Diseño de un Dataset para sistemas de seguridad basados en detección de armas

Resumen

DOI: https://doi.org/10.46296/ig.v9i18.0354

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.