Machine Learning pipeline para el etiquetado automático en imágenes de especies de peces peruanos

• Autor: Madera Garcés, Cesar Antonio
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/396
• Enlace del recurso: https://hdl.handle.net/20.500.12815/396
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Deep Learning; Etiquetado automático; Convolutional Neural Networks; Peces; Automatic labeling; Fishes; https://purl.org/pe-repo/ocde/ford#1.02.02

Machine Learning (ML) se destaca como una herramienta fundamental para la detección y clasificación de imágenes. Sin embargo, el entrenamiento de modelos avanzados requiere una gran cantidad de imágenes etiquetadas y una capacidad computacional significativa. Esta tarea resulta especialmente desafiante en el contexto de la fauna marina peruana, debido a la escasez de conjuntos de datos etiquetados. Para abordar esta problemática, se desarrolló un etiquetador automático de peces basado en un pipeline de Deep Learning (DL). Este pipeline utiliza un detector preentrenado (YoloV5 y Unidet) y una red EfficientNetB0, clasificador basado en Convolutional Neural Networks (CNN’s). La selección del clasificador se basó en un análisis exhaustivo de diversos modelos del estado del arte, considerando el tamaño en memoria, el número de parámetros y la precisión obtenida con los conjuntos de datos de la investigación. Los resultados prácticos mostraron una precisión parcial del detector del 79.45 %, mientras que el clasificador alcanzo un 91.47 %, generando así una precisión final del 72.67 %. Además, se logró un error mínimo del 22.54 % y se desarrolló una aplicación en tiempo real que alcanzó hasta 8 fps, lo que permitió automatizar la tarea de etiquetado de imágenes.