Diseño e implementación de una nueva arquitectura YOLOv5 para la detección y reconocimiento de señales de tráfico del Ecuador

Los sistemas de detección y reconocimiento de señales de tráfico (SDRST) son una tecnología en constante evolución con énfasis en la integración con sistemas avanzados de asistencia al conductor (ADAS) y automóviles autónomos. De igual manera, la Organización Mundial de la Salud y el Foro Internacional del Transporte tienen planes y tecnologías avanzadas para facilitar la construcción de carreteras con el propósito de reducir accidentes, lo cual también está en sintonía con los objetivos de la Organización Mundial de la Salud. Además, esto también se alinea con el Foro Internacional del Transporte para la implementación de regulaciones y tecnologías destinadas a crear carreteras seguras y reducir accidentes de tráfico. Este proyecto propone un sistema automatizado de detección y reconocimiento de señales de tráfico de Ecuador para una tarea de detección de objetos basada en un modelo modificado de YOLOv5. La versión optimizada YOLOv5s-4OUT es bien conocida por detectar y clasificar señales de tráfico de tamaño pequeño. Esta mejora se logra al agregar una escala a la cabeza que permite que las características extraídas de la red sean recibidas y procesadas. Los resultados muestran que los experimentos realizados confirman una mejora sustancial en el modelo YOLOv5s-4OUT y sus variantes en comparación con otros modelos como YOLOv5s, YOLOv5s C3 SPP, YOLOv5s C3 GHOST y YOLOv5s C3x. Además, las mejoras documentadas en mAP@0.5 fueron del 30.2%, 31.8%, 44.1% y 41%, respectivamente. Además, la mejora en sensibilidad respecto a los otros modelos fue del 28.4%, 28.7%, 42.2% y 38.8%, mientras que la mejora en precisión fue del 17.5%, 12.9%, 21% y 25.5%. La tasa de error para los modelos fue del 22%, 39.5%, 34.9%, 43% y 47.5%, lo que demostró cuán efectivas fueron las revisiones al modelo YOLOv5s-4OUT en la disminución de la mala clasificación de señales de tráfico. El tiempo de inferencia para los modelos YOLOv5s-4OUT, YOLOv5s, YOLOv5 C3 SPP, YOLOv5 C3 GHOST y YOLOv5 C3x fue de 28 ms, 21.3 ms, 26 ms, 18.3 ms y 20 ms, respectivamente. El modelo fue finalmente implementado en un dispositivo portátil Jetson Nano, que tiene un tiempo de procesamiento por fotograma de 172.4 ms.

• Main Author: Calvopiña Iglesias, Francisco Rafael (author)
• Format: bachelorThesis
• Published: 2025
• Subjects: SEÑALES DE TRÁFICO; REGLAMENTARIAS; DETECCIÓN; RECONOCIMIENTO; YOLOV5S.
• Online Access: https://repositorio.espe.edu.ec/handle/21000/50612