Evaluación de modelos de Deep Learning para el control de aforos en dispositivos de bajo consumo

Abstract

Este Trabajo de Fin de Grado (TFG) se enfoca en el desarrollo y evaluación de un sistema de gestión y control de aforos en eventos, utilizando modelos de detección de objetos y dispositivos de bajo consumo. La motivación principal del proyecto radica en la necesidad de mejorar la seguridad y eficiencia en la gestión de multitudes, especialmente en contextos donde el control del número de asistentes es crucial. Para una mejor comprensión del funcionamiento de estos modelos y su aplicación en la detección de objetos, se presentan conceptos esenciales sobre el tema. El TFG busca llevar estos conceptos teóricos al ámbito práctico del control de aforos. Por ello, se realiza una investigación sobre los entornos de desarrollo y ejecución en los que se trabaja, además de analizar el dispositivo de bajo consumo, la Raspberry Pi 4, que se utiliza y la arquitectura del sistema que se pretende llevar a cabo. Finalmente, se proporciona una explicación detallada sobre los conjuntos de datos utilizados, las configuraciones aplicadas durante los entrenamientos de los diferentes modelos de redes neuronales probados, y una evaluación exhaustiva de los resultados obtenidos. Pudiendo de esta manera realizar una conclusión de todo el trabajo.

This Final Degree Project (TFG) focuses on the development and evaluation of a management and control system for capacity at events, using object detection models and low-power devices. The main motivation of the project lies in the need to improve safety and efficiency in crowd management, especially in contexts where controlling the number of attendees is crucial. For a better understanding of the operation of these models and their application in object detection, essential concepts on the subject are presented. The TFG seeks to bring these theoretical concepts to the practical field of capacity control. For this reason, an investigation is carried out on the development and execution environments in which we work, in addition to analyzing the low-power device, the Raspberry Pi 4, that is used and the architecture of the system that is intended to be carried out. Finally, a detailed explanation is provided about the data sets used, the configurations applied during the training of the different neural network models tested, and an exhaustive evaluation of the results obtained. Being able to conclude all the work in this way.