Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado
- Autores
- Aranda, Marcos; Redolfi, Javier Andrés; Araguás, Gastón
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- La detección de objetos es una tecnología de la visión por computadora, con aplicaciones importantes en la ganadería para la gestión de recursos, el monitoreo de la salud animal y la automatización de tareas críticas. YOLO, una red neuronal convolucional ampliamente reconocida por su habilidad en la detección de objetos en tiempo real. Si bien el modelo YOLOv7 ha mejorado significativamente, esto conlleva a un aumento en los recursos computacionales, el objetivo de este trabajo el de optimizar el rendimiento en el uso de la GPU utilizada para realizar la inferencia, garantizando detecciones precisas en tiempo real, particularmente en la gestión de ganado en la provincia de Catamarca. Se exploran diversas técnicas de optimización, incluyendo mejoras en el hardware, ajuste de hiperparámetros y optimización del código fuente. A través de estas técnicas se busca equilibrar la precisión y la sensibilidad del modelo, de forma conjunta con la eficiencia computacional. Con este trabajo se busca avanzar en la aplicación de visión por computadora en la ganadería de precisión, donde el modelo YOLOv7 se indaga y se busca optimizar la detección de objetos en otros contextos donde la precisión, la sensibilidad y los recursos computacionales son fundamentales.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Visión por computadora
Aprendizaje automático
Redes neuronales - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/178368
Ver los metadatos del registro completo
id |
SEDICI_8c64d84b8f4c0879e88fd43b47937001 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/178368 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganadoAranda, MarcosRedolfi, Javier AndrésAraguás, GastónCiencias InformáticasVisión por computadoraAprendizaje automáticoRedes neuronalesLa detección de objetos es una tecnología de la visión por computadora, con aplicaciones importantes en la ganadería para la gestión de recursos, el monitoreo de la salud animal y la automatización de tareas críticas. YOLO, una red neuronal convolucional ampliamente reconocida por su habilidad en la detección de objetos en tiempo real. Si bien el modelo YOLOv7 ha mejorado significativamente, esto conlleva a un aumento en los recursos computacionales, el objetivo de este trabajo el de optimizar el rendimiento en el uso de la GPU utilizada para realizar la inferencia, garantizando detecciones precisas en tiempo real, particularmente en la gestión de ganado en la provincia de Catamarca. Se exploran diversas técnicas de optimización, incluyendo mejoras en el hardware, ajuste de hiperparámetros y optimización del código fuente. A través de estas técnicas se busca equilibrar la precisión y la sensibilidad del modelo, de forma conjunta con la eficiencia computacional. Con este trabajo se busca avanzar en la aplicación de visión por computadora en la ganadería de precisión, donde el modelo YOLOv7 se indaga y se busca optimizar la detección de objetos en otros contextos donde la precisión, la sensibilidad y los recursos computacionales son fundamentales.Red de Universidades con Carreras en Informática2024-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf270-279http://sedici.unlp.edu.ar/handle/10915/178368spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-2428-5info:eu-repo/semantics/reference/hdl/10915/172755info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:47:28Zoai:sedici.unlp.edu.ar:10915/178368Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:28.81SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado |
title |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado |
spellingShingle |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado Aranda, Marcos Ciencias Informáticas Visión por computadora Aprendizaje automático Redes neuronales |
title_short |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado |
title_full |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado |
title_fullStr |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado |
title_full_unstemmed |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado |
title_sort |
Optimización de la red neuronal YOLOv7 para la clasificación y detección de ganado |
dc.creator.none.fl_str_mv |
Aranda, Marcos Redolfi, Javier Andrés Araguás, Gastón |
author |
Aranda, Marcos |
author_facet |
Aranda, Marcos Redolfi, Javier Andrés Araguás, Gastón |
author_role |
author |
author2 |
Redolfi, Javier Andrés Araguás, Gastón |
author2_role |
author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Visión por computadora Aprendizaje automático Redes neuronales |
topic |
Ciencias Informáticas Visión por computadora Aprendizaje automático Redes neuronales |
dc.description.none.fl_txt_mv |
La detección de objetos es una tecnología de la visión por computadora, con aplicaciones importantes en la ganadería para la gestión de recursos, el monitoreo de la salud animal y la automatización de tareas críticas. YOLO, una red neuronal convolucional ampliamente reconocida por su habilidad en la detección de objetos en tiempo real. Si bien el modelo YOLOv7 ha mejorado significativamente, esto conlleva a un aumento en los recursos computacionales, el objetivo de este trabajo el de optimizar el rendimiento en el uso de la GPU utilizada para realizar la inferencia, garantizando detecciones precisas en tiempo real, particularmente en la gestión de ganado en la provincia de Catamarca. Se exploran diversas técnicas de optimización, incluyendo mejoras en el hardware, ajuste de hiperparámetros y optimización del código fuente. A través de estas técnicas se busca equilibrar la precisión y la sensibilidad del modelo, de forma conjunta con la eficiencia computacional. Con este trabajo se busca avanzar en la aplicación de visión por computadora en la ganadería de precisión, donde el modelo YOLOv7 se indaga y se busca optimizar la detección de objetos en otros contextos donde la precisión, la sensibilidad y los recursos computacionales son fundamentales. Red de Universidades con Carreras en Informática |
description |
La detección de objetos es una tecnología de la visión por computadora, con aplicaciones importantes en la ganadería para la gestión de recursos, el monitoreo de la salud animal y la automatización de tareas críticas. YOLO, una red neuronal convolucional ampliamente reconocida por su habilidad en la detección de objetos en tiempo real. Si bien el modelo YOLOv7 ha mejorado significativamente, esto conlleva a un aumento en los recursos computacionales, el objetivo de este trabajo el de optimizar el rendimiento en el uso de la GPU utilizada para realizar la inferencia, garantizando detecciones precisas en tiempo real, particularmente en la gestión de ganado en la provincia de Catamarca. Se exploran diversas técnicas de optimización, incluyendo mejoras en el hardware, ajuste de hiperparámetros y optimización del código fuente. A través de estas técnicas se busca equilibrar la precisión y la sensibilidad del modelo, de forma conjunta con la eficiencia computacional. Con este trabajo se busca avanzar en la aplicación de visión por computadora en la ganadería de precisión, donde el modelo YOLOv7 se indaga y se busca optimizar la detección de objetos en otros contextos donde la precisión, la sensibilidad y los recursos computacionales son fundamentales. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/178368 |
url |
http://sedici.unlp.edu.ar/handle/10915/178368 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-950-34-2428-5 info:eu-repo/semantics/reference/hdl/10915/172755 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 270-279 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616338283167744 |
score |
13.070432 |