1

DESPEGA USACH:
ARCHIVOS ADJUNTOS

POSTULANTE: CARLOS EXEQUIEL ALARCÓN SEGUEL

CONSULTOR SAP, MACHINE LEARNING Y INTELIGENCIA ARTIFICIAL
SCLOUD CONSULTORES
BOSQUE NORTE 226 OF 501 LAS CONDES
calarcon@sap-cloudconsultores.com
carlos.alarcon.s@usach.cl
 2

Índice
1. Funcionamiento YOLO3 4

2. Gráfico productividad y Salarios 6

3. Demos 6

4. Bibliografı́a 16
 3

Índice de figuras
1. esquema de trabajo de yolov . . . . . . . . . . . . . . . . . . . 4
2. Desarrollo por automatización . . . . . . . . . . . . . . . . . . 5
3. Desarrollo de visión por computadora con plataforma NVI-
DIA JETSON NANO, plataforma elegida por su tamaño com-
pacto, tener posesión de núcleos CUDA y 4gb de RAM . . . . 7
4. ASUS Zenbook UX433fn . . . . . . . . . . . . . . . . . . . . . 8
5. Testeo de un modelo entrenado con bajos recursos de 12 fotos
de muestra en NVIDIA JETSON NANO . . . . . . . . . . . . 9
6. Otro Testeo de un modelo entrenado con bajos recursos de 12
fotos de muestra en NVIDIA JETSON NANO . . . . . . . . 10
7. Otro Testeo de un modelo entrenado con bajos recursos de 12
fotos de muestra en NVIDIA JETSON NANO . . . . . . . . 11
8. Modelo entrenado con 40 fotos de muestra en NVIDIA JETSON
NANO para detección de objetos en tiempo real en este caso
cara y mascarilla . . . . . . . . . . . . . . . . . . . . . . . . . 12
9. Otro Testeo Modelo entrenado con 40 fotos de muestra en
NVIDIA JETSON NANO para detección de objetos en tiem-
po real en este caso cara y mascarilla . . . . . . . . . . . . . . 13
10. Yolo tiny en ubuntu 16.04, laptop ASUS ZenBook, detecta
celular tasa y persona, modelo genérico . . . . . . . . . . . . 14
11. Realidad aumentada en tablet android, diseño propio desple-
gado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
12. Realidad aumentada en tablet android despliegue de diseño
genérico al detectar cierto producto . . . . . . . . . . . . . . . 16
 4

1. Funcionamiento YOLO3
Yolo3 es un software deep learning en el cual se ocupa programación
gráfica a un nivel binario usando procesamiento GPU para llevar a cabo esa
tarea.

Figura 1: Esquema de trabajo de Yolo3

En la figura 1[1] se aprecia que se construye un ’grid’, es decir se separa

en cuadrı́culas una imágen en las cuales se itera, seguido de esto se crean
mediante métodos iterativos diferentes cajas o ’boxes’, las cuales mediante
la intersección con las cajas de interés, predefinidas manualmente con dos
puntos para crear un rectángulo,seguido mapea una clasificación de proba-
bilidades con los elementos guardados en un archivo el cual Uolo3 invocará
la red neuronal entrenada para detectar finalmente con un operador lógico
condicional, se verifica si existe clase con cierta confidencialidad. También
es necesario destacar que Yolo3 requiere OpenCV una libreria dedicado al
análisis gráfico, requiere tener instalado núcleos CUDA para un óptimo desa-
rrollo, por lo cual, para el proyecto se pide financiamiento de arquitectura o
hardware para trabajar con bases de datos más grandes que puedan ser pro-
cesadas en menos tiempo. En el proyecto se usaran esas herramientas además
del entorno de programación Android Studio para desarrollo de aplicaciones
en tablets y celulares.
 5

Figura 2: Desarrollo por automatización

 6

2. Gráfico productividad y Salarios

En la figura 2 [2] se puede apreciar la economı́a a escala que produce el
desarrollo tecnológico haciendo que los habitantes perciban un mayor salario.

3. Demos
En el proyecto se habló de escalabilidad de la plataforma a desarrollar
acá se muestra las aplicaciones usando Ubuntu 16-04 en un laptop ASUS
ZENBOOK UX433FX (procesador i5 8gb de ram 250gb de disco duro SSD
tarjeta gráfica NVIDIA GEFORCE MX150) y en una placa de tamaño com-
pacto con buen procesamiento gráfico, procesador y ram la cual es NVI-
DIA JETSON NANO(Quad-core ARM R Cortex -A57
R MPCore proces-
sor,NVIDIA Maxwell TM architecture with 128 NVIDIA CUDA R cores 0.5
TFLOPs (FP16), 4gb ram).
Los demos se quieren usar para detectar productos Carozzi mediante
detección de una red neuronal entrenada por el director Carlos Alarcón, ya
que no existen bases de datos para todos los objetos, por eso la diferen-
ciación nuestra como equipo es que se entrenan redes neuronales a pedido
para reconocer mediante Computer Vision lo que pida el cliente además de
ocupar la realidad aumentada para desplegar información. En este caso son
productos carozzi, al final de los ejemplos se muestra una aplicación desa-
rrollada en android, en la linea que se quiere abordar el proyecto, las fotos
corresponden a un piloto de reconocimiento de implementación de higiene
para conseguir permiso para acceder a cierto lugar fı́sico. Los ejemplos de
realidad aumentada son especificamente diseñados para aplicar la misma
lógica a productos Carozzi
Debido a los bajos recursos gráficos presentados en el laptop ASUS
Zenbook UX433fn o NVIDIA JETSON NANO, no permite entrenar grandes
volúmenes de imágenes debido a que no son equipos especializados para
realizar dicha tarea, a continuación se entregan mis trabajos que apuntan
en la dirección de desarrollo del proyecto.
 7

Figura 3: Desarrollo de visión por computadora con plataforma NVIDIA

JETSON NANO, plataforma elegida por su tamaño compacto, tener pose-
sión de núcleos CUDA y 4gb de RAM
 8

Figura 4: ASUS Zenbook UX433fn

 9

Figura 5: Test de un modelo entrenado con bajos recursos de 12 fotos de

muestra en NVIDIA JETSON NANO
 10

Figura 6: Otro test de un modelo entrenado con bajos recursos de 12 fotos

de muestra en NVIDIA JETSON NANO
 11

Figura 7: Otro Test de un modelo entrenado con bajos recursos de 12 fotos

de muestra en NVIDIA JETSON NANO
 12

Figura 8: Modelo entrenado con 40 fotos de muestra en NVIDIA JETSON

NANO para detección de objetos en tiempo real en este caso cara y masca-
rilla

0
 13

Figura 9: Otro test Modelo entrenado con 40 fotos de muestra en NVIDIA

JETSON NANO para detección de objetos en tiempo real en este caso cara
y mascarilla
 14

Figura 10: Yolo tiny en Ubuntu 16.04, laptop ASUS ZenBook, detecta celular
tasa y persona, modelo genérico
 15

Figura 11: Realidad Aumentada en tablet android, diseño propio desplegado

 16

Figura 12: Realidad Aumentada en tablet android despliegue de diseño

genérico al detectar cierto producto

4. Bibliografı́a

Referencias
[1] YOLOv3: An Incremental Improvement, Redmon, Joseph and
Farhadi, Ali, arXiv, 2018

[2] https://www.scientificamerican.com/article/we-must-
track-how-technology-is-changing-work/, We Must Track
How Technology Is Changing Work
 17

1
Dejado en blanco a propósito