Enfoque para la Detección de Asaltos en Perú Aplicando YOLOv8, YOLOv11 y YOLOv12

Resumen

La criminalidad urbana en el Perú, marcada por el incremento de delitos con armas de fuego, exige soluciones tecnológicas que fortalezcan los sistemas de videovigilancia. En este contexto, el objetivo del presente estudio fue comparar el rendimiento de tres versiones recientes de la arquitectura YOLO (YOLOv8, YOLOv11 y YOLOv12) para la detección automática de armas en escenarios urbanos peruanos. La investigación se desarrolló bajo la metodología CRISP-DM, que incluyó la selección, depuración y preparación de un dataset compuesto por un conjunto base internacional y un conjunto complementario construido a partir de material audiovisual peruano. Los modelos fueron entrenados con configuraciones homogéneas utilizando la librería Ultralytics y evaluados mediante métricas ampliamente utilizadas en tareas de detección de objetos: precisión, recall, mAP@0.5 y mAP@0.5:0.95. Los resultados evidencian un rendimiento sobresaliente en los tres modelos. YOLOv8 alcanzó una precisión de 96.5%, recall de 88.37% y mAP@0.5 de 94.58%. YOLOv11 obtuvo 95.7 %, 88.35 % y 94.85% en las mismas métricas, respectivamente. Por su parte, YOLOv12 presentó el mejor balance global, con precisión de 95.85%, recall de 89.09% y un mAP@0.5:0.95 de 67.41%. En conclusión, YOLOv12 se perfila como la alternativa más sólida y equilibrada para su implementación en sistemas de videovigilancia urbana en el contexto peruano.