Publicado:
2025-11-30Número:
Vol. 19 Núm. 2 (2025)Sección:
Visión de Ingeniería AplicadaEfficient live video traffic detection with YOLO convolutional neural architectures
Detección eficiente de tráfico de video en vivo con arquitecturas neuronales convolucionales YOLO
Palabras clave:
BNN, CNN, Computer Vision, OpenCV, Python (en).Palabras clave:
BNN, CNN, OpenCV, Python, YOLO, Visión por Computador (es).Descargas
Resumen (en)
Advancements in computer vision have revolutionized machines' ability to recognize and classify objects in real-time. This study explored the convolutional neural network architectures YOLOv5 and YOLOv8 for precise and efficient real-time object identification. A custom dataset was created, and Python and OpenCV were utilized for the annotation and training processes of the models. The results demonstrated the high accuracy and detection speed of both models, even in live video environments.
Resumen (es)
Los avances en el campo de la visión artificial han revolucionado la capacidad de las máquinas para llevar a cabo la identificación y clasificación de objetos en tiempo real. En este estudio, se examinaron las arquitecturas de redes neuronales convolucionales YOLOv5 y YOLOv8 con el propósito de lograr una identificación precisa y eficiente de objetos en escenarios de tiempo real. Para este propósito, se creó un conjunto de datos personalizado, y se emplearon Python y OpenCV para llevar a cabo la anotación y el entrenamiento de los modelos. Los resultados evidenciaron la destacada precisión y velocidad de detección de ambos modelos, inclusive en situaciones de transmisión de vídeo en directo.
Referencias
Shao, Y., Zhang, D., Chu, H., Zhang, X., & Rao, Y. (2021). A Review of YOLO Object Detection Based on Deep Learning.
Bhasin, S. (2019). Real-time Object Detection with YOLO, OpenCV and Python.
Suresh et al. (2020). Object Detection with YOLO for Intelligent Traffic Monitoring System.
Liu, Y., Shi, Q., Guo, W., & Liao, W. (2020). A Real-time, Mobile-object Detection Approach for Unmanned Aerial Vehicle Based Forest Fire Surveillance System.
Jiang, P., Ergu, D., Liu, F., Cai, Y., & Ma, B. (2022). A Review of YOLO Algorithm Developments.
Mauro Tucci, A. B. (s/f). "YOLO-S: A Lightweight and Accurate YOLO-like Network for Small Target Selection in Aerial Imagery".
Sharma, A., Pathak, J., Prakash, M., & Singh, J. N. (2020). Object Detection using OpenCV and Python. International Journal of Innovative Research in Computer and Communication Engineering, 8(6), 2736-2741.
“Procesamiento de Imágenes y Visión Artificial con MATLAB Video,” Mathworks.com, 2021. https://la.mathworks.com/videos/image-processing-and-computer-vision-with-matlab-1597884648964.html (accessed Jul. 25, 2023).
Ricardo Alirio Gonzalez, R. Ferro, and Daríoo Liberona, “Government and governance in intelligent cities, smart transportation study case in Bogotá Colombia,” vol. 11, no. 1, pp. 25–34, Mar. 2020, doi: https://doi.org/10.1016/j.asej.2019.05.002.
Beatriz Elena Pineda, Claudia Helena Muñoz, & Gil, H. (2018). Aspectos relevantes de la movilidad y su relación con el medio ambiente en el Valle de Aburrá: una revisión. Ingeniería Y Desarrollo, 36(2), 489–508. https://www.redalyc.org/journal/852/85259689013/html/
IA por el Planeta: Destacando las innovaciones de IA para la movilidad sostenible y las ciudades inteligentes. (2023). Unesco.org. https://www.unesco.org/es/articles/ia-por-el-planeta-destacando-las-innovaciones-de-ia-para-la-movilidad-sostenible-y-las-ciudades
Gómez Zapata, C. A. (2019). Reconocimiento de objetos del hogar, usando redes neuronales convolucionales para personas con discapacidad visual. Revista Científica de Ingeniería y Tecnología, 2(2), 1-10. https://dialnet.unirioja.es/descarga/articulo/7436051.pdf.
Olabe, X. B. (s/f). REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES. Ehu.eus. Recuperado el 8 de julio de 2023, de URL: https://ocw.ehu.eus/pluginfile.php/40137/mod_resource/content/1/redes_neuro/contenidos/pdf/libro-del-curso.pdf
Murgui, J., & García-Sánchez, A. J. (2018). Clasificación y reconocimiento de imágenes con redes neuronales para aplicaciones industriales. URL: https://riunet.upv.es/bitstream/handle/10251/115464/Murgui.pdf?sequence=1
Ortiz, G., & Sánchez, A. I. (2020). Emprendimiento y tecnologías de la información y la comunicación en Bogotá. Cuadernos de Administración, 36(67), 199-211.
Torres, J., & Acosta, H. (2019). La innovación en el ecosistema emprendedor de Bogotá. Cuadernos de Administración, 35(64), 251-262.
Uribe, F., & Guzmán, J. (2021). La colaboración público-privada en el fomento de la innovación en Bogotá: el caso de la identificación de objetos en el contexto vial. Revista Internacional de Gestión y Economía Aplicada, 11(1), 89-101.
Centro de Investigación de la Universidad Distrital Francisco José de Caldas. (2023). Udistrital.edu.co. https://revistas.udistrital.edu.co/index.php/visele/article/view/18942/18701
Chiroma, R. C. U. (2021). Vehicle detection, counting, and classification in traffic videos: A survey. IEEE Transactions on Intelligent Transportation Systems, 22(10), 3773-3785.
Rao, S. S. (2018). Vehicle detection and identification using computer vision and deep learning techniques. IEEE Transactions on Intelligent Transportation Systems, 19(10), 2827-2836.
Akhand, M. A. H. (2019). Vehicle Recognition from License Plate Number using Deep Learning. arXiv preprint arXiv:1903.09203.
Sandra Milena García Ávila, Cristian Alexander Vega Camacho, José Vicente Cadena López, Ricardo Alirio González Bustamante, Paola Andrea Mateus Abaunza. (2021). Diseño y aplicación de una herramienta para identificar y clasificar motocicletas mediante una red neuronal convolucional. researchgate.net. URL: https://doi.org/ISBN:978-958-53278-6-3
valentynsichkar, “Traffic Signs Detection by YOLO v3, OpenCV, Keras,” Kaggle.com, Apr. 15, 2022. https://www.kaggle.com/code/valentynsichkar/traffic-signs-detection-by-yolo-v3-opencv-keras (accessed Jul. 25, 2023).
Motor Colombia. (2022, February 23). 7.270 muertos en accidentes de tránsito en 2021. Motor Colombia; Motor Colombia. URL: https://www.motor.com.co/industria/7.270-muertos-en-accidentes-de-transito-en-2021-20220124-0001.html
R. Jiménez Moreno, O. Avilés, y D. M. Ovalle, “Red neuronal convolucional para discriminar herramientas en robótica asistencial”, Vis. Electron., vol. 12, no. 2, pp. 208–214, oct. 2018. https://doi.org/10.14483/22484728.13996
L. L. Hurtado-Cortés y J. A. Forero-Casallas, “Identification and fault detection in actuator using NN-NARX”, Vis. Electron., vol. 2, no. 2, pp. 304–312, dic. 2019. https://doi.org/10.14483/22484728.18432
Propia. (2023). Fragmento del conjunto de imágenes de entrenamiento para YOLO [Figura].
Propia. (2023). Matriz de confusión de una capacitación sobre imágenes de Camiones. [Figura].
Propia. (2023). Curva de precisión-confianza para el entrenamiento de imágenes de Camiones. [Figura].
Propia. (2023). Salida "Results.png" sobre el entrenamiento de imágenes de Camiones. [Figura].
Propia. (2023). Salida "Train.png" sobre el entrenamiento de imágenes de Camiones. [Figura].
Propia. (2023). Salida "Val.png" sobre el entrenamiento para Camiones. [Figura].
Propia. (2023). Salida de los gráficos de correlación de etiquetas para el entrenamiento de imágenes de Camiones. [Figura].
Propia. (2023). Esquema de entrenamiento general utilizado para el reconocimiento de imágenes con YOLO. [Figura]
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Visitas
Descargas
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
.png)
atribución- no comercial 4.0 International
.jpg)
