Implementing YOLO algorithm for real time object detection on embedded system / Paul Andre Silva Pincay ; tutor Lorena de los Angeles Guachi Guachi y Francisco Ortega-Zamorano
Tipo de material:
TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2019Descripción: 80 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Ingeniero en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2019 Resumen: La detección de objetos se ocupa de la clasificación y localización de múltiples objetos en imágenes y videos 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 imagenes. Mayormente, YOLO es conocido por ser rapido 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 más accesible. El trabajo abarca una pequeña descripción sobre detección de objetos y redes neuronales convolutivas con una revisión más 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 videos.
| Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
|---|---|---|---|---|---|---|---|---|
Tesis
|
Biblioteca Yachay Tech | ECMC0003 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000011 |
Navegando Biblioteca Yachay Tech estanterías Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
Trabajo de integración curricular (Ingeniero en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2019
Incluye referencias bibliográficas (páginas 59-66)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
La detección de objetos se ocupa de la clasificación y localización de múltiples objetos en imágenes y videos 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 imagenes. Mayormente, YOLO es conocido por ser rapido 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 más accesible. El trabajo abarca una pequeña descripción sobre detección de objetos y redes neuronales convolutivas con una revisión más 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 videos.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.