Ryan A. León León, Eduardo R. Berrios Barreto, José C. Haro Reyes, Jessica A. León Montero, Elías A. Tandaypan Ruiz

Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 483-490 (2024); https://doi.org/10.54808/CISCI2024.01.483

Ryan A. León León
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Eduardo R. Berrios Barreto
La Libertad-Universidad Privada del Norte, Trujillo, Perú

José C. Haro Reyes
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Jessica A. León Montero
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Elías A. Tandaypan Ruiz
La Libertad-Universidad Privada del Norte, Trujillo, Perú

Cite this paper as:
León León, R. A., Berrios Barreto, E. R., Haro Reyes, J. C., León Montero, J. A., Tandaypan Ruiz, E. A. (2024). Desarrollo de un Algoritmo de Visión Artificial para el Reconocimiento de Señales de Tránsito Preventivas. En N. Callaos, Jesús de la Fuente Arias, J. Horne, B. Sánchez, A. Tremante (Eds.), Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 483-490. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CISCI2024.01.483

La investigación tiene como propósito reconocer señales de tránsito preventivas con precisión a través del deep learning específicamente red neuronal convolucional bajo el modelo de detección YOLO v8 (You Only Look Once, versión 8) utilizando librerías como, OpenCV, ultralytics, numpy, una laptop de 16 GB de RAM, tarjeta gráfica NVIDIA Geforce GTX y la Webcam. El desarrollo del código en Roboflow segmenta 233 imágenes en 3 conjuntos: entrenamiento, validación y prueba. Luego, se exporta el código en formato YOLOv8. Posteriormente el código en Yolov8m, es entrenado, probado y validado en una revisión de imágenes durante 100 épocas mediante Google Collab. Finalmente, la precisión final es 95%.