Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
DOI: https://doi.org/10.46296/ig.v9i18.0354  
DISEÑO DE UN DATASET PARA SISTEMAS DE SEGURIDAD BASADOS  
EN DETECCIÓN DE ARMAS  
DESIGN OF A DATASET FOR WEAPON DETECTION-BASED SECURITY  
SYSTEMS  
1
2
Molina-Cedeño Juan Carlos ; Meza-Hormaza Jaime  
1
Universidad Técnica de Manabí. Portoviejo, Ecuador. Correo: jcmolina2932@gmail.com  
2
Universidad Técnica de Manabí. Portoviejo, Ecuador.  
Correo: jaime.meza@utm.edu.ec. ORCID ID: https://orcid.org/0000-0002-8279-5630.  
Resumen  
La detección automática de amenazas mediante visión por computadora se ha convertido en una  
alternativa de gran interés para fortalecer los sistemas de videovigilancia. Sin embargo, el  
rendimiento de estos modelos de detección depende en gran medida, de la calidad de los datos  
con los que fueron entrenados. En este contexto, la presente investigación tiene como objetivo  
diseñar un dataset especializado para la detección de personas armadas y desarmadas, con el  
objetivo de que sirva como base para el desarrollo de sistemas de monitoreo inteligentes. Para  
ello, se empleó la metodología CRISP-ML(Q), dividiendo la creación del dataset en las etapas  
de recopilación, selección, preparación y validación de los datos. El conjunto de datos fue  
construido a partir de videos obtenidos de fuentes abiertas a nivel del Ecuador y posteriormente  
etiquetados para su utilización en el entrenamiento del modelo. Por último, para comprobar la  
validez del dataset, se realizó el entrenamiento de un modelo de detección basado en YOLO.  
Dando resultados que pudieran evidenciar un desempeño satisfactorio en el modelo entrenado,  
demostrando que el dataset desarrollado posee características adecuadas para el entrenamiento  
de modelos detección automática de amenazas en entornos de videovigilancia.  
Palabras clave: Dataset, visión por computadora, armas de fuego, videovigilancia, seguridad,  
entrenamiento, modelo, YOLO.  
Abstract  
Automatic threat detection through computer vision has become an increasingly important  
approach for enhancing video surveillance systems. However, the performance of these detection  
models largely depends on the quality of the data used for training. In this context, the present  
research aims to design a specialized dataset for the detection of armed and unarmed individuals,  
with the objective of serving as a foundation for the development of intelligent monitoring systems.  
To achieve this, the CRISP-ML(Q) methodology was employed, dividing the dataset creation  
process into the stages of data collection, selection, preparation, and validation. The dataset was  
constructed from videos obtained from publicly available sources across Ecuador and  
subsequently annotated for use in model training. Finally, to validate the proposed dataset, a  
YOLO-based object detection model was trained. The obtained results demonstrated satisfactory  
performance, indicating that the developed dataset possesses suitable characteristics for training  
automatic threat detection models in video surveillance environments.  
Keywords: Dataset, computer vision, firearms, video surveillance, security, training, model,  
YOLO.  
Información del manuscrito:  
Fecha de recepción: 08 de mayo de 2026.  
Fecha de aceptación: 13 de julio de 2026.  
Fecha de publicación: 13 de agosto de 2026.  
71  
Molina-Cedeño et al. (2026)  
1. Introducción  
Deep Learning,  
y
visión por  
computadora para el procesamiento  
de grandes volúmenes de datos, con  
los que poder identificar patrones de  
comportamiento, detectar objetos  
peligrosos y generar alertas en  
tiempo real ante cualquier tipo de  
evento (L.Priyanka & Sahithi, 2025).  
En la actualidad, los sistemas de  
videovigilancia son cada vez más  
utilizados en sectores públicos y  
privados, con la finalidad de reforzar  
la seguridad ciudadana y de prevenir  
actos delictivos, convirtiéndolos en  
una de las principales herramientas  
para la recolección de información  
en tiempo real y el monitoreo de  
espacios públicos según (Jorge et  
al., 2023).  
Diversas investigaciones como la de  
(Debnath & Bhowmik, 2021) han  
explorado el uso de aplicaciones de  
la visión por computadora para la  
detección de armas de fuego,  
realizando una exhaustiva revisión  
de los métodos basados en el  
aprendizaje profundo para su  
La mayoría de estos sistemas  
utilizan cámaras CCTV (Closed-  
Circuit Television) ((Matczak et al.,  
2023)) para la captura de los datos  
entrenamiento,  
destacando  
el  
de manera pasiva, sin embargo en la  
actualiza los avances tecnológicos,  
creciente uso de arquitecturas de  
redes neuronales por su capacidad  
para identificar objetos peligrosos en  
escenarios complejos.  
especialmente  
en  
inteligencia  
artificial (IA), han permitido el  
desarrollo de nuevos sistemas de  
seguridad que ofrecen una solución  
más inteligente y automatizada para  
anticipar y mitigar incidentes.  
Por otro lado, (Castillo et al., 2019),  
identificó que los modelos más  
recientes de detección de armas de  
vigilancia  
alcanzan  
resultados  
utilizando  
En  
este  
sentido,  
surge  
la  
prometedores  
implementación de algoritmos de  
predicción, lo que se representa  
como una herramienta estratégica  
para la prevención del delito y la  
gestión eficiente de emergencias. La  
mayoría de estos sistemas utilizan  
tecnologías como Machine Learning,  
arquitecturas como YOLO o SSD No  
obstante la precisión y eficacia de  
estos sistemas dependen de la  
calidad de los datos utilizados para el  
entrenamiento de los modelos, por  
esto mismo son necesarios datasets  
que cumplan diferentes factores,  
72  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
como una cantidad de imágenes,  
una diversidad de escenarios y  
variaciones en el tipo de armas,  
limitando lo menor posible los  
algoritmos de detección.  
incluyen la gestión de riesgos, el  
aseguramiento de la calidad de los  
datos, el monitoreo continuo del  
desempeño y el mantenimiento  
posterior al despliegue (Studer et al.,  
2
021).  
En este contexto, la presente  
investigación propone el diseño de  
un dataset elaborado a partir de  
incidentes ocurridos en el Ecuador,  
para sistemas de seguridad basados  
en detección de armas de fuego.  
Con el objetivo de contribuir al  
entrenamiento y al desarrollo de  
sistemas de videovigilancia más  
eficaces. Todo esto mediante la  
utilización de datos específicos que  
fueron cuidadosamente clasificados  
y etiquetados, permitiendo mejorar la  
detección de amenazas.  
Según (Salazar Franco, 2023)  
CRISP-ML(Q) se caracteriza por ser  
una metodología flexible, ya que  
permite la mejora continua de los  
procesos que forman parte del  
desarrollo de soluciones basadas en  
machine learning. Esto facilita el  
identificar  
y
corregir problemas  
durante las diferentes etapas del  
proyecto, lo que contribuye al  
incremento de la calidad  
y
confiabilidad de los datos utilizados  
para el entrenamiento de modelos de  
detección. Por ello, esta metodología  
resultó adecuada para guiar el  
proceso de construcción, validación  
y evaluación del dataset propuesto  
en la presente investigación y esta  
fue adaptada a los requerimientos de  
la investigación, utilizando las fases  
de: Comprensión del negocio,  
2. Metodología  
Para el diseño del dataset para  
sistemas de seguridad basados en  
detección de armas se empleó la  
metodología CRISP-ML(Q) (Cross-  
Industry Standard Process for  
Machine Learning with Quality  
Assurance), debido a que amplía el  
modelo tradicional CRISP-DM al  
incorporar actividades específicas  
para sistemas de inteligencia  
artificial. Entre estas actividades se  
Comprensión  
de  
los  
datos,  
Preparación de los datos, Modelado  
y Evaluación.  
2.1 Comprensión del Negocio  
En esta fase se identificó la  
problemática relacionada con la  
73  
Molina-Cedeño et al. (2026)  
creciente necesidad de implementar  
sistemas de seguridad capaces de  
2.2 Comprensión de los datos  
Mediante el análisis exploratorio se  
evalúan la calidad, completitud,  
representatividad y adecuación de  
los datos disponibles, aspectos clave  
para la fiabilidad del modelo  
detectar  
armas  
de  
manera  
automática en entornos urbanos, por  
ello la investigación se enfocó en el  
desarrollo de un dataset que permita  
fortalecer sistemas de vigilancia  
basados en visión por computador y  
aprendizaje automático, lo que  
contribuye al apoyo de procesos de  
(Carmona Gálvez, 2025).  
Por ello, en esta fase de  
comprensión de los datos se  
seleccionaron  
aproximadamente  
monitoreo  
incidentes.  
y
prevención  
de  
100 videos obtenidos de diferentes  
fuentes abiertas (Molina, 2026) y que  
estaban relacionados con escenas  
donde se visualizan personas con  
armas de fuego en distintos  
Como parte de esta etapa se  
determinaron los objetivos  
principales del proyecto, los cuales  
están enfocados en la recolección,  
contextos.  
Posteriormente,  
se  
selección,  
procesamiento  
y
efectuó un proceso de análisis y  
revisión del contenido con el objetivo  
de identificar materiales relevantes  
para la investigación. El proceso de  
selección de estos videos se realizó  
considerando algunos parámetros  
que permitieran garantizar la calidad  
y diversidad del material empleado  
para la construcción del dataset.  
etiquetado de imágenes  
que  
contengan armas o gente armada en  
diferentes ángulos y perspectivas.  
Además, se definieron ciertos  
parámetros a tener en cuenta para  
estas imágenes, ya que debe existir  
una diversidad de escenarios,  
ángulos, iluminación y entornos  
visuales  
que  
representen  
Entre los criterios considerados se  
evaluaron aspectos como calidad  
visual y resolución de los videos, las  
condiciones de iluminación, la  
estabilidad de las imágenes, la  
visibilidad de las personas y de las  
armas de fuego, así como la  
presencia de distintos escenarios,  
situaciones reales de vigilancia.  
Por ello, esta etapa permitió delimitar  
el alcance de la investigación y  
determinar  
las  
características  
necesarias para la construcción del  
dataset.  
74  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
perspectivas y distancias respecto a  
la cámara. Además, se buscó incluir  
ambientes interiores y exteriores,  
con el fin de obtener una mayor  
variabilidad en las muestras.  
estructurar  
información  
adecuadamente  
antes de  
la  
su  
incorporación en la plataforma  
Roboflow.  
Una vez cargadas las imágenes en  
Roboflow, se realizó el proceso de  
2.3 Preparación de los datos  
etiquetado  
manual  
mediante  
La preparación de los datos  
constituye una etapa fundamental  
dentro del desarrollo del proyecto, ya  
que la calidad y consistencia de la  
información influyen directamente en  
el desempeño de los modelos de  
machine learning (Carvajal Gutiérrez  
anotaciones de tipo bounding box, y  
en las cuales se definieron dos  
clases de interés:  
Persona_armada, que identifica  
mediante cuadros delimitadores de  
color rojo a individuos que portaban  
armas de fuego visible.  
&
Lozano Zamora, 2026).  
Una vez seleccionados los 100  
videos, se desarrolló un script en  
Python (juanmolina15, s. f.) el cual  
se encargó de automatizar la  
extracción de fotogramas. Este  
Persona_desarmada, que identifica  
mediante cuadros delimitadores de  
color verde a individuos que no  
presentaban armas de fuego.  
Figura 1. Etiquetado de imágenes en  
procedimiento  
permitió  
obtener  
Roboflow. Fuente: Los autores  
múltiples imágenes de cada video de  
forma sistemática, conservando la  
diversidad de las muestras  
y
evitando la selección manual. Como  
resultado de este proceso se  
generaron aproximadamente 1000  
imágenes.  
Posteriormente, las imágenes fueron  
distribuidas  
correspondientes a los subconjuntos  
de entrenamiento, validación  
prueba. Esta organización permitió  
en  
tres  
carpetas  
Con el propósito de evitar problemas  
asociados al desequilibrio de clases,  
se procuró mantener una cantidad  
y
75  
Molina-Cedeño et al. (2026)  
similar de muestras en ambas  
categorías, esto con el objetivo de  
garantizar un equilibrio entre  
personas armadas y desarmadas.  
Este equilibrio permite reducir  
sesgos durante el entrenamiento y  
mejorar la capacidad del modelo  
para reconocer adecuadamente  
ambas clases.  
Figura 2. Análisis del conjunto de datos. Fuente: Los autores  
2
.4 Validación del set  
el dataset creado proporcionaba  
información suficiente para permitir  
la identificación de personas  
armadas o desarmadas en distintos  
Con el objetivo de verificar la calidad  
y utilidad del conjunto de datos  
desarrollado, se realizaron pruebas  
escenarios.  
Para  
validar  
y
experimentales  
utilizando  
la  
comprobar el dataset se empleó una  
variante de YOLO con bajos  
recursos computacionales y una alta  
velocidad de procesamiento.  
arquitectura YOLO, ya que este  
modelo destaca para tareas de  
detección de objetos. Por ello, esta  
fase tuvo el objetivo de determinar si  
Figura 3. Métricas de detección iniciales obtenidas de la primera prueba. Fuente: Los autores  
Como se ve en la figura 3, una vez  
concluido el entrenamiento y la  
evaluación sobre el conjunto de  
prueba, se obtuvieron valores de  
76  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
42.6 % de Precisión, 42.3 % de  
mayor cantidad de parámetros y una  
Recall, 42.4 % de F1-score y un  
mAP@50 de 28.9 %. A partir de  
estos resultados se decidió utilizar  
una variante de YOLO con una  
mayor capacidad de representación,  
con el propósito de analizar el  
comportamiento del conjunto de  
datos utilizando una arquitectura  
más robusta. Por ello, se optó por  
utilizar una variante con con una  
capacidad  
superior  
de  
representación.  
Como se observa en la figura 4, tras  
repetir el proceso de entrenamiento,  
se obtuvieron unos resultados  
significativamente mejores, ya que  
alcanza una Precisión de 91.8 %, un  
Recall de 79.6 %, un F1-score de  
84.9 % y un mAP@50 de 80.1%.  
Figura 4. Métricas de detección de YOLO obtenidas en la segunda prueba. Fuente: Los autores  
Al comparar ambas arquitecturas se  
puede evidenciar una mejora  
significativa en el desempeño del  
modelo, especialmente en términos  
las personas armadas y desarmadas  
dentro del conjunto de prueba.  
Teniendo en cuenta los resultados  
de las métricas, el valor de Precisión  
muestra que el modelo presentó una  
de precisión  
y
capacidad de  
detección, lo que demuestra un  
rendimiento consistente.  
baja  
detecciones, lo cual indica que la  
mayoría de las predicciones  
proporción  
de  
falsas  
2.5 Evaluación  
realizadas fueron correctas. Por otro  
lado, el Recall demuestra que el  
modelo logró identificar una gran  
cantidad de los casos presentes en  
las imágenes, aunque esto tiene  
margen de mejora en la detección de  
ciertos objetos que pueden pasar  
desapercibidos, especialmente en  
Los resultados obtenidos de la  
segunda prueba mostraron un  
desempeño favorable del modelo  
YOLO, ya que las métricas reflejan  
una alta precisión en las detecciones  
realizadas, lo que resulta en una  
capacidad adecuada para identificar  
77  
Molina-Cedeño et al. (2026)  
escenarios con condiciones visuales  
más complejas.  
3. Resultados y discusión  
Con el fin de construir un dataset que  
permita entrenar modelos de  
detección de personas armadas y  
desarmadas, se recolectaron datos  
audiovisuales de diversas fuentes,  
en los cuales se utilizó un pequeño  
script de autoría propia el cual  
permitió realizar la extracción de  
diversos fotogramas, los cuales  
fueron sometidos a un proceso de  
limpieza de datos en el cual se  
eliminaron fotogramas demasiado  
parecidos, muy borrosos o que no  
tuviesen nada que ver con el objetivo  
final del dataset, seguido de esto se  
estructuró el dataset en 3 diversas  
carpetas, dando como resultado el  
dataset sin etiquetar.  
Así mismo, el resultado del F1-score  
muestra que el modelo tiene un buen  
equilibrio entre las detecciones  
correctas y los casos que logra  
identificar dentro de las imágenes.  
Además, el valor obtenido en  
mAP@50 indica que el modelo tuvo  
un buen desempeño al reconocer y  
ubicar a las personas armadas y  
desarmadas dentro de las imágenes  
adecuadas.  
A partir de estos resultados se puede  
considerar  
que  
el  
dataset  
con las  
desarrollado  
cumple  
condiciones necesarias para ser  
utilizado en el entrenamiento de  
modelos de detección.  
Figura 5. Distribución de clases y etiquetas. Fuente: Los autores  
78  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
La Figura 5 muestra la distribución  
de las anotaciones o etiquetas que  
se encuentran presentes dentro del  
dataset, teniendo un registro  
aproximado de 2900 instancias de la  
clase Persona_armada y 2650 de la  
clase Persona_desarmada, lo que  
aprendizaje profundo, como lo son  
falsos positivos o falsos negativos.  
La distribución espacial de las  
etiquetas muestra que se encuentran  
ubicadas a lo largo de diferentes  
regiones de la imagen y presentan  
diversas dimensiones, lo cual indica  
la presencia de personas a distintas  
distancias y posiciones dentro de los  
escenarios analizados.  
evidencia  
una  
distribución  
equilibrada entre clases, permitiendo  
reducir posibles sesgos durante el  
entrenamiento de modelos de  
Figura 6. Evolución del entrenamiento. Fuente: Los autores  
Con el fin de validar la calidad del  
dataset, se entrenó un modelo de  
YOLOv8 durante 150 épocas, como  
se puede visualizar en la Figura 6,  
incremento sostenido tal como se  
evidencia en la gráfica.  
Este comportamiento indica que las  
imágenes y etiquetas del dataset  
contienen información suficiente  
para que el modelo aprenda  
características relevantes a partir de  
los datos del mismo.  
evidenciando disminución  
progresiva de las funciones de  
pérdida de entrenamiento  
validación, mientras que las métricas  
de evaluación presentan un  
una  
y
79  
Molina-Cedeño et al. (2026)  
Figura 7. Curva Precision-Recall. Fuente: Los autores  
La evaluación mediante la curva  
Precision_Recall, mostrada en la  
Figura 7 muestra un Average  
Precision (AP) de 0.920 para la clase  
Persona_armada y un AP de 0.742  
para la clase Persona_desarmada,  
obteniendo así un valor global de  
mAP@0.5 de 0.831, equivalente a  
un 83.1 % de desempeño promedio  
sobre ambas categorías.  
Figura 8. Matriz de confusión normalizada. Fuente: Los autores  
La Figura 8 muestra la matriz de  
confusión normalizada. Los  
resultados indican que la mayoría de  
las instancias fueron clasificadas  
correctamente por el modelo. La  
clase Persona_armada alcanzó una  
80  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
tasa de reconocimiento cercana al  
1 %, mientras que la clase  
Persona_desarmada obtuvo  
aproximadamente un 64 %. Estos  
resultados sugieren que las  
entrenar el modelo de forma más  
8
exacta sin sesgos como falsos  
positivos al detectar patrones  
repetitivos.  
Estos resultados son consistentes  
con investigaciones recientes en el  
ámbito de la detección de amenazas  
mediante visión por computador.  
anotaciones realizadas presentan  
una calidad adecuada para el  
entrenamiento de modelos de  
detección.  
(Ahmed et al., 2022), en su estudio  
Discusión  
sobre detección de armas en videos  
de vigilancia, señala que la  
diversidad de escenarios, escalas de  
los objetos y condiciones de captura  
constituye un factor determinante  
para mejorar el desempeño de los  
modelos de detección en entornos  
reales. Así mismo, (Hnoohom et al.,  
2022), mediante el dataset ACF  
(Armed CCTV Footage Dataset),  
destaca que los conjuntos de datos  
Mediante los diversos parámetros  
obtenidos durante el entrenamiento  
de un modelo YOLO, los cuales  
validan y dan viabilidad al dataset  
como un recurso eficaz para  
entrenar modelos de detección  
aplicados a la videovigilancia, se  
logra un elevado rendimiento global  
y una alta efectividad en la detección  
de amenazas en tiempo real.  
orientados  
imágenes  
específicamente  
a
Una de las aportaciones más  
relevantes del conjunto de datos es  
lo variado de las dimensiones de las  
de videovigilancia  
permiten obtener modelos más  
robustos frente a variaciones de  
iluminación, distancia y resolución  
presentes en sistemas CCTV.  
cajas delimitadoras  
y
de las  
posiciones de los objetos. La  
presencia de personas en distintos  
lugares dentro de la imagen y la  
variación en tamaño debido a las  
diferencias de tiempos en las que  
fueron capturadas las imágenes de  
cada video de vigilancia proporciona  
condiciones óptimas de monitoreo  
en tiempo real. Esto ayuda a  
Los resultados de la curva Precision-  
Recall reflejan un mejor desempeño  
en la detección de la clase  
Persona_armada, la cual alcanzó un  
AP elevado. Este comportamiento  
puede atribuirse a que la presencia  
de armas de fuego genera patrones  
81  
Molina-Cedeño et al. (2026)  
visuales distintivos que facilitan el  
proceso de aprendizaje. Por el  
recurso para investigaciones futuras  
relacionadas con la detección  
contrario,  
Persona_desarmada presentó un  
AP ligeramente inferior,  
la  
clase  
automática  
de  
amenazas  
en  
sistemas de videovigilancia basados  
en inteligencia artificial.  
posiblemente debido a una mayor  
variabilidad en posturas, vestimenta,  
4. Conclusiones  
condiciones de iluminación  
contextos presentes en  
y
las  
El entrenamiento del modelo YOLO  
se limitó a 150 épocas, lo que  
disminuye las funciones de pérdida y  
mostró unas métricas de evaluación  
bastante altas, lo que demuestra que  
el dataset contiene información más  
que suficiente para que el modelo  
aprenda características visuales  
relevantes, sin embargo, las curvas  
de pérdida mostradas en resultados  
mostraron que el entrenamiento  
podría mejorar añadiendo un mayor  
número de etapas.  
imágenes, lo que dificulta el  
reconocimiento. Este  
comportamiento coincide con lo  
reportado por (Amado-Garfias et al.,  
2024), indicando que la identificación  
automática de personas armadas  
resulta más efectiva cuando existen  
características visuales claramente  
diferenciables entre las clases  
analizadas, mientras que las  
variaciones en apariencia y contexto  
incrementan la complejidad de  
clasificación.  
La diferencia observada entre el  
desempeño de las clases de  
Adicionalmente,  
la  
matriz  
de  
confusión evidencia que existe una  
separación aceptable entre las  
clases definidas, sin embargo aún  
“
Persona_armada” y  
Persona_desarmada” revela que  
“
existe una desigualdad en el  
rendimiento de detección de ambas  
persisten  
ciertos  
errores  
de  
clasificación que podrían reducirse  
mediante la incorporación de nuevas  
muestras, escenarios y condiciones  
de captura.  
categorías,  
donde  
la  
clase  
“Persona_armada”  
alcanzó  
un  
Average Precisión superior al 92%  
en comparación al 74% de la clase  
“
Persona_desarmada”, que  
lo  
Los resultados obtenidos validan la  
utilidad del dataset propuesto como  
concluye que, es más complicado  
82  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
para el sistema, reconocer a una  
persona desarmada que a una  
persona armada, por lo que se  
podría mejorar el dataset agregando  
Persona_armada durante el proceso  
de validación.  
A futuro se propone realizar pruebas  
comparativas  
utilizando  
otros  
mas  
imagenes  
de  
personas  
diferentes  
modelos de detección, con el fin de  
analizar el comportamiento del  
dataset frente a otros modelos  
diferentes a YOLO. Esto ayudaría a  
determinar si existe algún modelo  
desarmadas  
situaciones.  
en  
Por otro lado, se concluye que el  
proceso de selección de los videos  
iniciales fue una fase clave para  
determinar la calidad del dataset,  
permitiendo un buen rendimiento en  
el modelo, gracias al script  
que  
aproveche  
mejor  
las  
características  
desarrollado.  
del  
dataset  
Adicionalmente  
también  
se  
desarrollado  
que  
extrajo  
las  
recomienda evaluar el desempeño  
del dataset en diferentes escenarios  
de videovigilancia en tiempo real. Lo  
que permitirá comprobar qué tan útil  
es el sistema en otro tipo de entornos  
que pongan a prueba el sistema de  
detección, y así poder identificar  
cuales son las limitaciones que  
presenta el dataset.  
imágenes con la calidad justa y  
necesaria, lo que demuestra que no  
se necesitan cámaras de alto coste o  
resolución.  
Recomendaciones y Trabajo a  
futuro  
Como plan a futuro, se plantea la  
idea de ampliar el dataset mediante  
nuevas muestras provenientes de  
Conflictos de interés  
diferentes  
escenarios,  
la  
El autor declara no tener ningún  
conflicto de interés financiero ni  
personal que pudieran haber influido  
en este trabajo.  
incorporación de nuevas armas y la  
captura de datos en condiciones más  
desafiantes, lo cual ayudará a  
reforzar la representación de la clase  
Persona_desarmada, debido a que  
presentó un desempeño inferior en  
comparación  
con  
la  
clase  
83  
Molina-Cedeño et al. (2026)  
Bibliografía  
Castillo, A., Tabik, S., Pérez, F.,  
Olmos, R., & Herrera, F.  
(2019). Brightness guided  
preprocessing for automatic  
cold steel weapon detection in  
surveillance videos with deep  
Ahmed, S., Bhatti, M. T., Khan, M.  
G., Lövström, B., & Shahid, M.  
(2022). Development and  
Optimization of Deep  
Learning Models for Weapon  
Detection in Surveillance  
Videos. Applied Sciences,  
learning.  
330,  
https://doi.org/10.1016/j.neuc  
om.2018.10.076  
Neurocomputing,  
151-161.  
1
2(12), 5772.  
https://doi.org/10.3390/app12  
25772  
Debnath, R., & Bhowmik, M. K.  
1
(
2021).  
survey on computer vision  
based concepts,  
A
comprehensive  
Amado-Garfias, A. J., Conant-  
Pablos, S. E., Ortiz-Bayliss, J.  
C., & Terashima-Marín, H.  
methodologies, analysis and  
applications for automatic  
gun/knife detection. Journal of  
Visual Communication and  
Image Representation, 78,  
103165.  
(2024). Improving Armed  
People Detection on Video  
Surveillance  
Heuristics  
Learning  
Through  
Machine  
IEEE  
and  
Models.  
Access, 12, 111818-111831.  
https://doi.org/10.1109/ACCE  
SS.2024.3442728  
https://doi.org/10.1016/j.jvcir.  
2021.103165  
Detector gente armada Model >  
Overview. (s. f.). Roboflow.  
https://universe.roboflow.com/  
trabajo-articulo/detector-  
Carmona  
Gálvez,  
J.  
(2025).  
Especialización de un modelo  
LLM en una disciplina  
específica.  
gente-armada  
https://hdl.handle.net/10630/4  
Hnoohom, N., Chotivatunyu, P., &  
Jitpattanakul, A. (2022). ACF:  
An Armed CCTV Footage  
6582  
Carvajal Gutiérrez, H. A., & Lozano  
Zamora, J. S. (2026). Diseño  
e implementación de modelos  
Dataset  
Weapon Detection. Sensors,  
22(19), 7158.  
for  
Enhancing  
predictivos  
entrenados  
y
con  
analíticos  
datos  
https://doi.org/10.3390/s2219  
7158  
históricos empresariales para  
evaluar riesgo, desempeño y  
Jorge, M., Aragon, J., & Gonzales, C.  
anomalías  
en  
empresas  
(2023). Uso de herramientas  
futuras bajo el enfoque  
CRISP-ML.  
https://hdl.handle.net/20.500.  
tecnológicas  
prevención  
para  
del  
la  
crimen.  
Revista Escpogra PNP, 3, 34-  
3.  
12494/64341  
4
84  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (18) 2026. ISSN: 2697-3693.  
Diseño de un Dataset para sistemas de seguridad basados en detección de armas.  
https://doi.org/10.59956/escp  
ograpnpv3n1.3  
https://bibdigital.epn.edu.ec/h  
andle/15000/25083  
juanmolina15. (s. f.). Script/script.py  
at main · juanmolina15/Script.  
GitHub.  
Studer, S., Bui, T. B., Drescher, C.,  
Hanuschkin, A., Winkler, L.,  
Peters, S., & Müller, K.-R.  
(2021). Towards CRISP-  
ML(Q): A Machine Learning  
Process Model with Quality  
https://github.com/juanmolina  
15/Script/blob/main/script.py  
L.Priyanka, & Sahithi, D. (2025).  
AUTONOMOUS FIREARMS  
DETECTION AND THREAT  
MONITORING USING DEEP  
VISION MODELS IN SMART  
CITIES. International Journal  
of Data Science and IoT  
Management System, 4(4),  
Assurance  
Machine  
Methodology.  
Learning and  
Knowledge Extraction, 3(2),  
92-413.  
https://doi.org/10.3390/make3  
20020  
3
0
181-186.  
https://doi.org/10.64751/  
Matczak, A.,  
Dąbrowski, A., & Mączka, K.  
2023). Cost-Effectiveness of  
P.,  
Wójtowicz,  
(
CCTV Surveillance Systems:  
Evidence from a Polish City.  
European Journal on Criminal  
Policy and Research, 29(4),  
5
55-577.  
https://doi.org/10.1007/s1061  
-022-09527-5  
0
Molina, J. (2026). Videos dataset.  
https://doi.org/10.5281/zenod  
o.20724901  
Salazar Franco, M. A. (2023).  
Plataforma para desarrollo y  
evaluación de modelos de  
reconocimiento de gestos de  
la  
mano:  
Modelo  
de  
reconocimiento de 11 gestos  
de la mano usando deep  
learning y celdas de memoria  
desarrollado  
en  
Python.  
85