RT info:eu-repo/semantics/masterThesis
T1 Estudio de librerías de detección de posturas sobre dispositivos móviles
A1 Romero Carrillo, Francisco Javier
A2 Universidad de Valladolid. Escuela de Ingeniería Informática de Valladolid
K1 Visión artificial
K1 Android
K1 Análisis de eficiencia
K1 Tele-rehabilitación
AB Este trabajo presenta un estudio comparativo de diversos modelos de visión artificialpreentrenados en estimación de posturas humanas integrables en dispositivos móviles. Existennumerosos modelos de estimación de posturas con características muy heterogéneas ydocumentaciones dispares según sus desarrolladores, por lo que la aportación principal de estetrabajo radica en ofrecer una evaluación homogénea de su funcionamiento. El objetivo esfacilitar la elección del más adecuado de ellos para su posterior incorporación en el desarrollode una futura aplicación para la asistencia a ejercicios de tele-rehabilitación en domicilio quepermita guiar al usuario en estos ejercicios y registrar información relevante para el seguimientoclínico, sin necesidad de sensores adicionales ni conexión a internet para el proceso derealización de los ejercicios.Para garantizar un análisis homogéneo, se eligió un subconjunto de imágenes filtradodel conjunto de datos COCO, compuesto por 316 imágenes que contienen una única personacon al menos 15 keypoints (puntos clave) anotados sobre el cual se han evaluado diferentesversiones de tres familias de modelos: MoveNet, BlazePose y YOLOv8-Pose, desde dosperspectivas:- Precisión en la detección de puntos clave para identificación de posturas: exactitudde los modelos al predecir las posturas, medida mediante la métrica AP (AveragePrecision). Se ha utilizado con la finalidad de poder validar resultados del modeloasí como para evaluar la idoneidad de las imágenes seleccionadas.- Rendimiento: tiempo medio de inferencia por imagen sobre un dispositivo móvilAndroid en condiciones reales. Se ha utilizado para medir el rendimiento de cadamodelo (tiempo de ejecución de cada inferencia de cada imagen) en diferentesdispositivos con el fin de poder evaluar la velocidad con la que cada modelo efectúala estimación.Los resultados muestran diferencias significativas entre modelos en cuanto a la relaciónprecisión-tiempo, destacando las variantes de la subfamilia Thunder de MoveNet y la versiónNano de YOLOv8-Pose por su equilibrio entre rendimiento y exactitud.Este estudio aporta una visión clara y práctica sobre la aplicabilidad de distintosenfoques de estimación de postura en entornos móviles, sirviendo como referencia paradesarrolladores e investigadores interesados en sistemas embebidos de visión por computador.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/79584
UL https://uvadoc.uva.es/handle/10324/79584
LA spa
NO Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)
DS UVaDOC
RD 10-ene-2026