a i icial u ilizando conjun os de da os de imágenes, además de ac ua como un e- posi o io de conjun os de da os de imágenes e ique adas. Pe iLos conjun os de da os desca gados con ienen imágenes de mul i ud de pe - 4.1. Conjun os de da os 31 sonas is as desde el ai e y desde di e en es ángulos, pa a así simula la pe spec i a que end ía una imagen omada po un d on o una cáma a de igilancia. El conjun o de da os con iene imágenes de mucha y poca calidad, en colo y en blanco y neg o, e c. 4.1.1. Es uc u a de los da os Una ez que se han ecolec ado odos los da os eque idos pa a en ena un mo- delo, se di iden es os en es g upos di e en es: el conjun o de en enamien o ( ain), el conjun o de alidación ( alid) y el conjun o de p ueba ( es ). Es a sepa ación nos pe mi e ealiza a ias a eas impo an es. En las Tablas 4.1 y 4.2 se mues a la es- uc u a de los da os de cada conjun o u ilizado pa a el en enamien o y e aluación de cada modelo. Conjun o es ain alid Nºimágenes 172 1913 336 Tabla 4.1: Es uc u a del conjun o de da os pa a E icien De . Conjun o es ain alid Nºimágenes 793 22.627 2.241 Tabla 4.2: Es uc u a del conjun o de da os pa a SSD-MobileNe y YOLO 8. P ime o, se u iliza el conjun o de en enamien o pa a enseña a la ed neu onal, pe mi iéndole ap ende pa ones y ca ac e ís icas ú iles de los da os. Mien as an- o, el conjun o de alidación ayuda a moni o iza el endimien o del modelo du an e el en enamien o, e i ando que se ajus e demasiado a los da os de en enamien o (sob eajus e), lo que pod ía lle a a un endimien o de icien e en da os nue os. Pe iUna ez que el modelo ha sido en enado, se u iliza el conjun o de p ueba pa a e alua su p ecisión y medi su endimien o en da os que no ha p ocesado an es. Es o p opo ciona una idea cla a de como de bien gene aliza el modelo a nue os da os y nos ayuda a ene una e aluación impa cial de su desempeño inal. Pe iComo e idencian las Tablas 4.1 y 4.2, la magni ud del conjun o de da os des i- nado al en enamien o y e aluación de SSD-MobileNe y YOLO 8 es no ablemen e mayo que la asignada pa a E icien De . La explicación de es e suceso, como se ha mencionado an es, se de alla en el pun o 4.2.1.3 4.1.2. Fo ma o de los da os Desde el eposi o io de Robo low se puede desca ga un conjun o de da os en dis in os o ma os. Es undamen al comp ende que el o ma o del conjun o de da os depende del modelo que se es é e aluando. 32 Capí ulo 4. P ocesos de En enamien os 4.1.2.1. Fo ma o de los da os pa a E icien De y SSD-MobileNe Pa a pode en ena los modelos E icien De y SSD-MobileNe se ha ealizado la desca ga en o ma o PASCAL VOC (Visual Objec Classes), un conjun o de da os ampliamen e u ilizado en el campo de la isión po compu ado a y el ap endizaje p o undo. Pe iEl conjun o de da os es á o mado po pa es de a chi os JPG/ JPEJ y XML. A con inuación, se mues a pa e de un iche o XML de ano ación pe enecien e al conjun o de da os u ilizado, que con iene in o mación ele an e, como el nomb e de la ca pe a que con iene la imagen, el nomb e y la u a del a chi o de la imagen, el nomb e de la base de da os de la que p o ienen los da os, la anchu a y al u a de la imagen en píxeles, la p o undidad del colo de la imagen, el nomb e del obje o, un in- dicado de si el obje o es di ícil de econoce o es á ocul o, la posición del obje o, e c. <anno a ion> < olde ></ olde > < ilename >img_101 . jpg </ ilename > <pa h>img_101 . jpg</pa h> <sou ce> <da abase> obo low . ai </da abase> </sou ce> <size > <wid h >216</wid h> <heigh >216</heigh > <dep h>3</dep h> </s ize > <segmen ed>0</segmen ed> <objec > <name>people </name> <pose>Unspeci ied </pose> < unca ed >0</ unca ed> <d i i c u l >0</ d i i c u l > <occluded >0</occluded> <bndbox> <xmin>29</xmin> <xmax>35</xmax> <ymin>50</ymin> <ymax>63</ymax> </bndbox> </objec > </anno a ion> 4.1.2.2. Fo ma o de los da os pa a YOLO 8 El conjun o de da os u ilizado pa a YOLO 8 iene el mismo o igen que el u i- lizado pa a SSD-MobileNe o E icien De . Sin emba go, el o ma o no es el mismo y po ello, exis en di e encias en e los iche os de ano aciones. Pa a YOLO 8, se 4.1. Conjun os de da os 33 ha ealizado la desca ga en o ma o YOLO 8. Es e o ma o implica que los iche os de ano aciones siguen un o ma o de ex o, en donde cada ila co esponde con un obje o seguido de in o mación elacionada con es e, como el ipo o las coo denadas. A con inuación, se mues a pa e de un iche o TXT de ano ación pe enecien e al conjun o de da os u ilizado. 0 0.1390625 0.459375 0.01875 0.03359375 0 0.18515625 0.46484375 0.01484375 0.02890625 0 0.36640625 0.53828125 0.02578125 0.02578125 0 0.40390625 0.3765625 0.0140625 0.028125 0 0.31171875 0.28828125 0.0140625 0.0234375 0 0.3078125 0.22109375 0.01640625 0.0296875 0 0.3828125 0.190625 0.01640625 0.0296875 0 0.496875 0.19609375 0.0171875 0.0265625 4.1.3. Modi icaciones de los da os Se han ealizado algunas modi icaciones impo an es en los conjun os de da- os pa a ejecu a un en enamien o de calidad. Al es a o mado cada conjun o de da os po a ios subconjun os de da os, cada uno de es os subconjun os con ienen ano aciones de obje os que no in e esa de ec a , como po ejemplo, bicycle oca . Es e TFG se cen a únicamen e en de ec a y con a las pe sonas que apa ecen en una imagen de en ada. Además, cada subconjun o es ablece en los iche os de ano aciones un nomb e de clase dis in o pa a el obje o que se clasi ica como pe sona. Pe iEn p ime luga , se ha p og amado un sc ip que eco e odos los iche os de ano aciones XML del conjun o de da os uni icado, pa a es ablece el mismo nomb e en odos los obje os que cada subconjun o de da os de ec a como pe sonas, ya que en uno se clasi ica como ’h’, en o o como ’Human’, e c. Además, se eliminan de los iche os de ano aciones odos los obje os que no in e esa de ec a pa a consegui un en enamien o más e icien e y aumen a la p ecisión del modelo. Pe iPo o o lado, muchas a qui ec u as de edes neu onales con olucionales e- quie en que odas las imágenes de en ada engan el mismo amaño. Es o se debe a que las capas con olucionales y de ag upación de la ed es án diseñadas pa a ope a sob e conjun os de imágenes con las mismas dimensiones. Pe iDe es a o ma, al ene odas las imágenes de en ada del mismo amaño, el modelo puede ap ende pa ones y ca ac e ís icas de mane a más e ec i a, ya que no iene que lidia con a iaciones en el amaño de las imágenes. Pe iPo ello, se ha p og amado un sc ip , que eco e odos los pa es de a chi os JPG/ JPEJ y XML del conjun o de da os u ilizado pa a SSD-MobileNe y E i- cien De , con el in de ealiza modi icaciones algunas modi icaciones en es e. En los a chi os JPG/JPEJ edimensiona la imagen al alo es ablecido (320x320 pa a SSD-MobileNe y 768x768 pa a E icien De ) man eniendo la p opo ción en e al u- 34 Capí ulo 4. P ocesos de En enamien os a y anchu a de la imagen o iginal ellenando con píxeles acíos (colo blanco) en algunos casos. Se ellena con píxeles de colo blanco y no neg o po que desde una pe spec i a aé ea, un píxel neg o se puede con undi con pa e de la silue a de la cabeza de una pe sona. Po o o lado, en el iche o de ano ación XML asociado a la imagen modi icada, ac ualiza la posición de cada obje o ano ado, ya que al edi- mensiona la imagen, los obje os cambian de posición. Pe iSin emba go, no es necesa io edimensiona las imágenes del conjun o de da- os en o ma o YOLO 8. Cuando se desca gan los da ase s de Robo low en es e o ma o, odas las imágenes ienen la misma esolución: 640x640. Es o se debe a que las a qui ec u as de YOLO 8 ienen ijadas es as dimensiones pa a la en ada. Po ello, no es necesa io p og ama ningún sc ip pa a es e aspec o como se ha hecho pa a SSD-MobileNe y E icien De . 4.2. P epa ación y con igu ación del en enamien o En es a sección se explica el p oceso de p epa ación y con igu ación de pa áme- os que se u iliza án en el p oceso del en enamien o de los modelos. Pe iLa p epa ación y con igu ación del en enamien o son aspec os c í icos en el desa ollo de modelos de deep lea ning, ya que pueden in lui en la calidad, el endi- mien o y la e iciencia del modelo inal. In e i iempo y es ue zo en es os aspec os puede conduci a modelos más e ec i os y obus os. 4.2.1. P epa ación y con igu ación del en enamien o de E - icien De y SSD-MobileNe Como ya se ha comen ado al inicio del capí ulo, la p epa ación y con igu ación de los en enamien os de E icien De y SSD-MobileNe se ha án de o ma conjun a, ya que al u iliza ambos modelos la lib e ía de Tenso low, los p ocesos de en enamien o son simila es. 4.2.1.1. Con e sión de los da os a TFReco d En p ime a ins ancia es necesa io con e i los da os al o ma o ideal u ilizado en Tenso Flow, TFReco d (Mic oso , 2024), pa a ealiza en enamien os de mode- los de ap endizaje p o undo. Pe iTFReco d es un o ma o de da os bina ios u ilizado en Tenso Flow pa a al- macena da os de mane a e icien e y acili a su lec u a y p ocesamien o du an e el en enamien o de modelos de ap endizaje p o undo. Es á diseñado pa a se ápido y escalable, especialmen e cuando se abaja con g andes conjun os de da os. Pe iPa a consegui es a con e sión de los da os, se hace uso de un sc ip p og a- mado que con ie e los iche os de ano aciones XML en iche os CSV. Con es e 4.2. P epa ación y con igu ación del en enamien o 35 nue o o ma o y con e sión in e media, podemos ealiza una ans o mación de los da os al o ma o inal deseado, es deci , pasa los da os en CSV a TFReco d. 4.2.1.2. Especi icación del modelo a implemen a A con inuación, se especi ica qué modelo p een enado de Tenso Flow se a a de- sa olla desde el Zoológico del modelo de de ección de Tenso Flow 2 (Team, 2021), una colección de modelos de de ección de obje os p e iamen e en enados sob e el conjun o de da os COCO 2017. Pe iEn es e apa ado, po una lado, se especi ica el modelo ‘E icien De D2 768x768’, una a ian e especí ica del modelo E icien De que abaja con una en ada de a- maño 768x768, y que consigue una elocidad de 67ms y una p ecisión de 41.8 COCO mAP (es a mé ica de p ecisión se explica el capí ulo 5 de la memo ia) sob e el con- jun o de da os COCO 2017. No se ha podido implemen a una e sión más al a de E icien De , con mayo elocidad y p ecisión, po al a de memo ia. Pe iPo o o lado, se especi ica el modelo ‘SSD MobileNe 2 320x320’, una a- ian e especí ica del modelo SSD-MobileNe que abaja con una en ada de amaño 320x320. Es e modelo p een enado iene una elocidad de 19 milisegundos y una p ecisión de 20.2 COCO mAP sob e el conjun o de da os COCO 2017. 4.2.1.3. Con igu ación de los pa áme os del en enamien o En es e apa ado se explican algunos pa áme os del iche o de con igu ación de cada modelo que han sido modi icados pa a consegui un en enamien o e icien e y unos esul ados p ecisos. Pe iEn p ime luga , pa a el iche o de con igu ación del modelo ‘E icien De D2 768x768’ se han es ablecido los siguien es alo es pa a los pa áme os co espon- dien es: ine_ une_checkpoin _ ype = De ec ion: Es e pa áme o se e ie e al ipo de a chi o que se u iliza como pun o de pa ida pa a el ajus e ino ( ine- uning) de un modelo de ap endizaje p o undo. Cuando se ealiza el ajus e ino, se oma un modelo p een enado y se adap a pa a un p oblema especí ico o conjun o de da os. o al_s eps = 48325: Es e pa áme o es ablece la can idad o al de pasos a u iliza pa a en ena un modelo. No es una can idad muy is osa, pe o es la exac a pa a consegui eco e cien eces el conjun o de da os en su o alidad. Si al e mina el en enamien o, las mé icas siguen disminuyendo, en onces con iene aumen a es e alo , aunque cuan os más pasos, más iempo lle a á el en enamien o. ba ch_size = 4: Es e pa áme o indica el núme o de imágenes a u iliza po paso de en enamien o. Un amaño de lo e más g ande pe mi e que un modelo se en ene en menos pasos, pe o es e es á limi ado po la memo ia de la GPU 36 Capí ulo 4. P ocesos de En enamien os disponible pa a el en enamien o. En es e TFG, no se ha podido es ablece un alo mayo , ya que se ha abajado al lími e con odos los ecu sos, en es e caso el de la memo ia, como se puede obse a en la Figu a 4.2. Es a igu a ue ex aída du an e un en enamien o de E icien De en Google Colab. En la sección an e io se explica que no se ha podido u iliza el mismo conjun o de da os pa a SSD-MobileNe que E icien De y YOLO 8. Es a decisión se undamen a en el p oceso de en enamien o lle ado a cabo pa a E icien De , cuyo amaño de lo e es excesi amen e pequeño, como se acaba de e , en com- pa ación al es ablecido po de ec o (128), lo que conlle a a un en enamien o mucho más du ade o del habi ual. Pa a el conjun o de da os de más de ein idós mil imágenes y un en enamien o de más de ein e ho as, E icien De ob enía esul ados poco sa is ac o ios, a pesa del la go iempo de ejecución del en enamien o. Es e suceso se p oducía ya que al habe un amaño de lo e an pequeño, an o iempo de en enamien o no e a su icien e pa a p ocesa y ap ende de an os da os de en ada. Po consiguien e, en es e TFG, se op ó po p io iza la u ilización de un con- jun o de da os más educido pa a E icien De . Es a decisión se sus en a en el p incipio de que el modelo ap enda ’mucho de poco’, en luga de ’poco de mucho’. ma ched_ h eshold = 0.5: Es e pa áme o se e ie e a como de simila deben se dos o más de ecciones pa a conside a se coinciden es y po an o usiona - se. Se ha es ablecido un alo in e medio, ’0.5’, que signi ica que si la simili ud en e las de ecciones es mayo que el 50 %, se conside a án como una coin- cidencia. Pa a da os de en ada donde apa ezcan pe sonas muy jun as nos in e esa ía aumen a ese alo , ya que si hay, po ejemplo, dos cabezas muy jun as, pod ía da se el caso de que sus de ecciones se usiona an. En cam- bio, pa a da os de en ada donde las pe sonas apa ezcan dispe sas, con end ía aumen a es e alo pa a ealiza una de ección más exigen e. max_de ec ions_pe _class, max_ o al_de ec ions & max_numbe _o _boxes = 2000: Es os pa áme os se e ie en al máximo de de ecciones en o al, se es ablece un núme o al o pa a que sea álido pa a odas las en adas de da os. num_classes = 1: Es e pa áme o indica el núme o de clases que el modelo es á con igu ado pa a econoce o p edeci . Al es a es ablecido a “1”, hace que el modelo es é diseñado pa a una a ea de de ección bina ia, es deci , indica si el obje o es o no una pe sona en es e caso. En segundo luga , pa a el iche o de con igu ación del modelo ‘SSD MobileNe 2 320x320’ se han es ablecido los siguien es alo es pa a los pa áme os co espon- dien es: ine_ une_checkpoin _ ype = De ec ion o al_s eps = 60000 4.2. P epa ación y con igu ación del en enamien o 37 ba ch_size = 16 ma ched_ h eshold = 0.5 max_de ec ions_pe _class, max_ o al_de ec ions & max_numbe _o _boxes = 2000: num_classes = 1: Figu a 4.2: Lími es en elación con la memo ia. 4.2.2. P epa ación y con igu ación del en enamien o de YO- LO 8 La con igu ación necesa ia pa a el en enamien o de YOLO 8 es menos com- pleja que la que se acaba de e . El oma o YOLO 8 posee un iche o da a.yaml de con igu ación p og amado en un lenguaje de se ialización de da os. Es e iche- o con iene in o mación que ecoge el modelo du an e el pe iodo de en enamien o. Incluye las u as de los di ec o ios donde es án las imágenes de en enamien o, ali- dación y p ueba, además puede con ene enlaces de desca ga, las clases ecogidas en el conjun o de da os, e incluso de iniciones de los ma cos que ecuad an los obje os a de ec a . Po lo an o, es e iche o debe es a co ec amen e con igu ado a la ho a a anca el en enamien o. 4.2.2.1. Especi icación del modelo a implemen a Como se ha explicado en el Capí ulo 3, YOLO 8 posee a ias a qui ec u as den o de es a e sión. La a qui ec u a elegida pa a la e aluación de es e modelo ha sido en conc e o YOLO 8, ya que posee el mejo balance en cuan o a elocidad y p ecisión, lo que puede esul a en ajoso en una aplicación como es la del con ol de a o os median e el uso de disposi i os de bajo consumo. 4.2.2.2. Con igu ación de los pa áme os del en enamien o Cabe esal a los pa áme os modi icables pa a ob ene un en enamien o exi oso en unción del conjun o de da os que se u ilice: P e- ained = Yes: Es e pa áme o indica la ejecución del en enamien o de un modelo sob e una a qui ec u a p een enada con COCO. 38 Capí ulo 4. P ocesos de En enamien os Epochs = 50: una época es un ciclo comple o en el modelo eco e de p incipio a in el conjun o de da os u ilizado. Se u iliza es e alo , ya que a ap oxima- damen e, a pa i de es a época, el modelo deja de ap ende . Image Size = 640. Indica que el conjun o de da os que se le pasan al modelo ienen una esolución de 640x640 píxeles. Ba ch Size = Au o: ijado en Au o, de es a o ma maximiza el amaño de lo e en unción de la a qui ec u a u ilizada. 4.3. En enamien o En es e apa ado se explica el p oceso de en enamien o que se ha lle ado a cabo en cada uno de los modelos que se han e aluado en es e TFG. Pe iEl en enamien o en edes neu onales implica e ina los ajus es in e nos de la ed pa a que pueda desempeña la a ea especí ica de econoce obje os. Es o se log a exponiendo a la ed a un conjun o de ejemplos de en enamien o que con ie- nen en adas y las salidas co ec as asociadas. A medida que la ed p ocesa es os ejemplos, ajus a g adualmen e sus conexiones in e nas pa a educi la disc epancia en e las salidas que gene a y las salidas deseadas. Pe iLos esul ados ideales al inaliza cualquie en enamien o son que cada uno de los pa áme os de pé dida, que se de inen en los siguien es pun os, inalicen en alo es muy ce canos al ce o. Los esul ados se án más iables cuando las pé didas sean más pequeñas. 4.3.1. En enamien o de E icien De y SSD-MobileNe En es e bapa ado se explica lo que ha sido el en enamien o del modelo E icien - De y SSD-MobileNe g acias a la he amien a Tenso Boa d (Tenso low, 2024a). Es a es una he amien a incluida en Tenso Flow, cuyo obje i o p incipal es p o- po ciona una in e az g á ica pa a isualiza , moni o iza y analiza el p oceso de en enamien o de modelos de ap endizaje p o undo. Pe iEn la Figu a 4.3 se mues a la pé dida o al del modelo, que es la suma de la pé dida de clasi icación, la pé dida de localización y la pé dida de egula ización. En es as g á icas se mues a cómo se educe la pé dida a lo la go del en enamien o. Pé dida de clasi icación: indica la pé dida asociada con la clasi icación de ob- je os, es deci , mide cómo de bien puede el modelo p edeci las clases co ec as de los obje os en una imagen. Pé dida de localización: mide cómo de p eciso es el modelo al p edeci las coo denadas de la ubicación de los obje os en una imagen. Pé dida de egula ización: mide cuán o con ibuyen los é minos de egula i- zación pa a e i a el sob eajus e. 4.3. En enamien o 39 Figu a 4.3: Pé dida o al de E icien De y SSD-MobileNe . La di e encia en e el alo inicial de 2.01 y el alo inal de 0.63 pa a el en e- namien o de E icien De , y en e el alo inicial de 2.002 y el alo inal de 0.6048 pa a el en enamien o de SSD-MobileNe , en las g á icas de pé dida o al, indica una disminución signi ica i a en la pé dida de los modelos a lo la go de los en ena- mien os. Es deci , la disminución en la pé dida o al desde el p ime paso has a el úl imo indica un p og eso posi i o, lo que sugie e que el modelo es á ap endiendo y mejo ando su capacidad pa a ealiza la a ea de de ección de obje os con mayo p ecisión a medida que a anza el p oceso de en enamien o. 4.3.2. En enamien o de YOLO 8 En es e apa ado se explica lo que ha sido el en enamien o del modelo YOLO 8 g acias a la he amien a Ul aly ics, que p opo ciona in o mación y g á icas de las siguien es mé icas: Box Loss: di e encia en e las pe sonas de ec adas y las que de e dad exis en, o es án e ique adas. Class Loss: pé dida de localización, p e iamen e explicada en el pun o an e io . Objec Loss: pé dida de los obje os de ec ados. Figu a 4.4: Box Loss, Class Loss y Objec Loss. 46 Capí ulo 5. E aluaciones y esul ados lo ex emadamen e p eciso, sí podemos econoce su capacidad pa a se ú il en una g an a iedad de si uaciones sin se excesi amen e complejas. Pe iPo o o lado, en cuan o a elocidad, el modelo SSD-MobileNe se des aca sig- ni ica i amen e. Es o se debe a que MobileNe es una a qui ec u a de ed neu onal lige a y e icien e, diseñada especí icamen e pa a se u ilizada en disposi i os con ecu sos limi ados y en aplicaciones donde la apidez es c ucial. La simplicidad de MobileNe pe mi e una ápida in e encia. Sin emba go, su e iciencia sac i ica en g an medida la p ecisión, lo que la hace una solución poco balanceada pa a escena ios que equie en an o apidez como azonable exac i ud en la de ección y clasi icación de obje os. Cap´ ı ulo 6 Conclusiones y T abajo Fu u o 6.1. Conclusiones A lo la go de es e TFG, se ha desa ollado un sis ema e icien e pa a la ges ión y el con ol de a o os en e en os, des inado a disposi i os de bajo consumo como la Raspbe y Pi. Los esul ados ob enidos demues an que el sis ema es e icaz en de e - minadas si uaciones, p opo cionando una solución iable pa a el con eo de pe sonas en iempo eal y en en adas de da os median e un modelo de de ección de obje os. Pe iEl sis ema desa ollado incluye una in e az g á ica in ui i a, que pe mi e al usua io selecciona el modelo de de ección de obje os adecuado pa a ealiza la in e- encia en un disposi i o de bajo consumo. Es a uncionalidad es c ucial pa a adap a el sis ema a di e en es escena ios y equisi os, ga an izando la lexibilidad y usabili- dad necesa ias en di e en es aplicaciones p ác icas. Pe iEn é minos de p ecisión y elocidad, los esul ados ob enidos son sa is ac o- ios. La de ección es p ecisa en da os de en ada de buena calidad y en si uaciones donde la can idad de pe sonas no es ex emadamen e g ande. Es o se debe a la elec- ción de modelos de de ección que equilib an p ecisión y elocidad de p ocesamien o, pe mi iendo una ápida in e encia de los da os de en ada y salida. En pa icula , se ha iden i icado que el modelo YOLO 8 es el más adecuado pa a u u as in es- igaciones debido a su al a p ecisión y e iciencia en el p ocesamien o de da os en compa ación con los o os modelos. Pe iAdemás, es impo an e econoce que, du an e el desa ollo del sis ema, se han ap eciado cie as limi aciones elacionadas con la escasez de ecu sos y la calidad a iable de los mismos. Es as es icciones han impedido en muchas ocasiones la ejecución de en enamien os la gos y comple amen e lib es de e o es, a ec ando po encialmen e la e icacia del sis ema. A pesa de es os desa íos, el sis ema ha de- mos ado se uncional y e ec i o den o de los pa áme os es ablecidos. Pe iO o aspec o a conside a es la calidad y e ique ado de los da ase s u iliza- dos pa a el en enamien o del modelo. Los da ase s no ue on cons uidos desde 47 48 Capí ulo 6. Conclusiones y T abajo Fu u o ce o, lo que implica una dependencia en la p ecisión y exhaus i idad del e ique a- do ealizado po e ce os. La calidad de los da os de en ada es undamen al pa a ga an iza la p ecisión de la de ección, y cualquie de iciencia en es e aspec o puede impac a nega i amen e en los esul ados ob enidos. Pe iEn conclusión, el sis ema desa ollado o ece una solución p ome edo a pa a la ges ión y con ol de a o os en e en os, u ilizando disposi i os de bajo consumo. Aunque exis en á eas de mejo a, especialmen e en elación con los ecu sos disponi- bles, la calidad de los da ase s y la p ecisión con la que de ec an los modelo. Aún así, los esul ados ob enidos son alen ado es y es ablecen una base sólida pa a u u as in es igaciones y desa ollos. 6.2. T abajo a u u o A pesa de los esul ados p ome edo es ob enidos en es e TFG, exis en múl iples á eas que pueden se explo adas y op imizadas en u u os abajos pa a mejo a aún más la e icacia y e iciencia del sis ema de ges ión y con ol de a o os desa ollado. A con inuación se de allan algunas posibles mejo as que pueden implemen a se en un abajo a u u o: En enamien o con da ase s pe sonalizados: una de las p incipales á eas de me- jo a es la c eación y u ilización de da ase s pe sonalizados. Desa olla da ase s desde ce o asegu a á que los da os de en ada es én pe ec amen e e ique ados y sean de al a calidad. Es o pod ía mejo a signi ica i amen e la p ecisión del modelo de de ección. Explo ación de nue os modelos: aunque el modelo YOLO 8 ha demos ado se adecuado, explo a o os modelos de de ección de obje os que puedan o ece un mejo equilib io en e p ecisión y elocidad ambién es buen camino de ca a a unos esul ados mejo es. Modelos con dos capas de de ección en luga de una, pod ían mejo a conside ablemen e la p ecisión a la ho a de ealiza de ecciones, eso sí, sac i icando siemp e algo de elocidad. También se ía buena idea ealiza una in es igación y e aluación de YOLO 9, la nue a e sión de YOLO. La azón po la que YOLO 9 no ha sido e aluado en es e TFG es po que su lanzamien o ue después del comienzo de la e aluación de YOLO 8. Modi icación de la in e az g á ica: mejo a es e aspec o puede apo a al sis- ema se más in e ac i o de ca a al usua io. Ex apolación a di e sas indus ias: conside ando la acep ación posi i a del sis ema en escena ios de p ueba, es ac ible plan ea su aplicación en di e sos ipos de indus ia. Po ejemplo, el sis ema pod ía se ú il en el sec o e ail (es el sec o de la en a al de alle o mino is a) pa a ges iona a o os en iendas y cen os come ciales, en el ámbi o de la salud pa a con ola la can idad de pe sonas en clínicas y hospi ales, y en el sec o de anspo e pa a moni o iza la ocupación de es aciones y e minales. In oduc ion This i s chap e p esen s an in oduc ion o his Final Deg ee P ojec (TFG), which add esses he implemen a ion o a solu ion o con olling capaci y a e en s h ough he use o a i icial in elligence (AI) and i s execu ion in low-consump ion sys ems. Pe iCu en ly, he e icien managemen and con ol o capaci y a e en s has beco- me a g owing conce n, no only o gua an ee he sa e y and com o o a endees, bu also o comply wi h es ablished egula ions and op imize he use o a ailable esou ces. Pe iWhen i comes o coun ing he numbe o people p esen in a speci ic place, mul iple me hods can be used, as udimen a y as coun ing wi h you inge s o by using analogic coun e s widely used by secu i y pe sonnel. which is pa o all ypes o e en s. Pe iIn ecen decades, au oma ed models ha e been de eloped ha a e capable o con olling he capaci y o people and o he indi iduals in spaces wi h a closed pe ime e whe e one o mo e en y and exi poin s a e es ablished. Fo example, he Mad id Me o limi s en ances and exi s by placing u ns iles capable o adding o sub ac ing one uni om he o al capaci y each ime hey a e used. Also in many es ablishmen s, in a ed senso s a e implemen ed ha de ec en y o exi h ough mo emen o a local indi idual. Pe iThe p oblem a ises when you wan o con ol he capaci y o an e en held in a la ge space, open o he public and whe e he e is no con ol o he numbe o en ances and exi s (see Figu e 1.1 (TheObjec i e, 2018)). To keep ack o he ca- paci y a his ype o e en , mo e ad anced me hods ha e been de eloped, such as adio equency acking sys ems, sma phone geoloca ion applica ions o a i icial in elligence models capable o de ec ing and coun ing all he people loca ed in he a ea whe e he e en is held. e en . The implemen a ion o his las esou ce is he objec i e ha has been p oposed o achie e du ing he de elopmen o his TFG. 49 50 Capí ulo 6. Conclusiones y T abajo Fu u o Figu a 6.1: C owd o people in an uncon olled space. Mo i a ion The TFG in which we ha e been in ol ed du ing his cou se has been a uly en- iching expe ience ha has led us o a signi ican expansion o ou knowledge bo h academically and p o essionally. Al hough we s a ed wi h li le p io knowledge, he challenge o en e ing he ascina ing wo ld o a i icial in elligence and i s appli- ca ion in he managemen and con ol o capaci y h ough i s possible in eg a ion in o low-consump ion de ices has comple ely cap i a ed us. Pe iDu ing his wo k, we ha e had he oppo uni y o imme se ou sel es in a asci- na ing and no el echnological uni e se, explo ing he complexi ies and possibili ies o AI in he con ol and managemen o e en s. This imme sion has no only p o- ided us wi h a deep heo e ical unde s anding, bu has also allowed us o de elop p ac ical skills in he implemen a ion and ope a ion o his echnology. Pe iOu commi men o his TFG goes beyond me e academic esea ch. We a e d i en by a solid belie in he ans o ming po en ial o echnology when used es- ponsibly. By ocusing ou e o s on de eloping an e ec i e ool o managing and con olling capaci y a e en s, we wan o con ibu e s ongly o he sa e y and well-being o socie y. The e o e, we en ision his wo k as a s ep o wa d in c ea ing inno a i e solu ions ha add ess con empo a y challenges, and we a e exci ed by he posi i e impac ou wo k can ha e in he communi y and beyond. 6.2. T abajo a u u o 51 Objec i es The main objec i e o his TFG is he e alua ion o p e-exis ing a i icial in e- lligence models capable o ecognizing and coun ing he people p esen in an inpu ile, which can be an image, eco ding o li e ansmission, p ocessed by a low-powe de ice. Pe iFi s ly, o achie e he main objec i e, he applica ion o AI echniques is neces- sa y, speci ically he use o con olu ional neu al ne wo ks, as hey o e a p omising way o add ess his challenge e ec i ely. Models such as SSD (Uni e si y, 2020b) and YOLO (YOLO, 2023) ha e demons a ed hei abili y o pe o m objec de ec- ion and acking asks in eal ime, making hem ideal ools o moni o ing and con olling he low o people. in e en en i onmen s. Pe iBy in eg a ing hese echnologies in o he de elopmen o ou solu ion, we seek o no only au oma e he a endee coun ing p ocess, bu also ob ain eal- ime in o - ma ion on he densi y o people in di e en a eas o he e en . Pe i Fu he mo e, he design o he sys em has been o ien ed so ha i can be implemen ed on a low-cos and low-powe boa d, which allows i s in eg a ion in o low-powe de ices ha ope a e in eal ime. Wi hin his design, a g aphical in e ace has been implemen ed om which you can access his de ice and es he ained models in an easie and mo e in ui i e way. Pe iOn he o he hand, i is essen ial o execu e co ec aining wi h a speci ic da a se so ha he model’s capaci y o de ec ing and coun ing people is no limi- ed by he quali y o he inpu , i s pe spec i e, he size o he subjec , e c. . Wo k planning Du ing he en i e de elopmen o his TFG, he asks ha e been me iculously well es ablished, hus helping o di ide he wo kload and esponsibili ies be ween bo h membe s o he eam. In Figu e 1.2 we p esen a Gan diag am indica i e o he planning o his TFG. Pe iIni ially, we a e based on he TFG ca ied ou by Alejand o-Daniel Díaz Guz- mán du ing he 2022-2023 academic yea . His wo k, ocused on UAV Au onomous Fligh Simula ion o sea ch and escue missions, se ed as a s a ing poin o place ou sel es in he app op ia e con ex , s uc u e ou wo k and begin ou in es iga ions. Pe iIn he i s ew mon hs ha ollowed, we dedica ed ou sel es o sea ching and esea ching ee d one simula o s ha we e compa ible wi h ou equipmen , as well as capable o loading mul imedia con en o u he p ocessing. Al hough his sea ch u ned ou o be unsuccess ul, his expe ience ma ked an e olu ion in he app oach o his TFG, lea ing he in eg a ion o a d one in o he sys em in he backg ound. 52 Capí ulo 6. Conclusiones y T abajo Fu u o Pe iA e wa ds, we quickly ocus on he mos subs an ial con en : he sea ch, ai- ning and e alua ion o con olu ional neu al ne wo k models specialized in objec de ec ion. Pe iFinally, his TFG has been ocused on he e alua ion and compa ison o he esul s ob ained by he selec ed models and he comple ion o he wo king memo y. Figu a 6.2: Gan diag am ep esen ing TFG plani ica ion. Documen s uc u e This documen is o ganized in o 6 chap e s. All o hem a e lis ed below, ac- companied by a b ie summa y: Chap e 1: In oduc ion. This chap e is he one he eade is in a his e y momen . This chap e in oduces he TFG and alks abou he mo i a ions, objec i es, wo k plan and s uc u e o he documen . Chap e 2: S a e o he A . This chap e in oduces he undamen al concep s o unde s anding his TFG. I alks abou Deep Lea ning and he unc ioning and ypes o neu al ne wo ks ha a e cu en ly being wo ked wi h. In addi ion, i goes in o de ail abou he g ea pa adigm o a i icial in elligence and he applica ions i may ha e. 6.2. T abajo a u u o 53 Chap e 3: Sys em a chi ec u e. This chap e desc ibes he a chi ec u e o he sys em ha you wan o implemen , i deals wi h bo h he ha dwa e pa and he so wa e pa . Chap e 4: T aining p ocesses.This chap e desc ibes he aining p ocess o a p e-exis ing model, om he p epa a ion o he da a se o he p epa a ion o he aining and i s con igu a ion. Chap e 5: E alua ion and esul s.This chap e desc ibes he esul s ob- ained wi h each o he p epa ed models. In addi ion, i p esen s a b ie analysis o hem making di e en echnical compa isons. Chap e 6: Conclusions and Fu u e Wo k. This chap e includes he conclusions ob ained once he wo k was comple ed and p oposes a se ies o u u e con ibu ions. Conclusions and u u e Wo k Conclusions Th oughou his TFG, an e icien sys em has been de eloped o he manage- men and con ol o capaci y a e en s, aimed a low-consump ion de ices such as he Raspbe y Pi. The esul s ob ained demons a e ha he sys em is e ec i e in ce ain si ua ions, p o iding a iable solu ion o coun ing people in eal ime and in da a inpu s using an objec de ec ion model. Pe iThe de eloped sys em includes an in ui i e g aphical in e ace, which allows he use o selec he app op ia e objec de ec ion model o pe o m in e ence on a low-powe de ice. This unc ionali y is c ucial o adap he sys em o di e en scena ios and equi emen s, gua an eeing he lexibili y and usabili y necessa y in di e en p ac ical applica ions. Pe iIn e ms o p ecision and speed, he esul s ob ained a e sa is ac o y. De ec- ion is accu a e in good quali y inpu da a and in si ua ions whe e he numbe o people is no ex emely la ge. This is due o he choice o de ec ion models ha ba- lance accu acy and p ocessing speed, allowing apid in e ence o inpu and ou pu da a. In pa icula , he YOLO 8 model has been iden i ied as he mos sui able o u u e esea ch due o i s high accu acy and e iciency in da a p ocessing compa ed o he o he models. Pe iFu he mo e, i is impo an o ecognize ha , du ing he de elopmen o he sys em, ce ain limi a ions ela ed o he sca ci y o esou ces and hei a iable qua- li y ha e been app ecia ed. These es ic ions ha e o en p e en ed he execu ion o long, comple ely e o - ee aining sessions, po en ially a ec ing he e ec i eness o he sys em. Despi e hese challenges, he sys em has p o en o be unc ional and e ec i e wi hin he es ablished pa ame e s. Pe iAno he aspec o conside is he quali y and labeling o he da ase s used o model aining. The da ase s we e no buil om sc a ch, which implies a de- pendence on he accu acy and comple eness o labeling ca ied ou by hi d pa ies. The quali y o he inpu da a is essen ial o gua an ee he accu acy o he de ec ion, 55 62 BIBLIOGRAFÍA YOLO 8. A qui ec u as de yolo 8. h ps://docs.ul aly ics.com/es/models/yolo 8/ pe o mance-me ics, 2023.