Redes neuronales convolucionales para la identificación de placas vehiculares
El uso de redes neuronales convolucionales para la identificación de placas vehiculares ha demostrado ser una solución frente a los crecientes niveles de inseguridad ciudadana. Los modelos YOLOv5, YOLOv8 y Detectron2 fueron evaluados para determinar su eficacia en la detección y reconocimiento de pl...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2024
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | El uso de redes neuronales convolucionales para la identificación de placas vehiculares ha demostrado ser una solución frente a los crecientes niveles de inseguridad ciudadana. Los modelos YOLOv5, YOLOv8 y Detectron2 fueron evaluados para determinar su eficacia en la detección y reconocimiento de placas. Los resultados indicaron que YOLOv8 sobresale por su precisión y rapidez, seguido de cerca por YOLOv5, mientras que Detectron2, aunque más lento, mostró alta precisión y fiabilidad. Para el desarrollo de esta investigación, se utilizó la herramienta Colab para gestionar las redes neuronales y un dataset de 700 imágenes de vehículos, que fueron etiquetadas usando Roboflow. Los resultados mostraron una disminución significativa en las pérdidas de entrenamiento y validación, indicando una mejora continua en la capacidad de los modelos para identificar y localizar objetos con precisión. La implementación de estas tecnologías permitió una identificación eficiente de las placas vehiculares, facilitando la labor de las autoridades en la gestión de incidentes delictivos y accidentes. Los modelos propuestos ofrecen una base sólida para futuras mejoras. Se concluye que los modelos de redes neuronales convolucionales como YOLOv5, YOLOv8 y Detectron2 representan una herramienta eficaz para la identificación de placas vehiculares en entornos locales. |
|---|