Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado
La detección de objetos es una tecnología de la visión por computadora, con aplicaciones importantes en la ganadería para la gestión de recursos, el monitoreo de la salud animal y la automatización de tareas críticas. YOLO, una red neuronal convolucional ampliamente reconocida por su habilidad en la...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2024
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/178368 |
| Aporte de: |
| Sumario: | La detección de objetos es una tecnología de la visión por computadora, con aplicaciones importantes en la ganadería para la gestión de recursos, el monitoreo de la salud animal y la automatización de tareas críticas. YOLO, una red neuronal convolucional ampliamente reconocida por su habilidad en la detección de objetos en tiempo real. Si bien el modelo YOLOv7 ha mejorado significativamente, esto conlleva a un aumento en los recursos computacionales, el objetivo de este trabajo el de optimizar el rendimiento en el uso de la GPU utilizada para realizar la inferencia, garantizando detecciones precisas en tiempo real, particularmente en la gestión de ganado en la provincia de Catamarca. Se exploran diversas técnicas de optimización, incluyendo mejoras en el hardware, ajuste de hiperparámetros y optimización del código fuente. A través de estas técnicas se busca equilibrar la precisión y la sensibilidad del modelo, de forma conjunta con la eficiencia computacional. Con este trabajo se busca avanzar en la aplicación de visión por computadora en la ganadería de precisión, donde el modelo YOLOv7 se indaga y se busca optimizar la detección de objetos en otros contextos donde la precisión, la sensibilidad y los recursos computacionales son fundamentales. |
|---|