Entrenamiento y validación de la confiabilidad del Community Fish Detector para la identificación taxonómica de peces en el PNN Utría, Pacífico colombiano.

Pérez Ramírez, José Antonio

Entrenamiento y validación de la confiabilidad del Community Fish Detector para la identificación taxonómica de peces en el PNN Utría, Pacífico colombiano.

dc.contributor.advisor	López Victoria, Mateo
dc.contributor.advisor	Benítez Restrepo, Hernán Darío
dc.contributor.author	Pérez Ramírez, José Antonio
dc.date.accessioned	2026-08-31T13:55:30Z
dc.date.available	2026-08-31T13:55:30Z
dc.date.issued	2026
dc.description.abstract	El monitoreo de las comunidades de peces en ecosistemas marinos ha dependido históricamente de censos visuales en persona, los cuales enfrentan limitaciones significativas en términos de escalabilidad y objetividad. Con el avance de las tecnologías de video submarino, el volumen de datos generados ha creado un gran reto en la capacidad y velocidad del procesamiento de la información generada. El presente trabajo describe el desarrollo y la validación de un flujo de trabajo automatizado para la detección y clasificación de especies de peces utilizando la herramienta Community Fish Detector (CFD). La metodología integra la filmación in situ mediante sistemas GoPro a resolución 4K, la extracción sistemática de fotogramas para reducir la redundancia temporal y la anotación manual de precisión mediante el software VGG Image Annotator (VIA). A partir de un proceso de curaduría de datos, se consolidó un dataset definitivo de 560 imágenes y 1,770 individuos. Se empleó la arquitectura de aprendizaje profundo RF DETR Nano, entrenada mediante aprendizaje por transferencia (Transfer Learning) a lo largo de un ciclo controlado de 50 épocas. Los resultados demuestran que el modelo localmente especializado superó la línea base inicial, incrementando la precisión general de un crítico 0.56% a un óptimo 87.70%, y consolidando una Precisión Media Promedio (mAP50) del 88.00%. Asimismo, la inclusión de mapas de flujo óptico y sustracción de fondo redujo los errores por desenfoque cinético, estabilizando la identificación taxonómica de especies clave como Thalassoma lucasanum, Stegastes acapulcoensis y Cephalopholis panamensis. Este sistema proporciona una herramienta computacional robusta y automatizada de alta fidelidad para el monitoreo de la biodiversidad en el Pacífico Tropical Oriental, con gran potencial para escalar otras soluciones tales como estimaciones de tamaños poblaciones, cálculos de biomasa y evaluación de interacciones ecológicas.	spa
dc.description.abstract	Monitoring fish communities in marine ecosystems has historically relied on in-person visual censuses, which face significant limitations in terms of scalability and objectivity. With the advancement of underwater video technologies, the volume of generated data has created a major challenge regarding the capacity and speed of processing the generated information. This work describes the development and validation of an automated workflow for the detection and classification of fish species using the Community Fish Detector (CFD) platform. The methodology integrates in situ videography via GoPro systems at 4K resolution, systematic frame extraction to reduce temporal redundancy, and high-precision manual annotation using VGG Image Annotator (VIA) software. Following a data cleaning process, a definitive dataset of 560 images and 1,770 individuals was consolidated. The deep learning architecture RF 1 DETR Nano was trained using a transfer learning approach over a controlled cycle of 50 epochs. The results demonstrate that the locally specialized model significantly outperformed the initial baseline, increasing overall precision from a critical 0.56% to an optimal 87.70%, and achieving a Mean Average Precision (mAP50) of 88.00%. Furthermore, the incorporation of optical flow maps and background subtraction successfully mitigated motion blur errors, stabilizing the taxonomic identification of key species such as Thalassoma lucasanum, Stegastes acapulcoensis, and Cephalopholis panamensis. This system provides a robust, automated, and high-fidelity computational tool for biodiversity monitoring in the Eastern Tropical Pacific, with great potential to scale other solutions such as population size estimations, biomass calculations, and the evaluation of ecological interactions.	eng
dc.description.degreelevel	Pregrado
dc.description.degreename	Biólogo(a)
dc.format.extent	15 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	http://hdl.handle.net/11522/5757
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.publisher.department	Facultad de Ingeniería y Ciencias
dc.publisher.program	Biología
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Visión artificial	spa
dc.subject	Aprendizaje profundo	spa
dc.subject	Monitoreo biológico	spa
dc.subject	Pacífico colombiano	spa
dc.subject	Identificación de especies	spa
dc.subject	RF-DETR Nano	spa
dc.subject	Computer vision	eng
dc.subject	Deep learning	eng
dc.subject	Biological monitoring	eng
dc.subject	Colombian Pacific	eng
dc.subject	Species identification	eng
dc.title	Entrenamiento y validación de la confiabilidad del Community Fish Detector para la identificación taxonómica de peces en el PNN Utría, Pacífico colombiano.	spa
dc.type	bachelor thesis
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP