YOLOv8-Based Model for Solid Waste Detection

Descripción del Articulo

The primary focus of this article was to employ Ultralytics technology, specifically YOLOv8, in object recognition. This involved utilizing supervised learning and other machine learning techniques. The article took into consideration the definitions of object detection and model training to effecti...

Descripción completa

Detalles Bibliográficos
Autores: Guevara Saldaña, Rodrigo Alonso, Díaz Tomás, Marcos Iván, Torres Villanueva, Marcelino
Formato: artículo
Fecha de Publicación:2024
Institución:Universidad La Salle
Repositorio:Revistas - Universidad La Salle
Lenguaje:español
OAI Identifier:oai:ojs.revistas.ulasalle.edu.pe:article/160
Enlace del recurso:https://revistas.ulasalle.edu.pe/innosoft/article/view/160
https://doi.org/10.48168/innosoft.s16.a160
https://purl.org/42411/s16/a160
https://n2t.net/ark:/42411/s16/a160
Nivel de acceso:acceso abierto
Materia:Detection
Deep Learning
Solid Waste
YOLO
Detección
Aprendizaje Profundo
Residuos Sólidos
id REVUSALLE_1c66f2d31da3b5d629f32635a55fd8f9
oai_identifier_str oai:ojs.revistas.ulasalle.edu.pe:article/160
network_acronym_str REVUSALLE
network_name_str Revistas - Universidad La Salle
repository_id_str
spelling YOLOv8-Based Model for Solid Waste Detection Modelo Basado en YOLOv8 para la Detección de Residuos SólidosGuevara Saldaña, Rodrigo Alonso Díaz Tomás, Marcos Iván Torres Villanueva, MarcelinoDetectionDeep LearningSolid WasteYOLODetecciónAprendizaje ProfundoResiduos SólidosYOLOThe primary focus of this article was to employ Ultralytics technology, specifically YOLOv8, in object recognition. This involved utilizing supervised learning and other machine learning techniques. The article took into consideration the definitions of object detection and model training to effectively categorize solid waste, thereby facilitating recycling efforts. Following this, each object class was manually identified using the LabelImg tagger, considering the positions of the objects within the images. This approach led to the analysis of 1517 images and produced notably high-quality and significant results.El principal motivo de este artículo fue la práctica de reconocimiento de objetos, utilizando la tecnología de Ultralytics, YOLOv8, aplicando el aprendizaje supervisado y otros métodos de machine learning. Se tomó en cuenta las definiciones de la detección de objetos y entrenamiento de modelos para clasificar los residuos sólidos para que estos sean después reciclados, para luego identificar manualmente cada clase de objeto con el etiquetador LabelImg, tomando en cuenta las posiciones de cada objeto en las imágenes. Se analizaron 1517 imágenes dándonos unos resultados excelentes y considerables.Universidad La Salle2024-09-30info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionJournal papertextArtículos originalesapplication/pdftext/htmlhttps://revistas.ulasalle.edu.pe/innosoft/article/view/160https://doi.org/10.48168/innosoft.s16.a160https://purl.org/42411/s16/a160https://n2t.net/ark:/42411/s16/a160Innovation and Software; Vol 5 No 2 (2024): September - February; 104-113Innovación y Software; Vol. 5 Núm. 2 (2024): Septiembre - Febrero; 104-1132708-09352708-0927https://doi.org/10.48168/innosoft.s16https://purl.org/42411/s16https://n2t.net/ark:/42411/s16reponame:Revistas - Universidad La Salleinstname:Universidad La Salleinstacron:USALLEspahttps://revistas.ulasalle.edu.pe/innosoft/article/view/160/252https://revistas.ulasalle.edu.pe/innosoft/article/view/160/253Derechos de autor 2024 Innovación y Softwarehttps://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessoai:ojs.revistas.ulasalle.edu.pe:article/1602025-07-03T08:02:28Z
dc.title.none.fl_str_mv YOLOv8-Based Model for Solid Waste Detection
Modelo Basado en YOLOv8 para la Detección de Residuos Sólidos
title YOLOv8-Based Model for Solid Waste Detection
spellingShingle YOLOv8-Based Model for Solid Waste Detection
Guevara Saldaña, Rodrigo Alonso
Detection
Deep Learning
Solid Waste
YOLO
Detección
Aprendizaje Profundo
Residuos Sólidos
YOLO
title_short YOLOv8-Based Model for Solid Waste Detection
title_full YOLOv8-Based Model for Solid Waste Detection
title_fullStr YOLOv8-Based Model for Solid Waste Detection
title_full_unstemmed YOLOv8-Based Model for Solid Waste Detection
title_sort YOLOv8-Based Model for Solid Waste Detection
dc.creator.none.fl_str_mv Guevara Saldaña, Rodrigo Alonso
Díaz Tomás, Marcos Iván
Torres Villanueva, Marcelino
author Guevara Saldaña, Rodrigo Alonso
author_facet Guevara Saldaña, Rodrigo Alonso
Díaz Tomás, Marcos Iván
Torres Villanueva, Marcelino
author_role author
author2 Díaz Tomás, Marcos Iván
Torres Villanueva, Marcelino
author2_role author
author
dc.subject.none.fl_str_mv Detection
Deep Learning
Solid Waste
YOLO
Detección
Aprendizaje Profundo
Residuos Sólidos
YOLO
topic Detection
Deep Learning
Solid Waste
YOLO
Detección
Aprendizaje Profundo
Residuos Sólidos
YOLO
description The primary focus of this article was to employ Ultralytics technology, specifically YOLOv8, in object recognition. This involved utilizing supervised learning and other machine learning techniques. The article took into consideration the definitions of object detection and model training to effectively categorize solid waste, thereby facilitating recycling efforts. Following this, each object class was manually identified using the LabelImg tagger, considering the positions of the objects within the images. This approach led to the analysis of 1517 images and produced notably high-quality and significant results.
publishDate 2024
dc.date.none.fl_str_mv 2024-09-30
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Journal paper
text
Artículos originales
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://revistas.ulasalle.edu.pe/innosoft/article/view/160
https://doi.org/10.48168/innosoft.s16.a160
https://purl.org/42411/s16/a160
https://n2t.net/ark:/42411/s16/a160
url https://revistas.ulasalle.edu.pe/innosoft/article/view/160
https://doi.org/10.48168/innosoft.s16.a160
https://purl.org/42411/s16/a160
https://n2t.net/ark:/42411/s16/a160
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv https://revistas.ulasalle.edu.pe/innosoft/article/view/160/252
https://revistas.ulasalle.edu.pe/innosoft/article/view/160/253
dc.rights.none.fl_str_mv Derechos de autor 2024 Innovación y Software
https://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Derechos de autor 2024 Innovación y Software
https://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
text/html
dc.publisher.none.fl_str_mv Universidad La Salle
publisher.none.fl_str_mv Universidad La Salle
dc.source.none.fl_str_mv Innovation and Software; Vol 5 No 2 (2024): September - February; 104-113
Innovación y Software; Vol. 5 Núm. 2 (2024): Septiembre - Febrero; 104-113
2708-0935
2708-0927
https://doi.org/10.48168/innosoft.s16
https://purl.org/42411/s16
https://n2t.net/ark:/42411/s16
reponame:Revistas - Universidad La Salle
instname:Universidad La Salle
instacron:USALLE
instname_str Universidad La Salle
instacron_str USALLE
institution USALLE
reponame_str Revistas - Universidad La Salle
collection Revistas - Universidad La Salle
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1842089927896989696
score 12.851315
YOLOv8-Based Model for Solid Waste Detection
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares