Sistema inteligente de detección y monitoreo de espacios de estacionamiento mediante visión por computadora y Deep learning en el campus de la Universidad Peruana Unión, Juliaca
La gestión eficiente de los espacios de estacionamiento representa un desafío creciente debido al incremento del parque automotor. Este estudio presenta una evaluación comparativa de cinco arquitecturas de detección de objetos —YOLOv8s, YOLOv11s, YOLOv12s, RT-DETR-L y Faster R-CNN— para el monitoreo...
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!
|
| Sumario: | La gestión eficiente de los espacios de estacionamiento representa un desafío creciente debido al incremento del parque automotor. Este estudio presenta una evaluación comparativa de cinco arquitecturas de detección de objetos —YOLOv8s, YOLOv11s, YOLOv12s, RT-DETR-L y Faster R-CNN— para el monitoreo inteligente de la ocupación vehicular en tiempo real bajo condiciones de iluminación variables. Los modelos fueron entrenados mediante aprendizaje por transferencia utilizando un conjunto de datos personalizado de 1463 imágenes originales, ampliado a 3511 archivos y 52 664 instancias mediante aumento de datos. Se evaluaron diez experimentos independientes y seis esquemas de partición para controlar la fuga de datos. Bajo el esquema más estricto (D3), que separa las imágenes por fecha de adquisición y punto de vista de la cámara, Faster R-CNN obtuvo el mejor resultado (mAP@0.5:0.95 = 0.9325), mientras que YOLOv11s alcanzó 0.8763. En contraste, con la partición aleatoria, todos los modelos superaron 0.985, evidenciando una inversión en su clasificación de rendimiento (Spearman ρ = −0.80). Las diferencias de eficiencia computacional fueron estadísticamente significativas (H = 47.06, p < 0.001). YOLOv8s destacó por su velocidad y fue seleccionado en el 73.3 % de las ponderaciones, por lo que resultó la alternativa más adecuada para aplicaciones en tiempo real. El sistema integrado YOLOv8s + ByteTrack + FastAPI + Next.js 14 alcanzó precisiones de 87.5 % y 91.8 % durante el día y la noche, respectivamente, en 1395 observaciones de un estacionamiento universitario de Juliaca, Perú, ubicado a 3824 m s. n. m. Asimismo, YOLOv8s presentó una reducción de 0.1085 en mAP@0.5:0.95 al pasar de la partición aleatoria a la disjunta, lo que evidencia las limitaciones de generalización asociadas a configuraciones espaciales fijas. Los resultados respaldan la viabilidad de la detección basada en aprendizaje profundo para el monitoreo inteligente de estacionamientos en entornos universitarios andinos de gran altitud. |
|---|