Análisis comparativo de modelos yolo para la detección de defectos en infraestructura vehicular

Martínez Torres, Duber; Muñoz Arango, Jairo Antonio; Martínez Torres, Duber; Muñoz Arango, Jairo Antonio

Please use this identifier to cite or link to this item: https://repository.unad.edu.co/handle/10596/71975

Full metadata record

DC Field	Value	Language
dc.creator	Martínez Torres, Duber	es
dc.creator	Muñoz Arango, Jairo Antonio	es
dc.creator	Martínez Torres, Duber	en
dc.creator	Muñoz Arango, Jairo Antonio	en
dc.date	2025-02-26	-
dc.date.accessioned	2025-07-25T15:57:53Z	-
dc.date.available	2025-07-25T15:57:53Z	-
dc.identifier	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/8803	-
dc.identifier.uri	https://repository.unad.edu.co/handle/10596/71975	-
dc.description	Este trabajo presenta un estudio preliminar que compara el desempeño del modelo YOLOv11 con algunas de sus versiones anteriores en la detección de defectos en vías vehiculares. Se empleó el conjunto de datos UDTIRI, compuesto por 1000 imágenes etiquetadas, evaluando las versiones más ligeras de cada modelo bajo las mismas condiciones experimentales. Los resultados demuestran que YOLOv11 logra un mejor equilibrio entre precisión, sensibilidad y eficiencia. Este estudio subraya la importancia de futuras investigaciones para evaluar modelos con un mayor número de parámetros y explorar el impacto de técnicas como el preprocesamiento de datos y el ajuste de hiperparámetros, con el objetivo de mejorar la detección de defectos y optimizar el uso de estos modelos en el monitoreo de infraestructura vial.	es
dc.description	YOLOv11 model with some of its earlier versions in the specific task of detecting road defects. The UDTIRI dataset, consisting of 1,000 labeled images, was used, and the lightweight versions of each model were evaluated under the same experimental conditions. The results show that YOLOv11 achieves a better balance between precision, recall, and efficiency. This study highlights the importance of future research to assess models with a larger number of parameters and to explore the impact of techniques such as data preprocessing and hyperparameter tuning, aiming to enhance defect detection and optimize the application of these models for monitoring road infrastructure.	en
dc.format	application/pdf	-
dc.language	spa	-
dc.publisher	Sello Editorial UNAD	es
dc.relation	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/8803/7729	-
dc.rights	Derechos de autor 2023 Documentos de Trabajo ECBTI	es
dc.rights	https://creativecommons.org/licenses/by-nc-sa/4.0	es
dc.source	Documentos de Trabajo ECBTI; Vol. 4 Núm. 2 (2023)	es
dc.subject	Defect detection	en
dc.subject	YOLO models	en
dc.subject	Deep learning	en
dc.subject	Detección de defectos	es
dc.subject	Modelos YOLO	es
dc.subject	Aprendizaje profundo	es
dc.title	Análisis comparativo de modelos yolo para la detección de defectos en infraestructura vehicular	es
dc.title	Comparative analysis of yolo models for defect detection in vehicular infrastructure	en
dc.type	info:eu-repo/semantics/article	-
dc.type	info:eu-repo/semantics/publishedVersion	-
dc.type	Artículo revisado por pares	es
Appears in Collections:	Documentos de Trabajo ECBTI

Files in This Item:

There are no files associated with this item.

Show simple item record