Driver Activity Detection and Classification Using Deep Learning- Based YOLO Models for Intelligent Transportation Systems

Resumen Técnico: Detección y Clasificación de la Actividad del Conductor Mediante Modelos YOLO Basados en Aprendizaje Profundo

Planteamiento del Problema
La distracción del conductor y los comportamientos inseguros siguen siendo contribuyentes primarios de los accidentes de tráfico a nivel mundial, resultando en pérdidas económicas, lesiones y fatalidades significativas. Si bien los Sistemas de Transporte Inteligentes (ITS) pretenden mitigar estos riesgos mediante el monitoreo en tiempo real, las soluciones existentes suelen enfrentar limitaciones. La investigación previa frecuentemente se basa en la detección de comportamientos aislados (por ejemplo, solo uso de teléfono o fatiga), carece de un análisis exhaustivo de múltiples características (ignorando la postura corporal completa o la interacción con objetos) y suele ser evaluada en entornos fuera de línea en lugar de entornos de video en tiempo real. Además, muchos conjuntos de datos existentes se basan en sensores o carecen de las anotaciones de cuadros delimitadores (bounding boxes) requeridas para las arquitecturas modernas de detección de objetos, creando una brecha para los sistemas robustos de reconocimiento de actividad del conductor en tiempo real adecuados para diversas condiciones de conducción.

Metodología
El estudio propone un marco de aprendizaje profundo utilizando arquitecturas de detección de objetos You Only Look Once (YOLO) para detectar y clasificar las actividades del conductor en escenarios del mundo real.

• Construcción del Conjunto de Datos: Se desarrolló un conjunto de datos personalizado a partir de condiciones de conducción reales en las ciudades de Debre Markos y Motta, Etiopía. Utilizando un smartphone Samsung Galaxy A52 y una cámara digital, se grabaron 10 secuencias de video que se convirtieron en 5,422 fotogramas anotados manualmente. El conjunto de datos incluye ocho clases de actividad distintas: conducción segura, beber, comer, usar el teléfono, operar componentes del vehículo, ajuste de maquillaje/cabello, gestión de objetos y hablar con pasajeros.
• Preprocesamiento y Anotación: Las imágenes se redimensionaron a 1280×720 (formato JPG) y se anotaron utilizando la herramienta LabelImg. Las anotaciones se exportaron en formato YOLO, que consiste en coordenadas de cuadro delimitador normalizadas (centro x, y, ancho, altura) e IDs de clase. El conjunto de datos se dividió en un 80% para entrenamiento, 10% para validación y 10% para pruebas.
• Arquitectura del Modelo: Se evaluaron cuatro modelos basados en YOLO: YOLOv5s, YOLOv5m, YOLOv5l y YOLOv8n. Estos modelos fueron seleccionados por su equilibrio entre velocidad y precisión. El estudio empleó técnicas de transferencia de aprendizaje (transfer learning), entrenando los modelos con el conjunto de datos personalizado utilizando hiperparámetros que incluyen un tamaño de lote de 10, 5 épocas, un tamaño de imagen de 640 y una tasa de aprendizaje de 0.001.
• Métricas de Evaluación: El rendimiento se evaluó mediante métricas estándar de detección de objetos: Precisión, Exhaustividad (Recall), puntuación F1 y Precisión Media Promedio (mAP) con un umbral de Intersección sobre Unión (IoU) de 0.5. También se analizaron las curvas de pérdida de entrenamiento y validación para monitorear la convergencia.

Contribuciones Clave
El artículo describe cinco contribuciones primarias:

1. Modelo de Detección Integrado: El diseño de un modelo que incorpora tanto las acciones del conductor como los comportamientos de manipulación de objetos, yendo más allá de la detección de características aisladas.
2. Marco Comparativo: Una evaluación sistemática que compara las variantes de estado del arte de YOLOv5 contra YOLOv8 para el reconocimiento de la actividad del conductor.
3. Clases de Actividad Refinadas: La introducción de un conjunto compacto y bien definido de ocho clases de actividad para mejorar la precisión e interpretabilidad de los comportamientos detectados.
4. Sistema de Monitoreo en Tiempo Real: El desarrollo de un sistema basado en cámara fija capaz de observar las actividades del conductor y la visibilidad de los pasajeros en tiempo real.
5. Validación de Rendimiento: Demostración de una mejora en la precisión de la detección y la fiabilidad de la clasificación en comparación con estudios relacionados existentes.

Resultados Experimentales
Los experimentos se realizaron utilizando Google Colab con aceleración por GPU (NVIDIA Tesla K80). Los resultados indicaron una clara correlación entre la complejidad del modelo y el rendimiento de la detección:

• YOLOv5s: Alcanzó un mAP de 90.0%.
• YOLOv5m: Alcanzó un mAP de 92.5%.
• YOLOv5l: Alcanzó un mAP de 95.0%.
• YOLOv8n: Alcanzó el mayor rendimiento con un mAP de 96.3%.

Si bien YOLOv8n demostró una precisión superior, requirió el mayor tiempo de entrenamiento (3.012 horas) y resultó en el peso de modelo más grande (102.4 MB). Por el contrario, YOLOv5s ofreció el entrenamiento más rápido pero con una precisión reducida. Las curvas de pérdida de entrenamiento y validación confirmaron una convergencia estable en todos los modelos.

Significancia y Reivindicaciones
El artículo afirma que las arquitecturas YOLO avanzadas, particularmente YOLOv8, proporcionan soluciones precisas y eficientes para el reconocimiento de la actividad del conductor en tiempo real. El estudio sostiene que su marco propuesto contribuye significativamente a la mejora de los Sistemas de Transporte Inteligentes y la seguridad vial al permitir el monitoreo continuo y automatizado de comportamientos de conducción riesgosos. Los autores concluyen que el método propuesto supera los enfoques existentes en términos de precisión de detección y fiabilidad, validando el uso de la detección de objetos basada en aprendizaje profundo para el monitoreo dentro de la cabina.

Direcciones Futuras
Los autores sugieren modestamente que el trabajo futuro debería centrarse en la optimización de las arquitecturas YOLO y en la exploración de hiperparámetros adicionales. Recomiendan expandir el conjunto de datos para incluir comportamientos más diversos y aumentar el número de clases de actividad para mejorar la generalización. Además, la investigación futura debe abordar las limitaciones con respecto a la detección nocturna y el despliegue en el mundo real en entornos de tráfico complejos para mejorar aún más la robustez del sistema.