Maggiolini, Lucas2025-09-102025-09-02https://hdl.handle.net/20.500.12272/13777Se desarrolló un sistema automatizado con el fin de lograr el seguimiento y análisis del comportamiento forrajero de hormigas cortadoras de hojas. El objetivo central fue obtener información estadística sobre el área acumulada de las hojas transportadas, la frecuencia de detecciones y las trayectorias seguidas por las hormigas. Para ello, se utilizaron redes neuronales convolucionales (CNN) implementadas con YOLOv8, que, por su rendimiento optimizado para la detección, se seleccionó por encima de otros métodos. Se emplearon herramientas como Python, PyTorch y OpenCV. Además se implementaron datasets de imágenes recopiladas a partir de grabaciones de video en un entorno controlado que luego fue ampliado y anotado con Labelme y Roboflow, siendo este último el framework seleccionado. Se aplicaron algoritmos personalizados de seguimiento para superar desafíos relacionados con la irregularidad de las cargas y los movimientos erráticos de las hormigas. Implementamos métricas como la Tasa de Seguimiento Exitoso y Tasa de Completitud de Trayectoria que midieron la puntuación de nuestro algoritmo. En entornos de baja actividad, obtuvimos 83,7% y 95,3%, respectivamente. En entornos de alta actividad, los resultados fueron 52,3 % y 95,3 %. Finalmente, se puso en práctica una interfaz gráfica con CustomTKinter que facilita la interacción, configuración de parámetros y visualización de los resultadospdfesinfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/YoloDetectionEcologyForagingSegmentationracking,Artificial Intelligenceinfo:eu-repo/semantics/bachelorThesisQUIROGA, Agustin Antonio • VINZON STHELE, Eric Alan DavidCreative Commons / Atribución- No Comercial-doi