Sistema de reconocimiento de patrones en imágenes satelitales para la detección de objetos

Abstract

[ES]A lo largo de los últimos años, la inteligencia artificial (IA) ha experimentado un avance significativo en la detección de objetos en imágenes. La aplicación de técnicas de aprendizaje profundo y de machine learning ha revolucionado la capacidad de los algoritmos para identificar y localizar objetos en una variedad de entornos visuales. En este artículo, se presenta un estudio detallado sobre la detección de objetos en imágenes satelitales utilizando la arquitectura YOLO (You Only Look Once). Se realiza el proceso de entrenamiento de varios modelos YOLO utilizando un conjunto de datos específico, con el objetivo de comparar y analizar los resultados obtenidos. La investigación comienza con un marco teórico que aborda los conceptos clave de la IA, el deep learning y el machine learning, y se enfoca en las arquitecturas más destacadas para la detección de objetos en imágenes. Se destacan las características, las ventajas y la evolución de los modelos YOLO en particular, y se establece una base sólida para comprender el entrenamiento y evaluación de los algoritmos en el caso de estudio. A continuación, se presenta un caso de estudio en el cual se detalla el proceso de entrenamiento de cada algoritmo YOLO paso a paso. Se describen las configura ciones utilizadas, el conjunto de datos empleados y los métodos de evaluación para garantizar la precisión y la eficiencia en la detección de objetos. Finalmente, se presentan y analizan los resultados obtenidos al comparar los diferentes algoritmos YOLO entrenados.

[EN]Over recent years, artificial intelligence (AI) has made significant strides in object detection within images. The application of deep learning techniques and machine learning has revolutionized the ability of algorithms to identify and locate objects in a variety of visual environments. In this paper, a detailed study on object detection in satellite images using the YOLO (You Only Look Once) architecture is presented. The training process of various YOLO models using a specific dataset is carried out, with the aim of comparing and analyzing the results obtained. The research begins with a theoretical framework that addresses the key con cepts of AI, deep learning, and machine learning, focusing on the most prominent architectures for object detection in images. The features, advantages, and evolution of YOLO models in particular are highlighted, and a solid foundation is established to understand the training and evaluation of algorithms in the case study. Next, a case study is presented in which the training process of each YOLO algorithm is detailed step by step. The settings used, the datasets employed, and the evaluation methods to ensure accuracy and efficiency in object detection are described. Finally, the results obtained when comparing the different trained YOLO algo rithms are presented and analyze