Uso de modelos de aprendizaje profundo para el reconocimiento de señales de tránsito del Ecuador. Casos: Pare, Ceda el paso, límites de velocidad y semáforos
No Thumbnail Available
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
PUCE - Quito
Abstract
El desarrollo de un modelo de inteligencia artificial que permita reconocer diferentes tipos de señales de tránsito de Ecuador, con tiempos de procesamiento bajos y con altos porcentajes de precisión es de vital importancia para la introducción de los vehículos inteligentes en el mercado. Para obtener un modelo que cumpla con las características anteriores se optó por utilizar redes neuronales convolucionales las cuales son especializadas en el reconocimiento de imágenes. La generación del modelo se obtuvo mediante la aplicación de la metodología de CRISPDM en el este problema de ciencia de datos. Este enfoque estructurado permite abordar todas las fases del proyecto de manera sistemática, desde la comprensión del problema y la preparación de los datos, hasta la evaluación y el despliegue del modelo. Además, fue importante el utilizar Python como principal lenguaje de programación junto con sus diferentes bibliotecas especializadas en redes neuronales como Keras o Tensorflow, que proporcionan herramientas avanzadas para la construcción y entrenamiento de modelos de aprendizaje profundo. Para determinar si un modelo es útil o no es necesario someterlo a pruebas bajo diferentes criterios de evaluación. En este caso se evaluó al modelo bajo las métricas de precisión y pérdida con la finalidad de observar su desempeño a lo largo de las 300 épocas en las que se entrenó a los modelos.
Description
Keywords
Señales de tránsito - Ecuador, Inteligencia artificial, Ciencia de datos, Simulación por computadores digitales