Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana
Objetivo: Este estudio tiene como objetivo diseñar e implementar Sentinel AI, una arquitectura de software basada en YOLOv8 para la detección y clasificación automática de armas peligrosas en entornos de videovigilancia urbana, integrando inferencia en tiempo real, almacenamiento de incidentes y gen...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2026
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881509996973260800 |
|---|---|
| author | Hernandez Cruz, Breyner Martin Pezo Castro, Enoc Stip Ostin |
| author2 | Marlo Rimarachin, Wilder |
| author_browse | Hernandez Cruz, Breyner Martin Marlo Rimarachin, Wilder Pezo Castro, Enoc Stip Ostin |
| author_facet | Marlo Rimarachin, Wilder Hernandez Cruz, Breyner Martin Pezo Castro, Enoc Stip Ostin |
| author_sort | Hernandez Cruz, Breyner Martin |
| collection | Repositorio institucional |
| description | Objetivo: Este estudio tiene como objetivo diseñar e implementar Sentinel AI, una arquitectura de software basada en YOLOv8 para la detección y clasificación automática de armas peligrosas en entornos de videovigilancia urbana, integrando inferencia en tiempo real, almacenamiento de incidentes y generación de alertas inmediatas para apoyar las actividades de monitoreo y seguridad.
Métodos: La investigación siguió un enfoque aplicado y tecnológico, con un diseño no experimental y descriptivo. Se utilizó un conjunto de datos anotado de 2,224 imágenes, compuesto por 1,437 imágenes de armas de fuego y 787 imágenes de armas blancas, distribuidas en una proporción de 80 % para entrenamiento y 20 % para validación. El modelo YOLOv8n fue entrenado mediante aprendizaje por transferencia utilizando imágenes de entrada de 640 × 640 píxeles, un tamaño de lote de 16 y 20 épocas. La arquitectura desarrollada integra un agente local encargado de la ingesta de video mediante RTSP y la inferencia con YOLOv8, un backend implementado con FastAPI, MongoDB para la persistencia de incidentes, comunicación en tiempo real mediante WebSocket y un panel web desarrollado en React para la visualización y gestión de alertas.
Resultados: La evaluación del modelo obtuvo una precisión de 0.8964, una exhaustividad (recall) de 0.8719, un F1-score aproximado de 0.8840, un mAP@0.5 de 0.9239 y un mAP@0.5:0.95 de 0.6305. Estos resultados evidencian un desempeño favorable en la detección y clasificación automática de armas, manteniendo un equilibrio entre precisión, capacidad de detección y viabilidad para su implementación en escenarios de videovigilancia urbana.
Conclusión: Los resultados obtenidos demuestran la viabilidad de integrar un modelo YOLOv8n dentro de una arquitectura de software orientada al monitoreo de videovigilancia urbana. Sentinel AI permitió combinar la detección automática de armas con el registro de incidentes, la comunicación en tiempo real y la generación de alertas dentro de una misma plataforma. La arquitectura propuesta constituye una base tecnológica funcional para el desarrollo de sistemas inteligentes. |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/10793 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Tecnología de información e innovación tecnológica |
| ocde_area_str_mv | Ciencias naturales |
| ocde_disciplina_str_mv | Computación y ciencias de la información |
| ocde_str_mv | 1.02.01 |
| programa_nombre_str_mv | INGENIERÍA DE SISTEMAS |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2026 |
| publishDateRange | 2026 |
| publishDateSort | 2026 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Tarapoto |
| spelling | Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana Hernandez Cruz, Breyner Martin Pezo Castro, Enoc Stip Ostin Marlo Rimarachin, Wilder YOLOv8 CNN detección de armas arquitectura de software video vigilancia Objetivo: Este estudio tiene como objetivo diseñar e implementar Sentinel AI, una arquitectura de software basada en YOLOv8 para la detección y clasificación automática de armas peligrosas en entornos de videovigilancia urbana, integrando inferencia en tiempo real, almacenamiento de incidentes y generación de alertas inmediatas para apoyar las actividades de monitoreo y seguridad. Métodos: La investigación siguió un enfoque aplicado y tecnológico, con un diseño no experimental y descriptivo. Se utilizó un conjunto de datos anotado de 2,224 imágenes, compuesto por 1,437 imágenes de armas de fuego y 787 imágenes de armas blancas, distribuidas en una proporción de 80 % para entrenamiento y 20 % para validación. El modelo YOLOv8n fue entrenado mediante aprendizaje por transferencia utilizando imágenes de entrada de 640 × 640 píxeles, un tamaño de lote de 16 y 20 épocas. La arquitectura desarrollada integra un agente local encargado de la ingesta de video mediante RTSP y la inferencia con YOLOv8, un backend implementado con FastAPI, MongoDB para la persistencia de incidentes, comunicación en tiempo real mediante WebSocket y un panel web desarrollado en React para la visualización y gestión de alertas. Resultados: La evaluación del modelo obtuvo una precisión de 0.8964, una exhaustividad (recall) de 0.8719, un F1-score aproximado de 0.8840, un mAP@0.5 de 0.9239 y un mAP@0.5:0.95 de 0.6305. Estos resultados evidencian un desempeño favorable en la detección y clasificación automática de armas, manteniendo un equilibrio entre precisión, capacidad de detección y viabilidad para su implementación en escenarios de videovigilancia urbana. Conclusión: Los resultados obtenidos demuestran la viabilidad de integrar un modelo YOLOv8n dentro de una arquitectura de software orientada al monitoreo de videovigilancia urbana. Sentinel AI permitió combinar la detección automática de armas con el registro de incidentes, la comunicación en tiempo real y la generación de alertas dentro de una misma plataforma. La arquitectura propuesta constituye una base tecnológica funcional para el desarrollo de sistemas inteligentes. 2026-08-21 2026-10-13T20:24:31Z 2028-08-21 info:eu-repo/date/embargoEnd/2028-08-21 info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/10793 spa info:eu-repo/semantics/embargoedAccess https://creativecommons.org/licenses/by-nc/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/10793 2026-11-10T17:45:09Z |
| spellingShingle | YOLOv8 CNN detección de armas arquitectura de software video vigilancia Hernandez Cruz, Breyner Martin Pezo Castro, Enoc Stip Ostin Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana |
| title | Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana |
| title_full | Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana |
| title_fullStr | Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana |
| title_full_unstemmed | Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana |
| title_short | Arquitectura de software con YOLOv8 para la detección y clasificación automática de armas con alerta inmediata en videovigilancia urbana |
| title_sort | arquitectura de software con yolov8 para la deteccion y clasificacion automatica de armas con alerta inmediata en videovigilancia urbana |
| topic | YOLOv8 CNN detección de armas arquitectura de software video vigilancia |
| topic_facet | YOLOv8 CNN detección de armas arquitectura de software video vigilancia |
| url | https://hdl.handle.net/20.500.12840/10793 |
| work_keys_str_mv | AT hernandezcruzbreynermartin arquitecturadesoftwareconyolov8paraladeteccionyclasificacionautomaticadearmasconalertainmediataenvideovigilanciaurbana AT pezocastroenocstipostin arquitecturadesoftwareconyolov8paraladeteccionyclasificacionautomaticadearmasconalertainmediataenvideovigilanciaurbana |