Rendimiento de algoritmos de reconocimiento facial para autenticación biométrica en sistemas de monitoreo doméstico con Edge Computing

Abstract

Este artículo presenta una investigación sobre el análisis comparativo de técnicas de reconocimiento facial, aplicando enfoques supervisados de aprendizaje automático en una plataforma de Edge computing. Se eligió la tarjeta Jetson Nano de Nvidia debido a su capacidad de procesamiento eficiente, esencial para la ejecución de modelos complejos en tiempo real. El estudio se centra en la evaluación de métricas clave como la precisión, Confianza, Recall y mAP50 de los algoritmos seleccionados, específicamente utilizando YOLO en su versión v8. Estos algoritmos se ejecutaron utilizando frameworks como PyTorch, ONNX y TensorRT, así como el modelo de reconocimiento facial FaceNet. El dataset fue entrenado y evaluado utilizando una base de datos propia compuesta por aproximadamente 1000 fotografías, distribuidas en una proporción de 80/20 para entrenamiento y validación. Además, se aplicaron técnicas de aumento de datos (Data Augmentation) para mejorar el rendimiento de los modelos entrenados. Los resultados muestran que el sistema alcanza una precisión superior al 90% y una confianza del 89%, lo que aporta un rango de reconocimiento facial amplio que permite su uso en un sistema con condiciones óptimas para el monitoreo en una residencia.