Búsqueda avanzada

Mostrar el registro sencillo del ítem

dc.contributor.advisorLópez del Álamo, Cristian José
dc.contributor.authorMadera Garcés, Cesar Antonio
dc.date.accessioned2024-10-28T15:45:33Z
dc.date.available2024-10-28T15:45:33Z
dc.date.issued2024
dc.identifier.citationMadera Garcés, C. A. (2024). Machine Learning pipeline para el etiquetado automático en imágenes de especies de peces peruanos [Tesis de Título Profesional, Universidad de Ingeniería y Tecnología]. Repositorio Institucional UTEC. https://hdl.handle.net/20.500.12815/396es_PE
dc.identifier.urihttps://hdl.handle.net/20.500.12815/396
dc.description.abstractMachine Learning (ML) se destaca como una herramienta fundamental para la detección y clasificación de imágenes. Sin embargo, el entrenamiento de modelos avanzados requiere una gran cantidad de imágenes etiquetadas y una capacidad computacional significativa. Esta tarea resulta especialmente desafiante en el contexto de la fauna marina peruana, debido a la escasez de conjuntos de datos etiquetados. Para abordar esta problemática, se desarrolló un etiquetador automático de peces basado en un pipeline de Deep Learning (DL). Este pipeline utiliza un detector preentrenado (YoloV5 y Unidet) y una red EfficientNetB0, clasificador basado en Convolutional Neural Networks (CNN’s). La selección del clasificador se basó en un análisis exhaustivo de diversos modelos del estado del arte, considerando el tamaño en memoria, el número de parámetros y la precisión obtenida con los conjuntos de datos de la investigación. Los resultados prácticos mostraron una precisión parcial del detector del 79.45 %, mientras que el clasificador alcanzo un 91.47 %, generando así una precisión final del 72.67 %. Además, se logró un error mínimo del 22.54 % y se desarrolló una aplicación en tiempo real que alcanzó hasta 8 fps, lo que permitió automatizar la tarea de etiquetado de imágenes.es_PE
dc.description.abstractMachine Learning (ML) stands out as a fundamental tool for image detection and classification. However, training advanced models requires a large number of labeled images and significant computational power. This task is especially challenging in the context of Peruvian marine fauna, due to the scarcity of labeled specimens. To address this problem, an automatic fish labeler was developed based on a Deep Learning (DL) pipeline. This pipeline uses a pretrained detector (YoloV5 and Unidet) and a classifier based on CNNs (EfficientNetB0). The selection of the classifier was based on an exhaustive analysis of various state-of-the-art models, considering the size in memory, the number of parameters and the precision obtained with the research data sets. The practical results showed a partial precision of the detector of 79.45 %, while the classifier reached 91.47 %, thus generating a final accuracy of 72.67 %. In addition, a minimum error of 22.54 % was achieved and a real-time application was developed that reached up to 8 fps, which allowed the image labeling task to be automated.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad de Ingeniería y Tecnologíaes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.sourceRepositorio Institucional UTECes_PE
dc.sourceUniversidad de Ingeniería y Tecnología - UTECes_PE
dc.subjectMachine Learninges_PE
dc.subjectDeep Learninges_PE
dc.subjectEtiquetado automáticoes_PE
dc.subjectConvolutional Neural Networkses_PE
dc.subjectPeceses_PE
dc.subjectAutomatic labelinges_PE
dc.subjectConvolutional Neural Networkses_PE
dc.subjectFisheses_PE
dc.titleMachine Learning pipeline para el etiquetado automático en imágenes de especies de peces peruanoses_PE
dc.title.alternativeMachine Learning pipeline for automatic labeling in peruvian fish species imageses_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.02.02es_PE
dc.publisher.countryPEes_PE
thesis.degree.disciplineCiencia de la Computaciónes_PE
thesis.degree.grantorUniversidad de Ingeniería y Tecnología. Ciencia de la Computaciónes_PE
thesis.degree.levelTítulo Profesionales_PE
thesis.degree.nameLicenciado en Ciencia de la Computaciónes_PE
renati.advisor.dni29708892
renati.advisor.orcidhttps://orcid.org/0000-0002-2568-650Xes_PE
renati.author.dni70398184
renati.author.orcidhttps://orcid.org/0000-0002-8878-8677es_PE
renati.discipline611016es_PE
renati.jurorSerrano Llerena, Yamilet Rosario
renati.jurorJavier Biagioli, Eric
renati.jurorDeza Figueroa, Manuel Arturo
renati.levelhttp://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.typehttp://purl.org/pe-repo/renati/type#tesises_PE


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(es)

Mostrar el registro sencillo del ítem

info:eu-repo/semantics/openAccess
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess