Implementing YOLO algorithm for real time object detection on embedded system

Abstract

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.