Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.yachaytech.edu.ec/handle/123456789/62| Título : | Implementing YOLO algorithm for real time object detection on embedded system |
| Autor : | Guachi Guachi, Lorena de los Angeles Ortega-Zamorano, Francisco Silva Pincay, Paul Andre |
| Palabras clave : | Object detection Convolutional neural networks YOLO Training parameters Rasp- berry Pi. Deteccion de objetos Redes neuronales convolutivas YOLO Par´ametros de entrenamiento Raspberri Pi. |
| Fecha de publicación : | ago-2019 |
| Editorial : | Universidad de Investigación de Tecnología Experimental Yachay |
| Resumen : | La detección de objetos se ocupa de la clasificación y localización de múltiples objetos en imágenes y vídeos al usar un tipo particular de redes neuronales artificiales conocidas como Redes Neuronales Convolutivas. Una de las redes que ha ganado reconocimiento en el área de visión computacional es YOLO, un algoritmo que es un conjunto de múltiples técnicas usadas para mejorar el rendimiento en términos de velocidad y precisión en detectar objetos en imágenes. Mayormente, YOLO es conocido por ser rápido en comparación a otros detectores de objectos modernos que también usan GPUs para entrenamiento y detección. Desafortunadamente, las GPUs son caras y no accesibles a todos de manera que limita el número de aplicaciones potenciales que pueden ser implementadas. En ese sentido, este trabajo se enmarca en implementar YOLO para detección en sistemas embebidos como el Raspberry Pi. A pesar de que este dispositivo es computacionalmente limitado, esto fue una gran oportunidad de ver si esta tarea era posible debido a que el Raspberry Pi es una alternativa de bajo costo mas accesible. El trabajo abarca una pequeña descripción sobre detección de objetos y redes neuronales convolutivas con una revisión mas detallada de las técnicas, aplicaciones y limitaciones de YOLO. También presenta detalles sobre los parámetros de entrenamiento usados para mejorar la precisión de YOLO y las pruebas realizadas en el Raspberry Pi usando vídeos. |
| Descripción : | Object detection deals with classifying and locating multiples objects in images and videos by using a specific type of artificial neural networks known as Convolutional Neural Networks. One of the networks that have gained recognition in this area of computer vision is YOLO, an algorithm that is a collection of multiple techniques used to improve performance both in terms of speed and precision to detect objects in images. Mostly, YOLO is known for being fast in comparison to other state-of-the-art object detectors which all use GPUs for training and detection. Unfortunately, GPUs are expensive and not accessible to everyone thus limiting the number of potential applications that can be implemented. In that sense, this work is focused on implementing YOLO for detection on an embedded system such as the Raspberry Pi. Although this device is computationally constrained, it represented a great chance to see if this feat was possible as the Raspberry Pi is a more accessible low cost alternative. The work covers a small description on object detection and convolutional neural networks with a more detailed overview of the techniques, applications and challenges of YOLO. It also presents details on the training parameters considered to improved YOLO’s precision and the tests performed on the Raspberry Pi using videos. |
| URI : | http://repositorio.yachaytech.edu.ec/handle/123456789/62 |
| Aparece en las colecciones: | Tecnologías de la Información |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| ECMC0003.pdf | 3.56 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.