Desarrollo de un Dataset Especializado para la Detección Automática de Sacos de Balanceado de Camarón Aquaxcel GROWER 5 (25 kg), Aquaxcel Pre-Starter 2 (25 kg) y ECOFEED Purina (25 kg) utilizando el Modelo YOLOv8n

Abstract

Los procesos automatizados en el área logística son necesarios para mantener la eficiencia y competitividad a nivel operativo dentro de una empresa, en la industria acuícola es uno de los sectores que es necesario esta implementación. El presente trabajo tiene el objetivo de crear un conjunto de datos especializado en productos acuícolas, para su utilización con el modelo YOLOv8n para la detección automática de alimentos acuícolas empaquetados en sacos de polipropileno tejido; la recolección de los datos se realizaron en la parroquia Hualtaco, El Oro, Ecuador, en la empresa ASOCAM, consiguiendo imágenes de tres tipos de sacos, tomando condiciones de captura como la iluminación y ángulos diversos, asegurando su calidad con criterios de inclusión y exclusión, para posteriormente ser anotado con cuadros delimitadores y dividido en subconjuntos de entrenamiento, validación y prueba. El modelo YOLOv8n se entrenó en Google Colab, implementando mejoras para equilibrar las clases de datos, resultando en 2460 imágenes para entrenamiento, 307 para validación y 308 para prueba. Los hiperparámetros utilizados para el entrenamiento fueron task (detect), mode (train), data (/content/data1/data.yaml), model (yolov8n.pt), imgsz (640), batch (16). El conjunto de datos es entrenado con el modelo YOLOv8n, demostrando una precisión promedio (mAP) del 81.08% en el umbral (IoU) entre 0.50 y 0.95, además de un 89.02% para un IoU de 0.50, y una precisión global de 89.02%, que se pueden comparar con estudios similares al proyecto, como el empleo en entornos industriales. La tasa de error global que resultó de la evaluación proporciona un 0.0813, demostrando un rendimiento aceptable para mejorar los procesos logísticos con modelos de IA, además de facilitar una base para futuras investigaciones y aplicaciones dentro de la industria. Este proyecto muestra la construcción de un conjunto de datos de imágenes para modernizar procesos industriales, con el modelo YOLOv8n para la detección de objetos con rapidez y precisión. Palabras Clave: Datos de imágenes, Visión por computador, Detección de objetos, Red neuronal convolucional, YOLO.