Sistema inteligente de bajo costo para la gestión de estacionamientos: Detección y clasificación de lugares disponibles mediante Inteligencia Artificial

Abstract

El presente documento desarrolla una solución orientada a la identificación y clasificación de espacios de estacionamiento utilizando imágenes capturadas por dispositivos de vigilancia. Para esto, se emplearon metodologías de Inteligencia Artificial (IA), específicamente de Aprendizaje Automático (Machine Learning, ML) y Aprendizaje Profundo (abreviado como DL en inglés: Deep Learning) aplicados a Visión Computarizada (CV, por sus siglas en inglés de Computer Vision). El objetivo central radica en automatizar la identificación de espacios de estacionamiento ocupados o vacíos mediante el análisis de imágenes tomadas por diferentes cámaras en diferentes condiciones climáticas y desde diversas perspectivas. Para ello, se combinaron dos enfoques complementarios. En una primera etapa, se emplearon modelos de ML como apoyo para realizar una clasificación básica de las imágenes, facilitando la identificación inicial de espacios de estacionamiento. Sin embargo, la propuesta final se basó en la integración de un modelo de DL, específicamente YOLOv8 (del inglés You Only Look Once), que actúa como núcleo del sistema con el fin de detectar espacios de estacionamiento de manera exacta y clasificarlos eficazmente. Para optimizar su desempeño, se realizaron múltiples experimentos, probando tanto la versión YOLOv8n (nano) como YOLOv8s (small), combinadas con técnicas de aprendizaje por transferencia (transfer learning, TL) y aumento de datos (data augmentation) como rotaciones, escalados, traslaciones, volteos y variaciones de iluminación. Asimismo, se evaluaron diferentes configuraciones de entrenamiento, variando el número de épocas y los parámetros, siempre guiándose por las métricas de validación para alcanzar el mejor resultado posible. Los experimentos se ejecutaron inicialmente de forma local en equipo propio y posteriormente en Google Colab o servicios en la nube, lo que permitió acelerar el proceso de entrenamiento y realizar pruebas más extensas de manera eficiente. Cabe destacar que el dataset final utilizado fue el resultado de una combinación de tres conjuntos de datos distintos, integrados para enriquecer la variedad de escenarios y mejorar la capacidad de generalización del modelo.