Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
76
Gestión organizacional: Detección de objetos, una perspectiva desde la gestión
para la eficiencia económica y la automatización de decisiones
Organizational Management: Object Detection, a Management Perspective for
Economic Efficiency and Decision-Making Automation
Lady Mariuxi Sangacha-Tapia
https://orcid.org/0000-0002-5169-8918
Afiliación: Instituto Superior tecnológico del Azuay con condición de Superior de
universitario, Cuenca, Ecuador
Email: lady.sangacha@tecazuay.edu.ec
Keyla Viviana Bueno Plaza
https://orcid.org/0009-0009-7158-8028
Afiliación: Instituto Superior Tecnológico del Azuay con condición de Superior
Universitario, Ecuador
Email: keylabueno52@gmail.com
Brandon Efrain Gordillo Riofrio
https://orcid.org/0009-0008-0107-3435
Afiliación: Instituto Superior Tecnológico del Azuay con condición de Superior
Universitario, Ecuador
Email: Brandon gordillor@gmail.com
Kely Johanna Juca Landi.
https://orcid.org/0009-0003-5930-2273
Afiliación: Instituto Superior Tecnológico del Azuay con condición de Superior
Universitario, Ecuador
kelyjucal@gmail.com
Autor para la correspondencia: lady.sangacha@tecazuay.edu.ec
Líneas de publicación: Administración, Turismo, Marketing, diseño, tecnología y
comunicación Innovación Tecnológica
Fecha de recepción: 21 de diciembre 2025
Fecha De aceptación: 5 de enero 2026
Artículo revisado por doble pares ciego
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
77
Resumen.
En un contexto global donde la tecnología y la innovación son ejes estratégicos para el
desarrollo económico y la eficiencia organizacional, este estudio analizó métodos avanzados
de detección de objetos y su impacto en la gestión organizacional. La detección de objetos,
tradicionalmente vinculó a la seguridad, se propone aquí como un recurso clave que optimizó
procesos, ha reducido costos operativos, apoyando en la toma de decisiones gerenciales en
áreas como logística, control de calidad y gestión de riesgos. La metodología que se empleó
fue simple Exploration Modification Model Access (SEMMA) donde esta conformado por 5
etapas, dentro de ellas se consideró la técnica de aprendizaje profundo, usando redes
neuronales para la identificación de la precisión y velocidad con el algoritmo de You Only
Look Once (YOLO) que permitió la detección en tiempo real mediante una segmentación de
imágenes en cuadrículas, con predicciones simultáneas de objetos y clases, todo dentro de
jupyter notebook con lenguaje de programación de python. Se utilizó un conjunto de datos
diverso, con objetos de seguridad (armas, punzocortantes) y de uso cotidiano (animales,
frutas, vehículos), demostrando su utilización en distintos contextos económicos, esto
favorecería a la gestión proactiva, la asignación óptima de recursos y el fortalecimiento de la
competitividad a través de un tablero de control. Los resultados subrayan el valor estratégico
de la detección de objetos del 92% de asertividad, 1 tablero de análisis de datos como motor
para la transformación digital, posicionándola como una solución integral que responde a los
desafíos contemporáneos de la economía y la gestión organizacional.
Palabras clave: Big Data; gestión organizacional; eficiencia económica; automatización de
decisiones; tecnologías emergentes.
Abstract
In a global context where technology and innovation are strategic pillars for economic
development and organizational efficiency, this study analyzed advanced object-detection
methods and their impact on organizational management. Object detection, traditionally
associated with security, is presented here as a key resource that optimizes processes, reduces
operational costs, and supports managerial decision-making in areas such as logistics, quality
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
78
control, and risk management. The methodology employed followed the SEMMA process
model (Sample, Explore, Modify, Model, Assess), consisting of five stages. Within this
framework, a deep-learning approach was implemented using neural networks to evaluate
accuracy and processing speed through the You Only Look Once (YOLO) algorithm, which
enabled real-time detection by segmenting images into grids with simultaneous predictions of
objects and classes, all executed in Jupyter Notebook using the Python programming
language.
A diverse dataset was used, including security-related objects (firearms, sharp weapons) and
common objects (animals, fruits, vehicles), demonstrating applicability across different
economic contexts. This supports proactive management, optimal resource allocation, and
increased competitiveness through dashboard-based monitoring. The results highlight the
strategic value of object detection, achieving 92% accuracy and producing one analytical
control dashboard as a driver of digital transformation, positioning this technique as an
integrated solution capable of addressing contemporary challenges in economics and
organizational management that addresses contemporary challenges in the economy and
organizational management.
Key woks: Big Data; Organizational management; Economic efficiency; Decision
automation; Emerging technologies.
Introducción
Dentro de una gestión organizacional se encuentra la seguridad, en donde a medida
que va creciendo la empresa, también crecen los problemas, donde sino existe una
estrategia rápida que permita ahorrar recursos y tiempo podría ser un desastre dentro
del desarrollo del negocio (Akello, 2024). Se ha reportado que existe la posibilidad de
que se ingrese 5 veces más de armas peligrosas dentro de la organización, en Ecuador
se ha encontrado que más del 41% son armas ilegales (El comercio, 2023). Un
problema social que arrastra a las organizaciones.
Existe varios casos de reconocimientos automáticos por medio de la cámara
como CorrDetector para vigilancia industrial con el uso de Yolo de detector con
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
79
eficacia como detector de objetos (Ahmad Mughees, & et al., 2024). A medida que se
ha indagado de este nuevo método se ha ido evolucionando las versiones de este
modelo que calcula el algoritmo de precisión a velocidades adecuadas que previenen
incidentes de violencias. El Framework real-time la combinación del Yolo 4 con la
red neuronal convolucional Basada en Regiones para la utilización en oficinas, lo que
se menciona es parte del modelo de visión por computadora como detección de
objetos (Sanni Abba & et al., 2024).
La contribución para este estudio en la introducción del análisis de datos para la toma
de decisiones con la big data en la gestión organizacional que facilita la identificación de
demanda de objetos de alto riesgos mas específicos. Por ello, se propone un prototipo que
realice el reconocimiento de objetos, una tecnología informática vinculada al análisis de la
vista y las imágenes artificiales que tiene como objetivo encontrar instancias de elementos
significativos específicos de materiales peligrosos como arma blanca, corta punzante, armas
de fuego. La identificación de elementos es útil en varios campos de la vista artificial, como la
recuperación de imágenes y la vigilancia, esto a través de Deep learning con lenguaje de
Python, permitiendo realizar predicciones con visión artificial, incluida la segmentación de
imágenes, los objetos de monitoreo y también el reconocimiento e identificación de objetos,
además con el aporte del uso de jupyter notebook y la utilización de una base de datos con
imágenes.
Marco Teórico
Para el desarrollo de este estudio se conocerá la serie de herramientas y conocimiento como
aportación de este estudio como la tecnología de inteligencia artificial en aprendizaje
profundo en la investigación (Camino D. F. A., et al.,2024), jupyter notebook, modelo YOLO
como parte de visión computacional base de datos y lenguaje de Python. Todo en aras del
aprendizaje de la educación superior (Cabascango C., et al.,2024), la matemática y
detecciones (Villarreal Ger, L. O.,2024) de visión artificial (Castillo, D., & Aguas Bucheli, L.
F., 2021).
Aprendizaje Profundo – Deep learning
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
80
Dado que las redes de aprendizaje profundo (DLN) se introdujeron en el campo de la
inteligencia artificial, la identificación de componentes ha visto una mejora considerable.
Estos sistemas han mostrado su capacidad para asegurar representaciones sólidas y
sofisticadas de las características de la imagen. Esto ha permitido la creación de estrategias
más precisas y efectivas, superando los límites de los métodos tradicionales que dependen de
las características establecidas manualmente. Gracias a su habilidad para identificar patrones
complejos, los CNN han cambiado cómo los sistemas de visualización de computadora
realizan la detección de objetos, comprender las Redes Neuronales Convolucionales
(Lamichhane et al.,2025) (Guevara Cruz, R. S., & Augusto Delrieux, C., 2023).
Aprendizaje profundo en español y en ingles Deep learning es una rama de la
inteligencia artificial proveniente de machine learning (aprendizaje de maquina), en este tipo
de tecnología se estudia el contenido de redes neuronales que permite el descubrimiento e
identificación de elementos como instrumentos cruciales de visión por computadora, ya que
ayuda a detectar y localizar numerosos componentes en imágenes o películas. Esta capacidad
es crucial para muchos usos, desde salvaguardar y monitorear el cuidado personal de las
tareas y actividades de la ciudad. Reconocer sustancias aumenta con precisión la
productividad en diversas áreas e impacta significativamente en la seguridad pública y la
gestión de riesgos durante los momentos importantes (Pham et al.,2022).
Entre los métodos más reconocidos está ahora Yolo (solo mira una vez), presentado en 2015
por Joseph Redmon y sus colegas. Se destaca en la detección de incidentes en tiempo real, por
lo que es una herramienta esencial para escenarios que requieren acción rápida. Este enfoque
inventivo ve la tarea de identificar componentes como un problema de pronóstico, dividiendo
la imagen en una matriz y estimando los límites y probabilidades para cada segmento de la
red. Este diseño permite el reconocimiento rápido y eficiente, que demuestra que es
especialmente útil para supervisar y administrar vehículos. En el programa de EPICO del
municipio de Guayaquil dio la oportunidad de utilización de YOLO para un contendedor de
reciclaje educativo, donde fue un éxito la utilización del algoritmo Latam online. Segunda
Edición. 2021.
El modelo YOLO contiene las catorce capas convolucionales y capas densas. Los
últimos tienen la tarea de seleccionar y organizar los elementos observados. El uso de
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
81
funciones de activación, como dudas y con fugas en múltiples capas, ayuda a detectar
características clave para el reconocimiento, lo que permite que el modelo aprenda mejor. Del
mismo modo, la aplicación de técnicas uniformes y limitar el sistema mejora la confiabilidad
y la existencia de una capacidad del modelo para obtener lo que se requiere. Revisemos en el
área de seguridad, Yolo funciona para la detección de objetos arriesgados, con una estupenda
precisión y rapidez. Esto ayuda en las entradas de datos en los sistemas que son verificados y
controlados. Su funcionamiento es efectivo, una de la desventaja es cuando está oscuro o en
entornos visuales altamente llenos de gente. Su técnica de la recopilación de datos y mejora
de imágenes que aumentan el rendimiento del modelo en varios escenarios (Terven, J., &
Córdova-Esparza, D.-M.,2023).
Jupyter notebook
Una herramienta practica para uso de investigación y educación. Es bastante interesante para
uso en demos para la computación interactiva de uso colaborativo que comparte documentos
de código ejecutivo, en temas matemáticos, de visualización de datos, interesante en varias
disciplinas. Esto proviene del lenguaje Julia, Python y R (Kluyver T. & et al., 2016).
Son utilizados en el conocimiento y capital intelectual en las actuales organizaciones,
diferenciando los modelos predictivos que se pueden correr en estudios cuantitativos que
enfatizan estrategias de innovación y tecnología (Josnel M., 2018). A continuación,
conoceremos la lista de librerías en utilizar:
OpenCV-Python:Es una biblioteca de código abierto ofrece una amplia gama de
funcionalidades que permiten desde la manipulación básica de imágenes hasta el desarrollo de
sistemas complejos de reconocimiento facial y seguimiento de objetos. Esto significa que
podemos aprovechar las herramientas de procesamiento de imágenes que proporciona
OpenCV para desarrollar aplicaciones que puedan analizar imágenes, detectar objetos,
realizar el seguimiento de objetos, identificar patrones, etc.
Pyttsx3:se utiliza para la conversión de texto a voz (TTS) que permite que las
aplicaciones de Python hablen.
Pillow:Es una biblioteca de Python que facilita la manipulación de imágenes. Permite
abrir, modificar y guardar imágenes en varios formatos, así como realizar operaciones básicas
como redimensionar y aplicar filtros.
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
82
PyTTSx3:Es una biblioteca de conversión de texto a voz (TTS) que permite a las
aplicaciones de Python leer texto en voz alta. Es útil para crear aplicaciones accesibles y para
la interacción de voz en proyectos.
PyTorch y TorchVision:Es una biblioteca de aprendizaje profundo que permite
construir y entrenar modelos de redes neuronales. TorchVision es un complemento que
proporciona herramientas y datasets para tareas de visión por computadora. Torchaudio se
utiliza para el procesamiento de audio.
Pygame:facilita el desarrollo de videojuegos en Python. Proporciona funcionalidades para
manejar gráficos, sonido y entrada de usuario, permitiendo crear aplicaciones interactivas y
juegos.
Ultralytics:Es una biblioteca que incluye implementaciones optimizadas de modelos
de detección de objetos, como YOLO (You Only Look Once). Facilita la creación,
entrenamiento y uso de modelos de detección de objetos de manera eficiente
Simple Exploration Modify Model Access (Semma)
Para la utilización de esta metodología, se identifica por sus fases en el análisis de datos con
una minería de datos de uso organizacional dentro del Sas Enterprise Miner, sobre todo en las
graficas y estadísticas (Mariscal G. & et al.,2010).
Este tipo de metodología ha sido utilizado para análisis de perdida de clientes con la
selección incremental de muestras, la exploración donde se conoce las tendencias, en la
modificación en los datos que no sirve, en el modelo es el espacio de entrenamiento de varios
modelos y finalmente la evaluación del rendimiento. En Colombia fue utilizado en el
diagnostico de síndrome metabólico, alcanzando un AUC de mas del 87% (Chen Q. et
al.,2020). En 207 productos publicados que fueron analizadas se encontró que el 32% aplico
SEMMA como de uso de adaptaciones en procesos operacionales y logísticos (Bak, K.,
Wójcik, A.,2021).
Materiales y Métodos
Para este estudio se considero la metodología cuantitativa dentro de la metodología SEMMA,
la cual cuenta con 5 etapas para el análisis de datos para uso de gestión organizacional en el
área de seguridad que es la detección de objetos que se menciona a continuación:
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
83
• Simple- Muestrear
Desde una base de datos con imagines de Gigas de capacidad se ha tomado para el inicio de
este estudio de análisis de datos, en ella se encontraba objetos de diferentes para ser utilizados
como peluches, muñecos, armas blancas, corto punzantes etc. Toda esta capacidad de
imágenes que cuenta como datos es significativa.
Figura 1
Muestra a trabajar
Nota. Los datos para trabajar, donde cada link contiene imágenes. 2025
• Explore - Explorar
Una vez obtenida la data de imágenes se procede utilizar la herramienta de jupyter notebook
para colocar el modelo arquitectónico para el proceso de revisar la data recibida, esto es
realizado con la utilización de comandos exploratorio, con el animo de conocer el contenido
de toda la base de datos de imágenes.
• Modify - Modificar
En esta etapa se encontró datos con valores NAN, valores desordenados, valores de diferentes
redimensiones de pixeliados, se utilizo varias librerías para aplicar técnicas de normalización
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
84
en los datos, este proceso ahorra tiempo al momento para enseñarle a la maquina el resultado
de cada objeto.
• Model – Modelar
Una vez lista la nueva base de datos, donde esta preprocesada, normalizada, limpiada se sigue
el siguiente paso del modelo para la aplicación del algoritmo, que para este estudio de
detección de objetos peligrosos esta YOLO Algunas de las razones por las que YOLO es
utilizado es por:
• Velocidad
• Precisión de detección
• Buena generalización
• Código abierto
La Figura 1 es la arquitectura de la planta de Yolo-Galorithm consta de 24 capas sofisticadas,
que son agrupación de capas (grupo máximo). Todas las capas son complicadas o
recolectadas, excepto las dos últimas, que están estrechamente vinculadas. La última de ellas
viene conformada por las neuronas selectoras y las neuronas clasificadoras. En todos los
casos, la función de activación es la rectificadora con escape (leaky ReLU), salvo en el caso
de la última capa, en que se aplica la función rectificadora a secas (ReLU). Multithreading o
Multihilo permite que un programa ejecute algunas tareas al mismo tiempo en diferentes hilos
de ejecución. Esto es principalmente beneficioso para proyectos de visión por computadora,
como el detector de objetos, donde se realizan tareas intensas en tiempo real como por
ejemplo detectar objetos en tiempo real y pre procesar de manera inmediata.
Figura 2
Arquitectura de Yolo.
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
85
Nota. Denota el proceso del algoritmo que aprende la máquina. Redmon et al. (2016)
Una de las ventajas es que permite detectar en tiempo real y visualizar resultados, también
reduce considerablemente el retardo de entrada y salidas, cada hilo se centra en una función
específica: esto mejora el mantenimiento, la depuración y el control del código.
Una de las ventajas es que permite detectar en tiempo real y visualizar resultados, también
reduce considerablemente el retardo de entrada y salidas, cada hilo se centra en una función
específica: esto mejora el mantenimiento, la depuración y el control del código.
Figura 3
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
86
Multietiqueta en el algoritmo
Nota. Utilización del proceso Multihilo.
La Multietiqueta, que se refiere a la categorización de diversas etiquetas, es un tipo de
trabajo de aprendizaje automático que permite asignar recursos a distintas etiquetas en
contraposición a la clasificación convencional. de una sola etiqueta por instancia. Es
sumamente útil en áreas como el etiquetado de imágenes y la bioinformación, usa librerías
populares como Scikit-learn y TensorFlow que ofrece funciones integradas para tareas de
clasificación de múltiples etiquetas. Este proceso se realiza dentro de la inteligencia artificial
de Deep learning. Se ha aplicado en otros modelos para el texto que ayuda el proceso de
clasificación como tendencia educativa (Sangacha-Tapia L y et al., 2025).
Access – Evaluar
Una vez que se le enseña a la maquina aplicando Deep learning, hace referencia aprendizaje
profundo. Se debe verificar que tan bueno es la precisión, una vez de largas
experimentaciones se encontró carios resultados de 90% al 95% de precisión.
Diseño arquitectónico del análisis
Lo interesante de este estudio en la búsqueda de una excelente gestión organizacional es que
con tan solo cambiar la data se puede aplicar para otro tipo de automatización por ejemplo la
detección de que si un colaborador se encuentra cumpliendo con el uniforme entregado. Esto
evitaría conflictos con el área de talento humano, simplemente en entregar el reporte de
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
87
resultados de los datos analizados bastaría. También la identificación de deterioro del
uniforme, eso también automatizaría recursos y logística a la gestión organizacional.
Sin embargo, se pretende demostrar que con el uso de herramienta de análisis de datos
de jupyter, el contenido de la base, conocimientos de Deep learning con algoritmo YOLO,
todo a través de SEMMA es posible obtener un análisis de gestión organizacional. A
continuación, se presenta un diseño arquitectónico del funcionamiento de este estudio a través
de la big Data.
Figura 1
Diseño Arquitectónico con la Metodología SEMMA
Nota. Se consideró 5 etapas para la detección de objetos. 2025
Resultados y Discusión
Resultados
Una vez concluido el proceso de las etapas se procede a realizar varias pruebas y
experimentación. Para ello se añadió una codificación de framework como interfaz de usuario
de la figura 5 se visibiliza los resultados donde permite la adquisición de imágenes y la
identificación automática de objetos, en este caso una persona y una muñeca. La interfaz de
usuario presenta tanto la imagen en vivo como el registro de objetos identificados. Además, se
pueden observar la fecha y el momento de la identificación. Esto demuestra la capacidad del
sistema para registrar y analizar información de forma eficiente.
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
88
Esta tecnología tiene aplicaciones potenciales en diversos campos, como la seguridad,
la robótica y el cuidado diario. A medida que los algoritmos de detección siguen
evolucionando, se espera que la precisión y la velocidad mejoren, permitiendo una interacción
hombre-máquina más natural, esta aportación para la gestión organizacional ayudaría reducir
costos y tiempo.
Tabla 1
Resultados de validación
Características
Descripción
Observaciones
% Estimado de
Cumplimiento
Funcionalidad
Alta precisión en
detección (92%),
capacidad de identificar
diferentes objetos en
tiempo real.
Sistema detecta y
clasifica objetos
automáticamente,
con interfaz que
registra fecha y hora.
92% de precisión
en detección
Confiabilidad
Estabilidad en la
adquisición y detección de
objetos, con respaldos en
gráficas y dashboard.
Uso de modelos
robustos y
confiables, con
registros consistentes
y resultados
coherentes.
90-95% de
estabilidad en
pruebas
Eficiencia
Procesamiento rápido y
optimizado usando
técnicas como YOLO para
detección en tiempo real.
Velocidad y buen
rendimiento en
pruebas, facilitado
por algoritmos de
deep learning.
95-98% en
respuesta en
tiempo real
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
89
Usabilidad
Interfaz gráfica
(dashboard) interactiva y
visual, interpretación
sencilla de los datos.
Visualización clara
mediante gráficas y
panel de control en
Power BI.
90-95% de
satisfacción en
usabilidad
Mantenibilidad
Uso de código
estructurado con librerías
específicas, capacidad
para actualizar modelos y
datos fácilmente.
Documentación
adecuada y
estructuras de código
que facilitan
mantenimiento y
actualizaciones.
75-85% en
facilidad de
mantenimiento
Portabilidad
Uso de herramientas y
librerías open source
(Python, Jupyter),
adaptable a diferentes
escenarios y sistemas.
Configuración
flexible, potencial
para implementar en
otros entornos o
sistemas.
80-85% de
portabilidad
potencial
Nota. En la tabla denota resultados de la funcionalidad de la interfaz creada para
uso de gestión organizacional. 2025
En la tabla 1 denota 6 criterios de evaluación de la interfaz, en la misma interfaz se encuentra
el apartado para obtener la predicción y la visualización del análisis de los datos.
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
90
Figura 2
Resultados de identificación de objetos
Nota. Identificación de objetos a través de la herramienta de interfaz de jupyter. 2025
• La aplicación de la herramienta jupyter notebook, proporciono el corrido del algoritmo
YOLO de forma exitosa hasta un 92% de funcionalidad en su precisión de detección.
• Se probó su uso en diferentes ferias académicas y tecnológicas de aproximadamente
100 personas, la cual en un rango de 90% al 95% presentó confiabilidad, del 95% al 98% de
eficiencia y usabilidad.
• El análisis de datos de gestión organizacional ayuda reducir costos y tiempo en la
detección de objetos peligroso, cubriendo protección a los colaboradores para reducir el
porcentaje de ser victimas de cualquier peligro.
• Utilización de un tablero de control con Power BI, para obtener los resultados
analizados a sido importante para entender cuántos y categoría de objetos que han sido
detectados durante el tiempo de prueba cada gráfica y tabla analiza diferentes parámetros
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
91
Figura 3
Dashboard interactivo
Nota. Tablero de control para analizar los resultados de los datos. 2025
En la figura 6 permite observar la cantidad de objetos identificados según el día de la semana.
Es posible examinar que el viernes fue el día con más objetos identificados y con menos
objetos detectados el día domingo. Esto se relaciona con el gráfico de barras agrupadas, en
cambio en la figura 7 que muestra la frecuencia de detección de diversas categorías,
resaltando que la categoría electrónica presenta un mayor número de detecciones. En la figura
8, se denota por categorías de alimento y animal siguen, pero con cantidades menores,
mientras que accesorio, utensilio, deportes, humano y vehículo muestran detecciones aún más
bajas. Este análisis sugiere que los objetos electrónicos son los más comunes en el proceso de
ejecución.
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
92
Figura 4
Frecuencia de resultados
Nota. Frecuencia del objeto detectado. 2025
Figura 5
Objetos detectados por categoría
Nota. Objetos detectados por categoría. 2025
Discusión
La aplicación de automatización a través de algoritmo en el sistema de detección aporta
significativamente en la industria, sobre todo por el alto índice de delincuencia que presenta
Ecuador, es una interesante alternativa para mantener una administración más segura.
Se realizó varias pruebas de detección de objetos, desde un alimento hasta de accesorio,
donde se ve que el modelo YOLO es una de las mejores alternativas tecnológicas en beneficio
de la administración.
Conclusiones
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
93
La detección de objetos ha demostrado ser una tecnología esencial en múltiples campos con
más del 90% de asertividad, especialmente en la seguridad de la gestión organizacional. Este
estudio ha explorado diferentes técnicas avanzadas de detección de objetos empleando redes
neuronales y aprendizaje profundo, lo que ha permitido no solo mejorar la precisión en la
identificación de diversos objetos, sino también optimizar la velocidad de procesamiento.
Los experimentos realizados con conjuntos de datos diversos, que incluyen tanto
objetos de seguridad como artículos cotidianos, han mostrado la eficacia de estas técnicas en
escenarios del mundo real. A medida que la tecnología avanza se pronostica que la detección
de objetos desempeñe un papel importante en la mejora de la calidad de vida y en la
implementación de sistemas de seguridad más seguros.
Finalmente, los métodos propuestos y su integración en sistemas automatizados podrían
revolucionar cómo interactuamos con el entorno, facilitando procesos logísticos y mejorando
la interacción humano-máquina. Estos avances no solo representan un progreso en el ámbito
tecnológico, sino que también abren la puerta a un futuro más seguro y eficiente.
Referencias Bibliográficas
Akello, B. O. (2024). Organizational information security threats: Status and
challenges. World Journal of Advanced Engineering Technology and Sciences, 11(1),
148–162.
El Comercio. (2023, febrero 12). Armas ilegales se alquilan a delincuentes en
Ecuador. https://www.elcomercio.com/actualidad/armas-ilegales-alquilan-delincuentes-
ecuador
Thakur et al. (2024) desarrollaron un modelo basado en YOLOv8 para la
detección de armas en tiempo real.
Abba S, Bizi AM, Lee JA, Bakouri S, Crespo ML. Real-time object detection,
tracking, and monitoring framework for security surveillance systems. Heliyon. 2024
Jul 20;10(15):e34922. doi: http://10.1016/j.heliyon.2024.e34922
Camino, D. F. A., & Clavijo, B. P. A. (2024). La Inteligencia artificial en la
investigación y redacción de textos académicos. EspíRitu Emprendedor TES, 8(1), 19-
34. https://doi.org/10.33970/eetes.v8.n1.2024.369
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
94
Villarreal Ger, L. O. (2024). Prototipo para la detección y clasificación de
productos alimenticios mediante visión artificial en base al color. CONECTIVIDAD,
5(2), 46–62. https://doi.org/10.37431/conectividad.v5i2.129
Castillo, D., & Aguas Bucheli, L. F. (2021). USO DE LA VISION ARTIICIAL
PARA LA CLASIFICACION DE RESIDUOS SOLIDOS. NEXOS CIENTÍFICOS -
ISSN 2773-7489, 5(2), 48–57. Recuperado a partir de
https://nexoscientificos.vidanueva.edu.ec/index.php/ojs/article/view/61
Aplicación de sensor de distancia de tiempo de vuelo para el conteo de envases
Tetra Pak. (2024). Identidad Bolivariana, 8(2), 46-64.
https://doi.org/10.37611/IB8ol246-64
Terven, J., & Córdova-Esparza, D.-M. (2023). A Comprehensive Review of
YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS.
Machine Learning and Knowledge Extraction, 5(4), 1680–1716.
https://doi.org/10.3390/make5040083
Kluyver, T., Ragan-Kelley, B., Pérez, F., Granger, B. E., Bussonnier, M.,
Frederic, J., ... & Willing, C. (2016). Jupyter Notebooks – a publishing format for
reproducible computational workflows. In F. Loizides & B. Schmidt (Eds.), Positioning
and Power in Academic Publishing: Players, Agents and Agendas (pp. 87–90). IOS
Press. DOI: 10.3233/978-1-61499-649-1-87
Josnel (2016). Revisión del estado del arte sobre el conocimiento: modelos para
su gestión. Revista/Dialnet. Recuperado de Dialnet:
https://dialnet.unirioja.es/descarga/articulo/6865942.pdf
Mariscal, G., Marbán, Ó., & Fernández, C. (2010). A survey of data mining and
knowledge discovery process models and methodologies. The Knowledge Engineering
Review, 25(2), 137–166. https://doi.org/10.1017/S0269888910000032
Chen, Q., Wang, Y., Liu, X., & Wu, J. (2020). Novel data mining methodology
for healthcare applied to a new population dataset in Colombia. Diagnostics, 9(4), 192.
https://doi.org/10.3390/diagnostics9040192
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once:
Unified, Real-Time Object Detection. En Proceedings of the IEEE Conference on
Espíritu Emprendedor TES 2026, Vol 10, No. 1 enero a marzo 76-95
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v10.n1.2026.466
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
95
Computer Vision and Pattern Recognition (CVPR) (pp. 779–788).
https://doi.org/10.1109/CVPR.2016.91
Lamichhane, B. R., Srijuntongsiri, G., & Horanont, T. (2025). CNN based 2D
object detection techniques: A review. Frontiers in Computer Science, 7,
Article 1437664. https://doi.org/10.3389/fcomp.2025.1437664
Guevara Cruz, R. S., & Augusto Delrieux, C. (2023). Aplicación de redes
neuronales densas y convolucionales para detección de COVID_19 en imágenes de
rayos X. CONECTIVIDAD, 4(2), 19–32. https://doi.org/10.37431/conectividad.v4i2.78
Pham, H. H., Khoudour, L., Crouzil, A., Zegers, P., & Velastin, S. A. (2022).
Video-based human action recognition using deep learning: A review. arXiv.
https://doi.org/10.48550/arXiv.2208.03775
Sangacha-Tapia L., Luis Reyes, Jostin Maldonado, Jorge Chiquito, Karely
Mallorquín y Verónica Abad (2021). Edición 2021 Saturday AI.
https://saturdays.ai/2022/03/09/contenedor-de-residuos-educativo-inteligente/
Sangacha-Tapia L., González-Cañizalez, Y., & Rivas-Herrera, J. (2025).
Optimización de Criterios de Búsqueda avanzada para Nuevas Tendencias en la
Académica mediante Machine Learning. Revista Científica Zambos, 4(2), 197-
211. https://doi.org/10.69484/rcz/v4/n2/114
