1. Repositorio Institucional UNAD

1. Repositorio Institucional UNAD
2. Producción Científica
3. Sello Editorial UNAD
4. Documentos de Trabajo ECBTI

Title:	Análisis comparativo de modelos yolo para la detección de defectos en infraestructura vehicular Comparative analysis of yolo models for defect detection in vehicular infrastructure
metadata.dc.creator:	Martínez Torres, Duber Muñoz Arango, Jairo Antonio Martínez Torres, Duber Muñoz Arango, Jairo Antonio
Keywords:	Defect detection;YOLO models;Deep learning;Detección de defectos;Modelos YOLO;Aprendizaje profundo
Publisher:	Sello Editorial UNAD
metadata.dc.relation:	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/8803/7729
metadata.dc.format.*:	application/pdf
metadata.dc.type:	info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Artículo revisado por pares
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. 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.
metadata.dc.source:	Documentos de Trabajo ECBTI; Vol. 4 Núm. 2 (2023)
URI:	https://repository.unad.edu.co/handle/10596/71975
Other Identifiers:	https://publicaciones.unad.edu.co/index.php/wpecbti/article/view/8803
Appears in Collections:	Documentos de Trabajo ECBTI

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.