Integración de un modelo YOLO y un algoritmo SORT en computadoras de placa única (SBC) para la detección, clasificación y verificación automatizada del estado de señales de tránsito

Abstract

Este trabajo presenta la integración de un modelo de detección de objetos YOLO y el algoritmo de seguimiento SORT en computadoras de placa única (SBC), con el propósito de detectar, clasificar y verificar automáticamente el estado de las señales de tránsito. La investigación parte de la necesidad de optimizar los procesos de inspección manual, los cuales demandan altos costos y presentan limitaciones en cobertura y oportunidad. Se implementó un enfoque experimental que incluyó la creación de un conjunto de datos propio con más de 1000 imágenes de señales en diferentes condiciones (óptimas, eterioradas, obstruidas y ausentes), complementado con técnicas de aumentación para robustecer el modelo. Se compararon múltiples arquitecturas YOLO y variantes de hiperparámetros, seleccionando YOLOv8n por su balance entre precisión (mAP50=78.5%) y eficiencia en hardware limitado. El sistema fue desplegado en Raspberry Pi 5, integrando un módulo GPS NEO-6M para georreferenciación y cámara CSI para captura en tiempo real. Los resultados experimentales muestran un desempeño promedio de 3.88 FPS en el entorno embebido, con precisión superior al 80% y capacidad de geolocalizar las señales detectadas, lo que valida la viabilidad del prototipo. Se concluye que la combinación de YOLO y SORT en computadoras de placa única (SBC) constituye una alternativa funcional y escalable para la gestión inteligente de la señalización vial, contribuyendo a reducir costos operativos y mejorando la seguridad vial mediante inspección automatizada. (Texto tomado de la fuente)

This work presents the integration of a YOLO object detection model and the SORT tracking algorithm on single-board computers (SBCs), aimed at automatically detecting, classifying, and verifying the condition of traffic signs. The research arises from the need to optimize manual inspection processes, which entail high costs and have limitations in coverage and timeliness. An experimental approach was implemented, including the creation of a custom dataset with over 1,000 images of traffic signs under different conditions (optimal, deteriorated, obstructed, and missing), complemented with augmentation techniques to strengthen the model. Multiple YOLO architectures and hyperparameter variations were compared, selecting YOLOv8n for its balance between accuracy (mAP50 = 78.5%) and efficiency on limited hardware. The system was deployed on a Raspberry Pi 5, integrating a NEO-6M GPS module for georeferencing and a CSI camera for real-time image capture. Experimental results show an average performance of 3.88 FPS on the embedded environment, with accuracy above 80% and the ability to geolocate detected signs, validating the feasibility of the prototype. It is concluded that the combination of YOLO and SORT on single-board computers (SBCs) represents a functional and scalable alternative for intelligent traffic sign management, contributing to reduced operational costs and improved road safety through automated inspection.