William Zambrano (2023).

desarrollo de una solución tecnológica denominada clasificación de imágenes de transporte con

tensorflow. Inteligencia artificial

DESARROLLO DE UNA SOLUCIÓN TECNOLÓGICA DENOMINADA

CLASIFICACIÓN AUTOMÁTICA DE IMÁGENES DE TRANSPORTE CON
TENSORFLOW PARA ESTUDIANTES DE NIVEL DE EDUCACIÓN PRIMARIA
William Zambrano

Instituto Tecnológico del Putumayo, facultad de ingeniería y ciencias básicas, ingeniería en sistemas, inteligencia artificial, Mocoa
Putumayo, marzo 2023

En la actualidad, se sabe que el aprendizaje automático se utiliza en una amplia variedad de

aplicaciones, desde la clasificación de imágenes y la identificación de patrones en datos,
hasta la toma de decisiones en tiempo real, en sistemas autónomos y la predicción de
resultados en el mercado financiero. Además, “nos permite comunicarnos con los
ordenadores, conducir coches de manera autónoma, predecir desastres naturales o incluso
tratando de combatir ataques terroristas.” (Quirós Pérez, 2022).
Esta técnica se basa en la idea de que un algoritmo puede "aprender" a reconocer patrones y
características en una imagen que la distingan de otras imágenes. Para lograr la
clasificación automática de imágenes, se utiliza un modelo de aprendizaje automático que
se entrena con un conjunto de imágenes etiquetadas previamente. Este conjunto de datos se
divide en dos partes: el conjunto de entrenamiento y el conjunto de prueba. El conjunto de
entrenamiento se utiliza para entrenar el modelo y el conjunto de prueba se utiliza para
evaluar su precisión.
Durante el entrenamiento, el modelo aprende a identificar características específicas en las
imágenes que corresponden a cada categoría. Una vez entrenado, el modelo se utiliza para
clasificar nuevas imágenes en una o varias de las categorías predefinidas.
Existen diferentes enfoques para la clasificación automática de imágenes, que incluyen el
uso de redes neuronales convolucionales (CNN), que se han demostrado altamente
efectivas en la clasificación de imágenes, y otros modelos de aprendizaje automático como
SVM, k-nearest neighbors (k-NN) y árboles de decisión.
El sistema que permite la clasificación de las imágenes está dirigido para estudiantes del
nivel de educación primaria que suelen tener dificultad al momento de clasificar o
relacionar los diferentes medios de transporte que existen. esta clasificación está dada de la
siguiente manera. Como medio de transporte están los Aviones, helicópteros, avionetas, etc.
estos pertenecientes al medio aéreo. Como medio de transporte marítimo están los
Buques, barcos, balsa, lancha, ferry, yate, submarino, entre otro y como medio terrestre
esta la Bicicleta, Velocípedo, Automóvil, Autobús, Camión, Motocicleta, Tractor,
Todoterreno, Remolque, Tren, Metro, Ferrocarril, etc.

1
 William Zambrano (2023). desarrollo de una solución tecnológica denominada clasificación de imágenes de transporte con
tensorflow. Inteligencia artificial

Las redes neuronales se componen de capas de neuronas interconectadas, que procesan y

transforman la información a medida que fluye a través de ellas. Cada capa de neuronas
puede ser entrenada para detectar características específicas de los datos de entrada, y las
capas posteriores pueden usar esta información para realizar tareas más complejas.
Una red neuronal está compuesta de un conjunto de elementos que imitan a los
componentes neuronales biológicos, tal que dichos elementos son unidades de
procesamiento llamados neurones artificiales, los cuales tienen conexiones de entrada
(dendritas) que provienen de otros neurones y conexiones de salida (axón) hacia otros
neurones. Las principales aplicaciones son para el procesado de señales y el reconocimiento
de patrones. (Mazón Olivo & Rivas Asanza , 2018).

Para que nuestro sistema tenga en cuenta cuales detalles son los que se debe fijar
necesitaremos un conjunto de datos ya clasificados para entrenar este modelo, luego
preparamos los datos y los clasificamos en carpeta, antes de proceder asegurarnos que
estamos trabajando en un entorno de Python en donde se tenga instalada la dependencia
necesaria que es tensorflow.
A continuación, utilizaremos la clase de TensorFlow ImageDataGenerator, un generador
que nos ahorrará tener todas las imágenes cargadas en memoria porque es capaz de ir
escaneando las carpetas y recuperando los archivos por lotes a medida que se necesiten.
Una vez capturadas las imágenes con el generador, podremos visualizarlas utilizando la
biblioteca matplotlib de Python
Ahora ya solo nos queda entrenar la red. Cargamos Inception y le enganchamos nuestras
capas. Para entrenarla, cargamos las imágenes llamando a nuestro generador y se las
pasamos al método fit (sport_model.fit()) ajustando el parámetro epochs (épocas). Una
época es cada pasada que hacen los datos a través de la red. Por lo general, una red
neuronal necesita hacer varias pasadas para entrenarse y optimizarse correctamente.

Cuando termine el entrenamiento, se nos generarán varias filas de datos, una por cada
época. En cada fila se nos indicará el progreso y el tiempo que ha llevado el procesado y el
valor de la función objetivo. Cuanto más pequeño sea este valor, será mucho mejor.
Ahora es el momento de poner a prueba nuestra red. Generaremos una predicción
y veremos si nuestra red es capaz de clasificar correctamente con el método predict nuestro
lote de imágenes de test, que son imágenes que nuestra red todavía no ha "visto".

2
 William Zambrano (2023). desarrollo de una solución tecnológica denominada clasificación de imágenes de transporte con
tensorflow. Inteligencia artificial

Referencias

Islas Rivera, V., & Zaragoza , M. (30 de 07 de 2008). ANÁLISIS DE LOS SISTEMAS DE TRANSPORTE.
Obtenido de https://www.imt.mx/archivos/publicaciones/publicaciontecnica/pt307.pdf

Mazón Olivo, B., & Rivas Asanza , W. (15 de 09 de 2018). Reconocimiento de patrones en
imagenes. Obtenido de
https://www.researchgate.net/profile/Bertha-Mazon-Olivo/publication/
327703697_Capitulo_3_Reconocimiento_de_patrones_en_imagenes/links/
5b9fe67f45851574f7d25472/Capitulo-3-Reconocimiento-de-patrones-en-imagenes.pdf

Quirós Pérez, F. (06 de 2022). Reconocimiento de imagenes con tensorflow con R. Obtenido de
https://hdl.handle.net/11441/142916