Evaluación de la Exactitud y Precisión por Clase de un Modelo de Red Neuronal Convolucional en una Aplicación para la Identificación y Búsqueda de Mascotas
DOI:
https://doi.org/10.55204/trc.v5i1.e428Palabras clave:
software, Python, mascotas, aplicación web, inteligencia artificialResumen
En este estudio, se aborda la problemática de la búsqueda de mascotas extraviadas mediante el uso de redes neuronales convolucionales, específicamente implementadas en la plataforma Teachable Machine de Google. Se destaca la limitación de los métodos tradicionales, como redes sociales y carteles físicos, y se propone mejorar la identificación y búsqueda de mascotas perdidas a través de la inteligencia artificial. La metodología implica la recopilación de un conjunto de datos compuesto por imágenes de gatos y perros, utilizando la plataforma Teachable Machine para entrenar el modelo de red neuronal convolucional. Se realiza una evaluación de la precisión del modelo con conjuntos de datos de diferentes tamaños (10, 30 y 50 imágenes). Los resultados muestran que la precisión del modelo varía significativamente entre los conjuntos de datos, destacando la importancia de proporcionar un mayor número de imágenes para mejorar la precisión. Se sugiere asegurar condiciones óptimas de luminosidad en las imágenes, resaltar rasgos distintivos de las mascotas y mantener consistencia en la cantidad de imágenes en los conjuntos de datos. También se destaca la importancia de considerar la dimensión de reescalado de las imágenes originales durante el desarrollo del modelo.
Descargas
Referencias
Agustian, D., Pertama, P. P. G. P., Crisnapati, P. N., & Novayanti, P. D. (2021). Implementation of Machine Learning Using Google’s Teachable Machine Based on Android. 1-7. https://doi.org/10.1109/ICORIS52787.2021.9649528
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. Journal of big Data, 8(1), 53. https://doi.org/10.1186/s40537-021-00444-8
Andreae, P. M., & Andreae, J. H. (1978). A teachable machine in the real world. International Journal of Man-Machine Studies, 10(3), 301-312. https://doi.org/10.1016/S0020-7373(78)80048-0
Artola Moreno, Á. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python [Trabajo Fin de Grado, Universidad de Sevilla]. https://idus.us.es/server/api/core/bitstreams/c22e9088-218a-4554-9b27-6c0ebf89d0e8/content
Arulprakash, E., & Aruldoss, M. (2022). A study on generic object detection with emphasis on future research directions. Journal of King Saud University-Computer and Information Sciences, 34(9), 7347-7365. https://doi.org/10.1016/j.jksuci.2021.08.001
Bodero, E. M., Lopez, M. P., Congacha, A. E., Cajamarca, E. E., & Morales, C. H. (2020). Google Colaboratory como alternativa para el procesamiento de una red neuronal convolucional. Revista Espacios, 41(07).
Carney, M., Webster, B., Alvarado, I., Phillips, K., Howell, N., Griffith, J., Jongejan, J., Pitaru, A., & Chen, A. (2020). Teachable machine: Approachable Web-based tool for exploring machine learning classification. 1-8. https://doi.org/10.1145/3334480.3382839
Kacorri, H. (2017). Teachable machines for accessibility. ACM SIGACCESS accessibility and computing, 119, 10-18. https://doi.org/10.1145/3167902.316790
Liu, X., Soh, K. G., Dev Omar Dev, R., Li, W., & Yi, Q. (2023). Design and implementation of adolescent health Latin dance teaching system under artificial intelligence technology. Plos one, 18(11), e0293313. https://doi.org/10.1371/journal.pone.0293313
Massiris, M., Delrieux, C., & Fernández Muñoz, J. Á. (2018). Detección de equipos de protección personal mediante red neuronal convolucional YOLO. Jornadas de Automática, Badajoz, 5(7), 1022-1029. https://doi.org/10.17979/spudc.9788497497565.1022
O’shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. Neural and Evolutionary Computing. https://doi.org/10.48550/arXiv.1511.08458
Prasad, R., & Manjunath, T. (2024). AI-ML Trained Object Recognition System Development using Google Teachable Machine with the Help of Data Sciences. Grenze International Journal of Engineering & Technology (GIJET), 10.
Saqib, S. M., Iqbal, M., Mazhar, T., Shahzad, T., Ouahada, K., & Hamam, H. (2025). Effectiveness of Teachable Machine, mobile net, and YOLO for object detection: A comparative study on practical applications. Egyptian Informatics Journal, 30, 100680. https://doi.org/10.1016/j.eij.2025.100680
Sharma, T., Debaque, B., Duclos, N., Chehri, A., Kinder, B., & Fortier, P. (2022). Deep learning-based object detection and scene perception under bad weather conditions. Electronics, 11(4), 563. https://doi.org/10.3390/electronics11040563
Siddiqui, N. (2023). Creating Deep Convolutional Neural Networks for Image Classification. The Programming Historian. https://doi.org/10.46430/phen0108
Tjaden, J., & Tjaden, B. (2023). MLpronto: A tool for democratizing machine learning. Plos one, 18(11), e0294924. https://doi.org/10.1371/journal.pone.0294924
Trujillo Santillán, N. S., Grijalva Rosero, C. J., & Herrera Mendoza, B. R. (2024). Estimación de la población de perros y gatos en situación de calle dentro del cantón Riobamba -Ecuador. RECIENA Edición Especial, 4(1), 27-32. https://doi.org/10.47187/tfw9et71
Zhou, M., Fung, I., Yang, L., Wan, N., Di, K., & Wang, T. (2023). LostNet: A smart way for lost and find. arXiv preprint arXiv:2301.02277. https://doi.org/10.48550/arXiv.2301.02277
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Sofía Haro – Orozco, Diego Mayorga - Pérez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
