Evaluating YOLO in real computer vision tasks

Abstract

El objetivo principal de este trabajo es evaluar la efectividad del modelo YOLO en tareas reales de visión por computadora, específicamente en el contexto de vehículos autónomos, utilizando el conjunto de datos KITTI. La motivación surge de la necesidad de mejorar la seguridad en la conducción autónoma, donde la detección precisa de peatones, ciclistas y otros vehículos es crucial para evitar accidentes. Las tareas realizadas incluyen la investigación y análisis de soluciones actuales, la preparación y preprocesamiento del conjunto de datos KITTI, el entrenamiento y optimización del modelo YOLO, y la evaluación de su rendimiento en escenarios de conducción variados. Los resultados demuestran una mejora significativa en la precisión y eficiencia del sistema de detección de objetos, contribuyendo al desarrollo de tecnologías de conducción autónoma más seguras y confiables. En conclusión, este trabajo avanza en la comprensión y aplicación de la tecnología de detección de objetos, reduciendo potencialmente la incidencia de lesiones y muertes en el tráfico vial.

The main objective of this project is to evaluate the effectiveness of the YOLO model in real-world computer vision tasks, specifically within the context of autonomous vehicles, using the KITTI dataset. The motivation stems from the need to improve safety in autonomous driving, where accurate detection of pedestrians, cyclists, and other vehicles is crucial to prevent accidents. Tasks performed include research and analysis of current solutions, preparation and preprocessing of the KITTI dataset, training and optimization of the YOLO model, and evaluation of its performance in various driving scenarios. The results demonstrate a significant improvement in the accuracy and efficiency of the object detection system, contributing to the development of safer and more reliable autonomous driving technologies. In conclusion, this work advances the understanding and application of object detection technology, potentially reducing the incidence of road traffic injuries and fatalities.

L’objectif principal de ce projet est d’évaluer l’efficacité du modèle YOLO dans des tâches réelles de vision par ordinateur, spécifiquement dans le contexte des véhicules autonomes, en utilisant le jeu de données KITTI. La motivation découle de la nécessité d’améliorer la sécurité dans la conduite autonome, où la détection précise des piétons, des cyclistes et des autres véhicules est cruciale pour prévenir les accidents. Les tâches effectuées incluent la recherche et l’analyse des solutions actuelles, la préparation et le prétraitement du jeu de données KITTI, l’entraînement et l’optimisation du modèle YOLO, et l’évaluation de ses performances dans divers scénarios de conduite. Les résultats démontrent une amélioration significative de la précision et de l’efficacité du système de détection d’objets, contribuant au développement de technologies de conduite autonome plus sûres et plus fiables. En conclusion, ce travail fait progresser la compréhension et l’application de la technologie de détection d’objets, réduisant potentiellement l’incidence des blessures et des décès liés au trafic routier.