TAXIBOCARCHI: conteo de pasajeros con TinyML

El problema

En la ruta rural Bolívar – El Ángel, en Carchi, cada taxi compartido solo sale cuando completa el cupo. Nadie sabe cuánta gente espera en la parada.

Qué hice

Construí un prototipo que cuenta a las personas en la parada y avisa a los conductores. Fue mi tesis de grado.

• Visión artificial dentro del microcontrolador. Un modelo FOMO int8 (MobileNetV2), entrenado con Edge Impulse, corre en un XIAO ESP32-S3.
• Privacidad desde el diseño. El dispositivo solo envía el número de personas. La imagen nunca sale de la parada.
• Panel y alertas. Backend en Flask y NestJS sobre Firestore, un panel en React en tiempo real y un bot de Telegram para los conductores.

1. 01 Percepción

   En la parada

   • Cámara OV2640 96 × 96 px, en escala de grises
   • XIAO ESP32-S3 Sense Modelo FOMO int8 · 314 ms · 69 KB de RAM
   • Conteo de personas La imagen se descarta. Nunca se guarda ni se envía.
2. Lo único que sale { "personas": 4 }
   Wi-Fi · HTTPS · JSON

3. 02 Red y datos

   En la nube

   • Backend Flask Recibe el conteo y decide si hay alerta
   • Firebase Firestore Historial, usuarios y configuración
   • API NestJS Estadísticas y cuentas de conductores
4. Tiempo real y alertas
   Firestore · Telegram

5. 03 Aplicación

   Con las personas

   • Panel web en React Estado de la parada en tiempo real
   • Bot de Telegram Aviso con 3 personas, urgente con 4 o más
   • El conductor Responde «¡Voy para allá!» desde el chat

• 

  Por dentro: batería, placa y antena.

• 

  XIAO ESP32-S3 Sense con su cámara.

• 

  Normal: 2 personas.

• 

  Urgente: 4 personas.

Resultado

El modelo superó el objetivo de 85 % de F1 y el prototipo aprobó las 18 pruebas. El código es público en GitHub.

• 88,3 % F1 del modelo objetivo: más de 85 %
• 314 ms por inferencia dentro del ESP32-S3
• 69 KB de RAM en uso por el modelo
• 4,2 s de la captura al panel flujo completo
• 18/18 pruebas aprobadas