Revista UIS Ingenierías

Vol. 25 Núm. 2 (2026): Revista UIS Ingenierías
Artículos

Mejorando la detección de motocicletas en un entorno real usando el modelo MobileNetSSDv2FPNlite

PDF
  • Manuel Antonio García Herrera,
  • José Hernández-Torruco,
  • Betania Hernández-Ocaña,
  • Oscar Chávez-Bosquez
Manuel Antonio García Herrera
Universidad Juárez Autónoma de Tabasco
José Hernández-Torruco
Universidad Juárez Autónoma de Tabasco
Betania Hernández-Ocaña
Universidad Juárez Autónoma de Tabasco
Biografía
Oscar Chávez-Bosquez
Universidad Juárez Autónoma de Tabasco
DOI: https://doi.org/10.18273/revuin.v25n2-2026004

Publicado 2026-05-02

Palabras clave

  • Inteligencia artificial,
  • conjunto de datos,
  • detección de objetos,
  • redes neuronales convolucionales,
  • visión computacional

Cómo citar

García Herrera, M. A., Hernández-Torruco, J., Hernández-Ocaña, B., & Chávez-Bosquez, O. (2026). Mejorando la detección de motocicletas en un entorno real usando el modelo MobileNetSSDv2FPNlite. Revista UIS Ingenierías, 25(2), 39–50. https://doi.org/10.18273/revuin.v25n2-2026004

Derechos de autor 2026 Revista UIS Ingenierías

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.

Resumen

En este trabajo se utilizó el modelo de detección de objetos MobileNetSSDv2FPNlite para detectar vehículos en el acceso a un campus universitario. El modelo original mostró dificultades para distinguir las motocicletas, a menudo confundiéndolas con bicicletas o detectando únicamente los conductores, obteniendo un rendimiento del 46.25%. Por ello, se empleó la técnica de aprendizaje por transferencia (transfer learning) para mejorar el rendimiento del modelo en la detección de este tipo específico de vehículos. Para esto se creó un conjunto de 320 imágenes de motocicletas preprocesadas y etiquetadas, las cuales fueron capturadas en el punto de acceso de la universidad con distintas condiciones climáticas y horarios (dataset UJAT). Después de reentrenar el modelo, se alcanzó un 100% de eficiencia en la detección utilizando las métricas accuracy, precision y recall. Este enfoque demuestra que el modelo optimizado presenta una mejora significativa respecto al modelo original en todas las métricas clave, lo que lo convierte en una solución efectiva para aplicaciones de detección de objetos en un entorno real.

PDF

Descargas

Los datos de descargas todavía no están disponibles.

Citas

  1. [1] R. L. Galvez, A. A. Bandala, E. P. Dadios, and R. R. P. Vicerra, J.M.Z. Maningo, “Object Detection Using Convolutional Neural Networks,” in Proceedings of TENCON 2018 - 2018 IEEE Region 10 Conference, Jeju, Korea, 28-31 Oct. 2018, doi: https://doi.org/10.1109/TENCON.2018.8650517
  2. [2] A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, H. Adam, “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” arXiv preprint arXiv:1704.04861, 2017.
  3. [3] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.Y. Fu y A.C. Berg, “SSD: Single Shot MultiBox Detector,” in Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, pp. 21-37.
  4. [4] A. Younis, L. Shixin, J.N. Shelembi, and Z. Hai, “Real-Time Object Detection Using Pre-Trained Deep Learning Models MobileNet-SSD,” in Proceedings of the Conference, pp. 1-6, 2020, doi: https://doi.org/10.1145/3379247.3379264
  5. [5] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4510–4520, 2018, doi: https://doi.org/10.48550/arXiv.1801.04381
  6. [6] C. Azroumahli, “Road Object Detection using SSD-MobileNet Algorithm: Case Study for Real-Time ADAS Applications,” Journal of Robotics and Control (JRC), vol. 5, p. 551, 2024, doi: https://doi.org/10.18196/jrc.v5i2.21145
  7. [7] R. Anditto and R. Roestam, “Security Monitoring Using Improved MobileNet V2 with Fine-Tuning to Prevent Theft in Residential Areas During the COVID-19 Pandemic,” SINTECH, vol. 5, pp. 87–94, 2022, https://doi.org/10.31598/sintechjournal.v5i1.1023
  8. [8] H. Husain, S. Suryani, and F. Faizal, “Advancing Parking Systems: A Performance Comparison of MobileNet and Canny in License Plate Detection,” CogITo Smart Journal, vol. 11, pp. 67–79, 2025, https://doi.org/10.31154/cogito.v11i1.767.67-79
  9. [9] D. K. Alqahtani, M. A. Cheema, and A. N. Toosi, “Benchmarking Deep Learning Models for Object Detection on Edge Computing Devices,” Proceedings of the International Conference on Service-Oriented Computing, pp. 142–150, 2024, doi: https://doi.org/10.48550/arXiv.2409.16808
  10. [10] N. N. F. Giron, R. K. C. Billones, A. M. Fillone, J. R. Del Rosario, A. A. Bandala, and E. P. Dadios, “Classification Between Pedestrians and Motorcycles using FasterRCNN Inception and SSD MobileNetv2,” Proceedings of the IEEE 12th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), Manila, Philippines: IEEE, pp. 1–6, 2020, doi: https://doi.org/10.1109/HNICEM51456.2020.9400113
  11. [11] R. Zhao, et al., “A Review of Object Detection in Traffic Scenes Based on Deep Learning,” Applied Mathematics and Nonlinear Sciences, vol. 9, no. 1, Jan. 2024, doi: https://doi.org/10.2478/amns-2024-0322 .
  12. [12] P. Goswami & A. B. M. A. Hossain, “Street Object Detection from Synthesized and Processed Semantic Image: A Deep Learning Based Study,” Human-Centric Intelligent Systems, vol. 3, pp. 487–507, Sep. 2023, doi: https://doi.org/10.1007/s44230-023-00043-1
  13. [13] A. Akhtar, R. Ahmed, M. H. Yousaf, and S. A. Velastin, “Real-Time Motorbike Detection: AI on the Edge Perspective,” Mathematics, vol. 12, no. 7, Apr. 2024, doi: https://doi.org/10.3390/math12071103
  14. [14] T.Y. Lin et al., “Microsoft COCO: Common Objects in Context,” in Computer Vision–ECCV 2014: 13th European Conference, Zurich, Switzerland, September 6-12, 2014, Proceedings, Part V, Springer International Publishing, 2014, pp. 740-755.
  15. [15] COCO, “COCO Dataset,” [En línea]. Disponible en: https://cocodataset.org/#home
  16. [16] T.Y. Lin, P. Goyal, R. Girshick, K. He, P. Dollár, “Focal Loss for Dense Object Detection,” arXiv preprint arXiv:1708.02002, 2017.
  17. [17] TensorFlow, “Tensorflow Zoo,” [En línea]. Disponible en: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md.
  18. [18] G. Bradski y A. Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library. O’Reilly Media, 2008.
  19. [19] NumPy, “NumPy Documentation,” [En línea]. Disponible en: https://numpy.org/doc/stable/
  20. [20] Matplotlib, “Matplotlib Quick Start,” [En línea]. Disponible en: https://matplotlib.org/stable/users/explain/quick_start.html
  21. [21] TensorFlow, “tf.keras.models.load_model,” [En línea]. Disponible en: https://www.tensorflow.org/api_docs/python/tf/keras/models/load_model
  22. [22] Google, “Google Colaboratoy,” [En línea]. Disponible en: https://cloud.google.com/colab/docs
  23. [23] L. Liu, W. Ouyang, X. Wang, P. Fieguth, J. Chen, X. Liu & M. Pietikäinen, “Deep Learning for Generic Object Detection: A Survey,” Int. J. Comput. Vis., vol. 128, no. 2, pp. 261-318, 2020, doi: https://doi.org/10.1007/s11263-019-01247-4
  24. [24] Qengineering, “MobileNet SSD OpenCV TensorFlow,” [En línea]. Disponible en: https://github.com/Qengineering/MobileNet_SSD_OpenCV_TensorFlow
  25. [25] R. Padilla, W.L. Passos, T.L.B. Dias, S.L. Netto, and E.A.B. da Silva, “A Comparative Analysis of Object Detection Metrics with a Companion Open-Source Toolkit,” Electronics, vol. 10, no. 3, art. 279, 2021. doi: https://doi.org/10.3390/electronics10030279
  26. [26] L. Y. Bográn Ortiz, J. J. Martínez Hernández, “Comparativa de modelos de detección de objetos y personas en espacios cerrados de acceso público,” Universidad y Sociedad, vol. 15, no. 4, pp. 661-672, 2023.