Evaluación de desempeño de algoritmos de inteligencia artificial embebida en teléfonos inteligentes

La integración de la inteligencia artificial (IA) con el Internet de las cosas (IoT) está transformando numerosos sectores mediante la automatización y la mejora de procesos en tiempo real. Aplicaciones en áreas como el hogar inteligente, la salud y la industria demuestran su creciente relevancia. Este proyecto busca evaluar la eficiencia y precisión de modelos de detección de objetos y poses humanas implementados en dispositivos Android. Para lograr esto, se configuraron modelos en dispositivos Xiaomi Redmi 10 y Redmi Note 11S mediante Android Studio. Se utilizaron dos algoritmos de prueba: uno para la detección de objetos y otro para la detección de poses humanas. Posteriormente, se trasladaron los modelos entrenados a los dispositivos de prueba utilizando Android Studio para compilar el código y configurar el APK correspondiente. La métrica principal evaluada fue el tiempo de procesamiento por imagen y la eficacia en la detección de objetos y poses humanas. Se incorporó un método de medición dentro del modelo para registrar el tiempo de inicio y fin de procesamiento de cada imagen, permitiendo calcular el tiempo promedio por imagen. Los resultados demuestran la capacidad del modelo para operar en tiempo real con alta precisión y adaptabilidad a diferentes dispositivos, validando su potencial en aplicaciones prácticas. La integración de innovaciones como la arquitectura SBR, que utiliza el protocolo de enrutamiento RPL para IoT, y las herramientas de cloud computing en entornos educativos, subraya la importancia de soluciones eficientes y escalables para la gestión de redes IoT y el acceso remoto a recursos computacionales. Las mejoras futuras podrían centrarse en la optimización de hiperparámetros y la diversificación de datos para aumentar aún más la precisión y confiabilidad del modelo, evidenciando la adaptabilidad y robustez de los modelos desarrollados para aplicaciones en tiempo real.

• Autores: Cantillo Cantillo, Isaac Alejandro; Acosta Álvarez, Mario Fernando; Arenas Perdomo, Juan Manuel; Cerpa Cabrera, David Enrique; Ayala Fabra, Sheila Sandrid; Coronel Campo, Jesús Daniel
• Fecha de publicación: 2024
• Institución: Universidad Simón Bolívar
• Repositorio: Repositorio Digital USB
• Idioma: spa
• OAI Identifier: oai:bonga.unisimon.edu.co:20.500.12442/15929
• Acceso en línea: https://hdl.handle.net/20.500.12442/15929
• Palabra clave: Detección de objetos; Estimación de poses; MobileNet2; Dispositivos Android; Visión por computadora; Tiempo; Object detection; Pose estimation; MobileNet2; Android devices; Computer vision; Real time
• Rights: embargoedAccess
• License: http://purl.org/coar/access_right/c_f1cf