Comparación de arquitecturas YOLO para la detección de ciclistas urbanos en un entorno de vehículos autónomos

• Arias-Correa, Mauricio ^[1] ; David Rodríguez, Jorge Alexander ^[1] ; Quintero Restrepo, Mateo ^[1] ; Ortiz Santana, Paula Alejandra ^[1] ; Gómez Meneses, Luis Miguel ^[1]
  1. [1] Instituto Tecnológico Metropolitano
• Localización: Revista Colombiana de Tecnologías de Avanzada, ISSN-e 2500-8625, ISSN 1692-7257, Vol. 1, Nº. 43, 2024 (Ejemplar dedicado a: January - June), págs. 64-72
• Idioma: español
• Títulos paralelos:
  • YOLO architectures comparison for urban cyclist detection in an autonomous driving environment
• Enlaces
  • Texto completo
• Resumen
  • español

    La OMS establece que más del 55% de las muertes en accidentes viales son de usuarios vulnerables, incluyendo un 3% de ciclistas. Aunque los vehículos autónomos pueden detectar objetos y personas en las carreteras, la detección de ciclistas y la predicción de sus movimientos siguen siendo desafíos significativos. Este artículo presenta resultados al comparar las arquitecturas YOLOv7, YOLOv8 y YOLO-NAS para detectar ciclistas urbanos. La metodología garantiza que los detectores se entrenaron bajo las mismas condiciones. Luego, se evaluaron con 111 imágenes de ciclistas utilizando métricas como IoU, precisión y recall. Los resultados destacan ventajas y desventajas en cada arquitectura, lo que sugiere priorizar el tiempo de inferencia o la calidad de la detección de ciclistas en futuros trabajos.

  • English

    The World Health Organization (WHO) states that over 55% of road traffic accident fatalities involve vulnerable road users, including 3% who are cyclists. While autonomous vehicles are capable of detecting objects and individuals on roadways, the detection of cyclists and the prediction of their movements continue to pose significant challenges. This paper presents results from the comparison of YOLOv7, YOLOv8, and YOLO-NAS architectures for urban cyclist detection. The methodology ensures that the detectors were trained under the same conditions. Subsequently, they were evaluated using 111 cyclist images with metrics such as IoU, precision, and recall. The results highlight advantages and disadvantages within each architecture, suggesting a priority for either inference time or the quality of cyclist detection in future work.