@percy.tech: 🦺 Detección Automática de EPP en Obras de Construcción con YOLOv8 | Proyecto de Deep Learning En este video presento mi proyecto del parcial de Deep Learning: un sistema de visión por computadora capaz de detectar en tiempo real si los trabajadores en obras de construcción están usando correctamente su Equipo de Protección Personal (EPP), específicamente casco y chaleco reflectivo. 📌 ¿De qué trata el proyecto? La seguridad industrial en obras sigue siendo uno de los mayores retos en Latinoamérica. Cada año, miles de accidentes laborales podrían evitarse con una supervisión más constante del uso de EPP. Este proyecto propone una solución basada en inteligencia artificial que puede integrarse a cámaras de seguridad existentes y alertar automáticamente cuando alguien no cumple con las normas. 🛠️ Stack tecnológico utilizado: YOLOv8 (Ultralytics) — modelo de detección de objetos en tiempo real Python 3.11 + PyTorch como framework base Kaggle Notebooks con GPU Tesla T4 para entrenamiento en la nube Roboflow y datasets públicos para obtener las imágenes Git + GitHub para control de versiones del código Arquitectura híbrida: código local + entrenamiento en la nube 📊 Datos utilizados: Combinamos tres datasets públicos sumando aproximadamente 26.000 imágenes etiquetadas: Hard Hat Workers (Northeastern) Safety Vest PPE Safety Helmet (SHWD) Como cada dataset usaba nombres distintos para las mismas clases, desarrollamos un script de remapeo que unifica todo en una taxonomía de 5 clases: cabeza con casco, cabeza sin casco, persona, chaleco y persona sin chaleco. 🧪 Metodología: Fase 1: descarga, limpieza y unificación de datasets Fase 2: entrenamiento de modelo baseline (YOLOv8s, 80 epochs) Fase 3: experimentación con 4 variantes (aumentos de datos, MixUp, Random Erasing, cierre de mosaico) Fase 4: evaluación y comparación de métricas Fase 5: módulo verificador determinista que cruza detecciones para inferir cumplimiento Fase 6: informe final y entrega 📈 Resultados destacados del baseline: [email protected] = 0.97 en las clases críticas (casco y chaleco) Tiempo de entrenamiento: 7h 19min en GPU Tesla T4 Excelente separabilidad entre clases (casi sin confusión) ⚠️ Limitaciones reconocidas: La clase person quedó subrepresentada (solo el 2% de instancias) porque los datasets de origen están especializados en cascos, no en personas completas. Esto se reporta honestamente como limitación del dataset, no del modelo. 🎯 ¿A quién le sirve este proyecto? Estudiantes de Deep Learning y Visión por Computadora Ingenieros de seguridad industrial Empresas constructoras interesadas en automatizar supervisión Desarrolladores que quieran aprender YOLOv8 con un caso real #python #kaggle #roboflow #computervision

Percy.Tech

Open In TikTok:

Region: PE

Wednesday 27 May 2026 02:10:00 GMT