VISIÓN ARTIFICIAL Y
DETECCIÓN DE
OBJETOS
• Presentación sobre fundamentos, modelos y
aplicaciones.
INTRODUCCIÓN A LA
VISIÓN ARTIFICIAL
• Definición: Rama de la inteligencia artificial que
permite a las computadoras interpretar e identificar
patrones en imágenes y videos.
• Importancia: Permite automatizar tareas visuales
que normalmente requieren la percepción humana.
• Áreas relacionadas:
• Procesamiento de imágenes
• Aprendizaje profundo
• Redes neuronales convolucionales (CNN)
• Robótica e inteligencia artificial
FUNDAMENTOS DE LA
DETECCIÓN DE
OBJETOS
• Definición: Identificación y localización de objetos
específicos en imágenes o videos.
• Componentes clave:
• Clasificación: Determinar qué objeto aparece en la
imagen.
• Localización: Detectar la posición del objeto dentro de
la imagen.
• Segmentación: Dividir la imagen en regiones de
interés.
• Tipos de detección:
• Basada en regiones (R-CNN, Faster R-CNN)
• De un solo paso (YOLO, SSD)
• Segmentación semántica y de instancia
PRINCIPALES ALGORITMOS
Y MODELOS
🔹 YOLO (You Only Look Once)
✅ Rápido y eficiente para detección en tiempo real.
✅ Se usa en sistemas de seguridad, vigilancia, deportes y vehículos
autónomos.
🔹 SSD (Single Shot Multibox Detector)
✅ Equilibrio entre rapidez y precisión.
✅ Menos exigente en términos de cómputo.
🔹 Faster R-CNN
✅ Precisión más alta, pero más lento que YOLO y SSD.
✅ Se usa en tareas donde la precisión es prioritaria (ejemplo:
detección de tumores en imágenes médicas).
• 🔹 DETR (DEtection TRansformer)
✅ Basado en transformers, sin necesidad de técnicas como
anclajes.
✅ Más preciso en detección de objetos pequeños y relaciones entre
ellos.
APLICACIONES EN EL
MUNDO REAL
• - Automóviles autónomos: Identificación de peatones
y señales.
• - Seguridad: Reconocimiento facial y vigilancia.
• - Medicina: Análisis de imágenes médicas.
• - Agricultura: Monitoreo de cultivos.
• - Manufactura: Control de calidad.
HERRAMIENTAS Y
TECNOLOGÍAS
• OpenCV: Biblioteca de procesamiento de imágenes en
tiempo real.
• TensorFlow y PyTorch: Frameworks de deep learning
para entrenar y ejecutar modelos.
• Detectron2: Plataforma para detección de objetos
desarrollada por Facebook AI.
• NVIDIA CUDA: Aceleración mediante GPUs para
procesamiento eficiente.
• Edge AI: Uso de modelos en dispositivos sin necesidad
de conexión a la nube.
• AutoML: Entrenamiento automático de modelos sin
intervención manual.
RETOS Y LIMITACIONES
- 🔸 Requisitos Computacionales:
• Modelos de IA avanzados requieren GPU y TPU potentes.
• Procesamiento en dispositivos móviles es más complejo.
🔸 Etiquetado de Datos:
• Se necesitan grandes volúmenes de datos anotados para entrenar modelos con precisión.
• Creación de datasets puede ser costosa y tediosa.
🔸 Condiciones del Entorno:
• Cambios en iluminación o ángulos pueden afectar el rendimiento.
• Modelos deben ser robustos ante variaciones en imágenes del mundo real.
🔸 Sesgo en los Datos:
• Sistemas de detección pueden tener errores debido a sesgos en el conjunto de entrenamiento.
• Puede afectar aplicaciones críticas como reconocimiento facial en seguridad.
🔸 Cuestiones Éticas y Privacidad:
• Uso de reconocimiento facial y monitoreo en tiempo real plantea preocupaciones sobre la
privacidad.
• Regulaciones estrictas en algunas regiones sobre el uso de IA en vigilancia.
• .
FUTURO DE LA VISIÓN
ARTIFICIAL
• - Modelos más eficientes para dispositivos móviles.
• - IA explicable y mayor interpretabilidad.
• - Aplicaciones en realidad aumentada y virtual.
• - Integración con sensores para mayor precisión.
CONCLUSIÓN
• La visión artificial y la detección de objetos están
revolucionando múltiples industrias, automatizando
tareas y mejorando la eficiencia.
