💻 computer science

Lightweight YOLOv8 with Multi-Module Optimization for Electric Bicycle Rider Helmet Detection

Este artículo propone un sistema de detección basado en YOLOv8 mejorado y ligero, optimizado con múltiples módulos para superar las limitaciones existentes en precisión, rendimiento en tiempo real y compatibilidad con dispositivos de borde para la detección de cascos de ciclistas de bicicletas eléctricas en escenarios de tráfico complejos.

Autores originales: Yalei Dong, Fengchen Wei

Publicado 2026-07-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yalei Dong, Fengchen Wei

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina las calles bulliciosas de una ciudad como una pista de baile gigante y caótica donde millones de bicicletas eléctricas zumban de un lado a otro. Si bien estas bicicletas son excelentes para desplazarse de forma rápida y económica, existe un grave fallo de seguridad: muchos conductores olvidan usar su casco. Cuando ocurren accidentes, las lesiones craneales son el mayor peligro, y los estudios demuestran que usar un casco puede reducir el riesgo de muerte casi a la mitad.

En este momento, la policía y los gestores de tráfico intentan detectar a estos conductores sin casco observándolos con sus propios ojos. Pero esto es como intentar encontrar una aguja específica en un pajar mientras se corre un maratón; es lento, agotador y se les pasa mucha gente. ¿La solución? Un ojo informático súper inteligente que nunca se cansa.

Entran en escena los investigadores, quienes decidieron mejorar una popular herramienta de "visión por computadora" llamada YOLOv8. Piensa en YOLOv8 como un detective muy talentoso que puede detectar objetos en fotos. Pero el detective estándar tiene algunas debilidades: a veces pierde de vista cascos diminutos que están lejos, se confunde con las calles concurridas y es un poco pesado y lento para ejecutarse en dispositivos pequeños como una cámara de tráfico o un dron.

El equipo no solo retocó al detective; le dieron un completo cambio de imagen "multimódulo" para hacerlo más ligero, rápido y nítido. Así lo hicieron, utilizando algunas analogías divertidas:

1. El "Súper Olfateador" para objetivos diminutos (Capa de objetos pequeños)
Imagina intentar detectar una pequeña hormiga en un mapa gigante. Si haces demasiado zoom hacia afuera, la hormiga desaparece. El modelo estándar estaba haciendo demasiado zoom hacia afuera para los cascos distantes. Los investigadores añadieron una capa especial de alta resolución de "160×160". Piensa en esto como darle al detective una lupa potente específicamente para cosas diminutas. Esta nueva capa permite al modelo ver los detalles finos de los cascos pequeños que normalmente se pierden en el ruido, reduciendo significamente el número de detecciones perdidas.

2. El "Filtro de Enfoque" (Atención de Coordenadas)
En una calle concurrida, hay mucho ruido de fondo: árboles, edificios, otros coches. El modelo estándar a veces se distraía con estos detalles. El equipo instaló un mecanismo de "Atención de Coordenadas" (CA). Imagina esto como unas gafas de sol inteligentes que atenúan automáticamente el ruido de fondo y resaltan al conductor y su casco. Ayuda al modelo a enfocarse exactamente donde necesita mirar, ignorando el desorden.

3. El Reensamblador de Upsampling (CARAFE)
Cuando el modelo intenta construir una imagen clara a partir de pistas borrosas, suele utilizar un método simple como estirar una foto, lo que hace que se vea pixelada y pierda detalle. Los investigadores sustituyeron esto por un método llamado CARAFE. Imagina que, en lugar de solo estirar una foto, tienes a un chef que prueba los ingredientes y reorganiza los píxeles basándose en lo que realmente son. Este método "consciente del contenido" reconstruye la imagen con un detalle mucho más rico, ayudando al modelo a entender exactamente lo que está viendo, incluso cuando la imagen es complicada.

4. El "Pegamento de Precisión" (Pérdida Inner-MPDIoU)
Cuando el modelo dibuja un cuadro alrededor de un casco para decir: "¡Eso es un casco!", necesita ser perfecto. La forma antigua de medir qué tan bueno era el cuadro (llamada CIoU) era un poco tosca y a veces inestable, especialmente para objetivos de formas extrañas o pequeños. El equipo cambió a un nuevo "pegamento" llamado Inner-MPDIoU. Piensa en esto como una medida láser súper precisa que encaja el cuadro perfectamente sobre el casco, incluso si el casco es diminuto o el ángulo es complicado. Hace que el modelo aprenda más rápido y se mantenga más preciso.

Los Resultados: Un Detective más Ligero y Nítido
El equipo probó este nuevo "Súper-Detective" contra el YOLOv8 original y varias otras versiones mejoradas (como YOLOv8-otl y YOLOv8-C2fDCN). Utilizaron dos conjuntos de fotos del mundo real: uno con 1.500 imágenes y otro con 1.200.

Los resultados fueron claros. En el primer conjunto de datos, su nuevo modelo alcanzó un mAP50 (una puntuación de qué tan bien encuentra los objetos) de 0.638, superando al YOLOv8 original (que puntuó 0.606) y a todos los demás competidores. En el segundo conjunto de datos, de mayor calidad, obtuvo una impresionante puntuación de 0.879, superando ligeramente la puntuación de 0.863 del YOLOv8 base.

Pero no se trataba solo de precisión; se trataba de eficiencia. El nuevo modelo mantuvo su "peso" bajo, con aproximadamente 3.141.966 parámetros (que es más o menos el mismo tamaño que la versión ligera original) y un costo computacional de 13,6 GFLOPs. Esto significa que no es un gigante pesado y lento; es una máquina ágil y eficiente que puede ejecutarse en dispositivos del mundo real sin despeinarse.

El artículo descarta explícitamente la idea de que simplemente hacer un modelo más grande o usar una red más compleja y "pesada" sea la respuesta. Demostraron que esos modelos pesados a menudo fallan al equilibrar la velocidad y la precisión. También descubrieron que otras mejoras, como añadir demasiados mecanismos de atención complejos sin una capa de objetos pequeños, daban lugar a modelos que eran demasiado pesados o que perdían demasiados objetivos.

Al final, esta investigación sugiere que al combinar estas mejoras específicas —una lupa para cosas pequeñas, un filtro de enfoque para el ruido, un reensamblador inteligente para las imágenes y un láser de precisión para los cuadros— se puede construir un detector de cascos que sea altamente preciso y esté listo para el mundo real. Es un paso hacia un futuro donde la seguridad vial se monitoree de forma automática, eficiente y sin perder de vista a un solo conductor.

Resumen Técnico: YOLOv8 Ligero con Optimización de Módulos Múltiples para la Detección de Cascos en Conductores de Bicicletas Eléctricas

Planteamiento del Problema
La rápida proliferación de las bicicletas eléctricas ha introducido desafíos significativos para la seguridad vial, principalmente debido a comportamientos no estandarizados en el uso del casco. Aunque existen regulaciones obligatorias sobre el uso de cascos, la supervisión manual tradicional es ineficiente y carece de cobertura total. Los algoritmos de detección basados en aprendizaje profundo existentes enfrentan cuellos de botella críticos en el despliegue en el mundo real:

Detección de Objetos Pequeños: Dificultad para detectar con precisión objetivos de cascos distantes o de pequeña escala.
Robustez Ambiental: Desempeño degradado bajo fondos complejos, oclusión en tráfico denso y condiciones de iluminación variables.
Eficiencia Computacional: Muchos modelos utilizan estructuras de red sobredimensionadas que son computacionalmente costosas, lo que dificulta su desplutegue en dispositivos móviles y de borde (edge) requeridos para la gestión del tráfico en tiempo real.
Equilibrio Crítico: Falta de un compromiso efectivo entre la precisión de detección, la velocidad de inferencia en tiempo real y la ligereza del modelo.

Metodología
Los autores proponen un sistema de detección mejorado basado en YOLOv8, diseñado para potenciar la extracción de características para objetos pequeños y mejorar la adaptabilidad a escenarios de tráfico complejos. El modelo base seleccionado es YOLOv8s, elegido por su equilibrio entre precisión y velocidad. El método propuesto integra cuatro optimizaciones de módulos específicos:

Optimización de la Función de Pérdida (Inner-MPDIoU):
- La función de pérdida CIoU original es reemplazada por Inner-MPDIoU (Intersección sobre Unión de Distancia de Múltiples Puntos Internos).
- Mecanismo: Inner-MPDIoU minimiza la distancia entre los vértices de las esquinas de la caja predicha y la caja de verdad (ground truth) ( $d_1, d_2$ ) mientras introduce un factor de ratio para controlar una caja delimitadora auxiliar.
- Beneficio: Este enfoque reduce la complejidad computacional al eliminar funciones trigonométricas inversas, mejora la estabilidad de la convergencia y mejora específicamente la precisión de localización para objetos pequeños y objetivos con relaciones de aspecto desequilibradas.
Mejora del Backbone (Módulo C2f_CA):
- El módulo C2f estándar en el Backbone de YOLOv8 es reemplazado por un módulo C2f_CA, que integra el mecanismo de Atención de Coordenadas (CA).
- Mecanismo: CA realiza un pooling global unidimensional a lo largo de las direcciones horizontal y vertical para codificar la información de posición espacial.
- Beneficio: Esto permite al modelo filtrar adaptativamente el ruido de fondo irrelevante y resaltar las características clave de los objetivos (cascos/bicicletas eléctricas) sin aumentar significativamente la carga computacional, mejorando el enfoque en objetivos densos y pequeños.
Adición de Capa de Detección de Objetos Pequeños:
- Se añade una capa de detección dedicada de 160×160 a la estructura del Neck, junto con las capas estándar de 20×20, 40×40 y 80×80.
- Mecanismo: Esta capa utiliza mapas de características de alta resolución para capturar detalles finos que suelen perderse durante el submuestreo (downsampling).
- Beneficio: Reduce significativamente las detecciones omitidas y las falsas alarmas para objetivos ultra-pequeños (por ejemplo, cascos distantes) mediante la fusión de información semántica superficial y profunda.
Optimización del Sobremuestreo (CARAFE):
- Los métodos de sobremuestreo tradicionales (vecino más cercano o bilineal) son reemplazados por CARAFE (Content-Aware Re-Assembly of Features - Reensamblaje de Características Consciente del Contenido).
- Mecanismo: CARAFE utiliza un Módulo de Predicción de Kernel (KPM) y un Módulo de Reensamblaje Consciente del Contenido (CARM) para generar pesos dinámicos basados en el contenido de las características de entrada.
- Beneficio: Preserva los detalles locales y la información semántica durante la fusión de características, mejorando la calidad de los mapas de características sobremuestreados para la detección de objetos pequeños.

Contribuciones Clave

Sinergia de Módulos Múltiples: El artículo presenta una estrategia de optimización holística que combina el refinamiento de la función de pérdida, mecanismos de atención, expansión arquitectónica para objetos pequeños y sobremuestreo avanzado, en lugar de depender de una sola modificación.
Eficiencia Ligera: A pesar de añadir módulos, el modelo mantiene un recuento de parámetros (~~3.14M) y un costo computacional (~~13.6 GFLOPs) comparable a otras variantes ligeras, asegurando la idoneidad para el despliegue en dispositivos de borde (edge).
Optimización Dirigida a Objetos Pequeños: La adición específica de la capa 160×160 y el uso de Inner-MPDIoU abordan directamente el desafío de detectar cascos pequeños y distantes en el tráfico.

Resultados Experimentales
El estudio se llevó a cabo utilizando dos conjuntos de datos (1,500 y 1,200 imágenes) obtenidos de Roboflow, divididos en una proporción 8:2 para entrenamiento y prueba. El entorno utilizó una GPU NVIDIA RTX 3060.

Comparación con la Base: El modelo propuesto superó a otras variantes ligeras de YOLO (v5, v6, v9, v10, v11) en términos de mAP50 y mAP50-95, manteniendo velocidades de inferencia competitivas.
Análisis de Ablación/Comparativo: El método propuesto ("Ours") se comparó con otros tres algoritmos mejorados:
- YOLOv8-otl (CARAFE + WIoU)
- YOLOv8-C2fDCN (EMA + Inner-MPDIoU)
- YOLOv5-CA (CA + CBAM + DIoU)
Métricas de Desempeño:
- En el Conjunto de Datos 1, el método propuesto logró el mAP50 más alto (0.638) y el mAP50-95 (0.234), con una Precisión de 0.652 y un Recall de 0.654.
- En el Conjunto de Datos 2, alcanzó un mAP50 de 0.879 (empatando con el mejor) y el mAP50-95 más alto (0.612).
- El modelo demostró una precisión de clasificación superior en el análisis de la matriz de confusión, con valores diagonales más altos (clasificaciones correctas) y valores fuera de la diagonal más bajos (clasificaciones erróneas) en comparación con sus competidores.
- La curva de Precisión-Recall (P-R) para el método propuesto fue consistentemente más alta, indicando un mayor Área Bajo la Curva (AP).

Significancia y Reivindicaciones
El artículo afirma que el método propuesto aborda con éxito el compromiso entre la precisión de detección y el rendimiento en tiempo real en la detección de cascos para bicicletas eléctricas. Al mitigar eficazmente los falsos positivos y las detecciones omitidas en escenarios de tráfico complejos, el sistema proporciona una solución técnica fiable para la gestión inteligente de la seguridad vial. Los autores sostienen que su estrategia de optimización colaborativa de múltiples módulos ofrece un enfoque más práctico y robusto para el despliegue en dispositivos de borde en comparación con las mejoras de módulo único existentes. El estudio concluye que este algoritmo proporciona una base factible para la supervisión automatizada y a gran escala del comportamiento de uso de cascos, aunque se sugiere que el trabajo futuro amplíe la diversidad de los conjuntos de datos y explore una mayor compresión del modelo para entornos extremos.

Más como este