Análisis de algoritmos optimizadores de función de coste en el rendimiento de una red neuronal convolucional YOLO aplicada a la detección automática de peatones
En los últimos años, las investigaciones en el campo del Deep Learning han adquirido una gran relevancia en diversas aplicaciones de la vida real, incluyendo la conducción autónoma y la detección de objetos asociada a esta área. Para llevar a cabo este proceso, es necesario entrenar redes neuronales...
| Author: | |
|---|---|
| Format: | Master's thesis |
| Status: | Published version |
| Publication date: | 2023 |
| Country: | Ecuador |
| Institution: | UPS |
| Repository: | Repositorio Universidad Politécnica Salesiana |
| Language: | Spanish |
| OAI Identifier: | oai:dspace.ups.edu.ec:123456789/26120 |
| Online Access: | http://dspace.ups.edu.ec/handle/123456789/26120 |
| Access Level: | Open access |
| Keyword: | MÉTODOS MATEMÁTICOS Y SIMULACIÓN NUMÉRICA RED NEURONAL YOLOV5 DEEP LEARNING ANÁLISIS COMPARATIVO |
| Summary: | En los últimos años, las investigaciones en el campo del Deep Learning han adquirido una gran relevancia en diversas aplicaciones de la vida real, incluyendo la conducción autónoma y la detección de objetos asociada a esta área. Para llevar a cabo este proceso, es necesario entrenar redes neuronales convolucionales capaces de realizar detecciones rápidas y precisas. En este trabajo se muestra el análisis comparativo del rendimiento de la red YOLOv5, entrenada con tres diferentes optimizadores de función de costo Adam, SGD y AdamW. Los algoritmos optimizadores de función de costo desempeñan un papel fundamental en el entrenamiento y el rendimiento de las redes neuronales, ya que la función de costo cuantifica la discrepancia entre los valores reales y los valores predichos por el modelo. Los experimentos se llevaron a cabo con el set de datos libre Self Driving Car Dataset de Udacity y la versión X-Large de YOLO. Para el análisis comparativo se realizó la prueba de comparaciones múltiples de Kruskal-Wallis y la prueba post hoc de Dunn de las que se desprende la conclusión que el optimizador SGD difiere en gran medida a Adam y AdamW. A pesar de que los resultados de un modelo de DL no son generalizables, los resultados muestran que SGD consiguió métricas de rendimiento significativamente mayores que Adam y AdamW. Logrando una precisión promedio mayor al 90%. Estos resultados destacan la importancia de seleccionar cuidadosamente el optimizador de función de costo en el entrenamiento de redes neuronales convolucionales, como YOLOv5, con el fin de mejorar el rendimiento y la precisión en tareas de detección de objetos, como en el contexto de la conducción autónoma. |
|---|