Optimización de aforos vehiculares con el uso de inteligencia artificial IA con código python. Estudio de caso: av. Ballivián y calle 23 de Calacoto, acceso a Achumani, zona Calacoto

Abstract

El presente proyecto tiene como objetivo optimizar el aforo vehicular mediante la red neuronal YOLOv8, adaptándose a la normativa boliviana. Se estableció una clasificación de 15 vehículos, que se re-agrupan en 11 clases diferentes conforme a la Administradora Boliviana de Carreteras. Se generó un banco de imágenes con más de 27,000 fotografías capturadas en 13 estaciones de estudio, superando las 600 imágenes recomendadas por la empresa Ultralytics (desarrolladora de YOLOv8). Las imágenes fueron etiquetadas con el software makesense.ai, sumando más de 80,000 etiquetas. La red YOLOv8 se entrenó con hyperparámetros ajustados por el algoritmo de fuerza bruta tune, alcanzando un rendimiento óptimo en 40 épocas. Se seleccionó un punto de grabación en la Av. Ballivián y Calle 23 de Calacoto, grabando continuamente 24 horas al día, 7 días a la semana. Los datos obtenidos fueron analizados, comparando la precisión de YOLOv8 con el aforo tradicional y los datos reales. YOLOv8 logró precisiones de 98.76% en la estación 1, 97.36% en la estación 2, 99.15% en la estación 3, 98.25% en la estación 4 y 96.33% en la estación 5, superando significativamente al aforo tradicional. El tiempo de generación de resultados con YOLOv8 es de la mitad de la duración del vídeo, comparado con el tiempo real del aforo manual y aproximadamante 1.5 veces el tiempo para el aforo tradicional. En conclusión, se logra optimizar el aforo vehicular en términos de logística, capital humano, financiero y tiempo, demostrando una mayor precisión en la obtención de datos, detectando más de 340,000 vehículos en el estudio de caso.