Detección de baches : un análisis comparativo de modelos de detección de objetos
Publisher
Joaquín Miranda Castro
Date Issued
2024
Author(s)
Miranda Castro, Joaquín
Advisor(s)
Espinosa Loera, Ricardo
Type
text::thesis::master thesis
Abstract
Esta tesis explora las diferentes tareas utilizadas en Scene Understanding para la implementación de coches autónomos enfocada en la tarea de detección de objetos. Se comparan los modelos más utilizados de Deep Learning, incluyendo YOLOv8, Faster R-CNN, SSD y
RetinaNet, utilizando un dataset de baches recientemente creado y publicado por OpenCV.
Este trabajo también agrega datos adicionales de la ciudad de Aguascalientes para medir
cómo estos modelos responder´ıan ante caminos y carreteras de países en vías de desarrollo.
Se utilizaron diversas métricas de rendimiento para evaluar la cada modelo, siendo las más
importantes la precisión promedio (AP) y el recall promedio (AR). Estas métricas se calcularon para cada modelo tanto en el conjunto de datos de baches de OpenCV como el de Aguascalientes.
Los resultados muestran que el modelo YOLOv8 es el más adaptado para este tipo de trabajo
con una precisiónn promedio (AP) de 0.246 y un recall promedio (AR) de 0.438 en el conjunto
de datos de OpenCV. En comparación, el siguiente mejor modelo, Faster R-CNN, obtuvo
una precisión promedio (AP) de 0.194 y un recall promedio (AR) de 0.275. En el dataset de
Aguascalientes, YOLOv8 alcanzó una precisión promedio (AP) de 0.136 y un recall promedio
(AR) de 0.312, mientras que Faster R-CNN obtuvo una precisión promedio (AP) de 0.098 y
un recall promedio (AR) de 0.174.
RetinaNet, utilizando un dataset de baches recientemente creado y publicado por OpenCV.
Este trabajo también agrega datos adicionales de la ciudad de Aguascalientes para medir
cómo estos modelos responder´ıan ante caminos y carreteras de países en vías de desarrollo.
Se utilizaron diversas métricas de rendimiento para evaluar la cada modelo, siendo las más
importantes la precisión promedio (AP) y el recall promedio (AR). Estas métricas se calcularon para cada modelo tanto en el conjunto de datos de baches de OpenCV como el de Aguascalientes.
Los resultados muestran que el modelo YOLOv8 es el más adaptado para este tipo de trabajo
con una precisiónn promedio (AP) de 0.246 y un recall promedio (AR) de 0.438 en el conjunto
de datos de OpenCV. En comparación, el siguiente mejor modelo, Faster R-CNN, obtuvo
una precisión promedio (AP) de 0.194 y un recall promedio (AR) de 0.275. En el dataset de
Aguascalientes, YOLOv8 alcanzó una precisión promedio (AP) de 0.136 y un recall promedio
(AR) de 0.312, mientras que Faster R-CNN obtuvo una precisión promedio (AP) de 0.098 y
un recall promedio (AR) de 0.174.
License
Acceso Abierto
How to cite
Miranda Castro, J. (2024). Detección de baches : un análisis comparativo de modelos de detección de objetos. (Tesis de Maestría). Universidad Panamericana.