El sonar de barrido lateral es esencial para la detección de objetivos submarinos, sin embargo, su efectividad se ve obstaculizada por la escasez de datos anotados y artefactos acústicos complejos. Este estudio evalúa sistemáticamente cuatro variantes de YOLO, YOLOv8n, YOLOv10n, YOLOv11n y la recientemente lanzada YOLOv13n, en dos conjuntos de datos públicos de sonar de barrido lateral con muestras limitadas y una grave desbalance de clases. Evaluamos la precisión de detección, la eficiencia computacional, la velocidad de inferencia y el aprendizaje por transferencia utilizando pesos preentrenados de COCO, así como el impacto de la elección del optimizador entre SGD y AdamW. Los resultados revelan fortalezas distintas: YOLOv8n logra la inferencia más rápida a 60.98 FPS, con un mAP50 competitivo de 0.906, ideal para aplicaciones en tiempo real. YOLOv11n ofrece el mejor equilibrio entre precisión y eficiencia, alcanzando el recall más alto de 0.859 y un mAP50 de 0.917. YOLOv13n demuestra una precisión excepcional de 0.993 y localización de alta IoU, con un mAP75 de 0.760. El aprendizaje por transferencia mejora consistentemente el rendimiento, con ganancias promedio de mAP50:95 que superan el 54% en el conjunto de datos más desafiante, destacando su papel crítico para superar la escasez de datos. SGD generalmente supera a AdamW, confirmando su idoneidad como el optimizador predeterminado. Estos hallazgos brindan pautas prácticas: YOLOv8 para necesidades en tiempo real, YOLOv11 para un rendimiento equilibrado y YOLOv13 para tareas críticas de precisión con recursos amplios. Este trabajo también establece un punto de referencia para futuras investigaciones sobre sistemas autónomos submarinos.
Liu et al. (Sun,) estudiaron esta cuestión.