Sierra Collado, Antonio Jesús2021-11-042021-11-042021García Hernández, A. (2021). Ajuste de la eficiencia en redes neuronales para la detección de señales de tráfico. Comparativa de rendimiento de Yolov-3 y EfficientDet. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/127074Los continuos avances científicos en redes neuronales e Inteligencia Artificial permiten que año tras año aparezcan nuevos modelos que mejoran las características de los anteriores y obtienen un mejor resultado en comparación a otras redes neuronales similares. El equipo de Google Brain ha desarrollado una nueva red neuronal llamada EfficientDet, la cual mejora en eficiencia y resultados a otras redes neuronales como Yolov-3, ResNet e Inception. Esto supone un avance en el mundo del machine learning, ya que gracias a estas implementaciones y al continuo esfuerzo de los ingenieros por seguir mejorando no solo la respuesta computacional de los ordenadores, sino también los algoritmos que realizan estas operaciones, se ha conseguido lograr unos resultados nunca vistos hasta la fecha. Esto conlleva una disminución del dataset (conjunto de imágenes) que precisa una red neuronal para realizar tareas complejas, disminuyendo así los FLOPS (Floating Points Operation per Second) que necesita un ordenador para llevar a cabo las operaciones necesarias. Realizaremos un estudio teórico sobre el funcionamiento de las redes neuronales en general, para profundizar en las redes neuronales convolucionales. Estas están especializadas en la detección de objetos en imágenes en tiempo real; es por esto por lo que son las escogidas para detectar señales de tráfico. Dentro de las redes neuronales convolucionales, se ha escogido EfficientDet, pues esta es una red eficiente en el uso de recursos, además de ser precisa. Para llegar a formarla, explicaremos el método de ajuste compuesto, el cual es uno de los motivos principales de la llegada de esta familia de redes neuronales. Se va a realizar un estudio comparativo entre EfficientDet y Yolov-3 en la detección de señales de tráfico, con la intención de buscar mejoras en la seguridad vial. Según los resultados obtenidos, podremos recomendar el uso de EfficientDet para detectar señales de tráfico.The continuous scientific advances in neural networks and Artificial Intelligence allow new models to appear year after year that improve the characteristics of the previous ones and obtain a better result compared to other similar neural networks. The Google Brain team has developed a new neural network called EfficientDet, which improves in efficiency and results to other neural networks such as Yolov-3, ResNet and Inception. This represents a breakthrough in the world of machine learning, since thanks to these implementations and the continuous effort of engineers to continue improving not only the computational response of computers, but also the algorithms that perform these operations, it has been possible to achieve results never seen to date. This leads to a decrease in the dataset (set of images) required by a neural network to perform complex tasks, thus reducing the FLOPS (Floating Points Operation per Second) required by a computer to carry out the necessary operations. We will carry out a theoretical study on the operation of neural networks in general, in order to go deeper into convolutional neural networks. These are specialized in the detection of objects in images in real time; this is why they are the ones chosen to detect traffic signals. Within the convolutional neural networks, EfficientDet has been chosen, because it is an efficient network in the use of resources, besides being accurate. In order to train it, we will explain the composite adjustment method, which is one of the main reasons for the advent of this family of neural networks. A comparative study will be carried out between EfficientDet and Yolov-3 in traffic sign detection, with the intention of seeking improvements in road safety. Based on the results obtained, we will be able to recommend the use of EfficientDet to detect traffic signs.application/pdfspaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess