1.     ANTECEDENTES

La gestión de multitudes con visión por computador desde dron permite, a partir de imagen aérea en tiempo real, estimar aforos y densidades, detectar riesgos como embudos, brechas o inicios de estampida, y trazar rutas de evacuación libres de obstáculos con mayor precisión que los sensores estáticos. Al operar en el borde (edge) y de forma anónima, esta analítica reduce la dependencia de la conectividad y protege la privacidad. Este tipo de desarrollos aportan beneficios directos en los tiempos de respuesta, elevan la seguridad de asistentes y equipos, optimizan recursos y habilitan decisiones operativas basadas en datos.

2.    Objetivo del Reto

El desafío consiste en aplicar y optimizar un modelo de aprendizaje profundo para el control de aforo a partir de imágenes aéreas capturadas por drones, logrando conteo y estimación de densidad precisos en tiempo real. La optimización debe priorizar tanto la exactitud como la eficiencia computacional para su despliegue en Edge (CPU/GPU limitadas y batería), con latencias <1–2 s, funcionamiento “offline-first”, y mecanismos de degradación gradual (bajar FPS, cambiar a modelos ligeros) sin perder continuidad operativa.

Este objetivo principal puede acompañarse de tareas secundarias soportadas por otros modelos específicos: detección de objetos (p. ej., vehículos u obstáculos), segmentación de áreas para clasificar zonas libres/ocupadas y análisis de flujo para anticipar congestiones, integrando todos los resultados en indicadores operativos que faciliten decisiones rápidas y basadas en datos.

Objetivos Técnicos

·        Adquisición de datos: identificar y recopilar conjuntos de datos de fuentes públicas y/o de pago hasta alcanzar la cantidad y diversidad necesarias para desarrollar la solución de ML.

·        Aplicación de Aprendizaje Profundo: Desarrollar o adaptar un algoritmo de aprendizaje profundo para la detección y conteo precisos de personas en imágenes aéreas.

·        Optimización del Modelo: Reducir la complejidad del modelo sin sacrificar la precisión. Esto incluye técnicas como la fusión de capas, poda de redes y cuantización.

·        Validación y Pruebas Rigurosas: Asegurar que el modelo proporciona resultados precisos y fiables mediante una serie de pruebas y validaciones.

·        Implementación en Hardware de Bajas Prestaciones: Asegurarse de que el modelo optimizado puede ser desplegado y ejecutado eficientemente en sistemas con recursos limitados.

3.    Entregable Final

El entregable incluirá:

·        Los conjuntos de datos empleados en el desarrollo y validación del modelo. 

·        El código del modelo de aprendizaje profundo optimizado.

·        Documentación detallada del diseño, implementación y optimización del modelo.

·        Un informe de pruebas y validación demostrando la precisión y eficiencia del modelo.

·        Guía de implementación para sistemas de bajas prestaciones

4.    Recursos Internos Disponibles

La empresa proporcionará acceso a:

·        Acceso a hardware y software para el desarrollo y prueba de modelos de IA.

·        Asesoramiento técnico y apoyo de expertos en visión por computadora y aprendizaje profundo.