README.md

metadata

license: mit
base_model:
  - Ultralytics/YOLOv8
tags:
  - yolov8
  - object-detection
  - deep-learning
  - computer-vision
  - pretrained

📦 YOLOv8s - Modelo de Detección de Objetos

Este modelo está basado en YOLOv8s, entrenado específicamente para la detección de objetos en entornos urbanos y de tráfico. Se han combinado múltiples datasets para mejorar la detección de matrículas y objetos en escenarios urbanos complejos.

---

📂 Arquitectura del Proyecto

El modelo forma parte de un pipeline más amplio donde los videos son procesados en AWS. La arquitectura general es la siguiente:

1. Los videos son enviados a un bucket S3 desde una API.
2. Un AWS Lambda enciende una instancia EC2 que contiene el modelo YOLOv8s.
3. La EC2 procesa el video y envía los resultados a DynamoDB.
4. Los resultados finales se almacenan en S3 en formato JSON y logs en formato .log.
5. DynamoDB indexa la información con claves secundarias globales (GSI).
6. Cuando el proceso finaliza, una segunda Lambda apaga la instancia EC2.

---

📊 Datasets Utilizados

Para entrenar el modelo, se ha utilizado el dataset de COCO8, pero también es posible añadir otros datasets como License Plate Recognition o Shahbagh Traffic Dataset:

• COCO8 - versión reducida de COCO para pruebas rápidas.
• License Plate Recognition - para mejorar la detección de matrículas.
• Shahbagh Traffic Dataset - dataset específico para escenas de tráfico.

---

⚙ Configuración del Entorno

Para garantizar un entrenamiento sin problemas, es importante configurar correctamente el entorno. Se recomienda usar un entorno virtual de Python y asegurarse de que todas las dependencias necesarias estén instaladas.

1️⃣ Crear y activar un entorno virtual (opcional pero recomendado)

# Crear el entorno virtual
python -m venv .venv  

# Activar el entorno virtual  
# En Linux/macOS  
source .venv/bin/activate  

# En Windows (cmd o PowerShell)  
.venv\Scripts\activate  

2️⃣ Instalar las dependencias necesarias

pip install -r requirements.txt

o también

pip install ultralytics roboflow
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu  # Cambiar a cu121 si se usa GPU con CUDA 12.1

---

3️⃣ Descargar los datasets

Si utilizas el dataset de COCO8, puedes descargarlo con el siguiente código:

from ultralytics.utils.downloads import download

# Descargar el dataset COCO8 en formato YOLO
download('https://ultralytics.com/assets/coco8.zip', dir='datasets')

Si utilizas los datasets de Roboflow, puedes descargarlos con el siguiente código:

from roboflow import Roboflow

# Configurar la API Key
rf = Roboflow(api_key="TU_API_KEY")

# Cargar el dataset desde Roboflow Universe
project = rf.workspace("shovonthesis").project("shahbagh-g7vmy")

# Seleccionar la versión 4 del dataset (según la URL)
version = project.version(4)

# Descargar el dataset en formato YOLOv8
dataset_path = version.download("yolov8")

print(f"✅ Dataset descargado en: {dataset_path}")

🔹 Observaciones

Para descargar los datasets de Roboflow mediante código es necesario la Private API Key que se encuentra en Settings > APi Keys de tu cuenta de Roboflow.

rf.workspace("license-project")

• rf es un objeto de la clase Roboflow que hemos inicializado con nuestra API Key.
• .workspace("shovonthesis") selecciona el espacio de trabajo llamado "shovonthesis", que es donde está almacenado el dataset dentro de Roboflow.

.project("license-plate-detection-project")

• Dentro del espacio de trabajo "shovonthesis", buscamos el dataset con el identificador "shahbagh-g7vmy".
• project ahora representa este dataset específico y nos permitirá acceder a sus versiones, descargarlo o gestionarlo.
• Una vez esto este configurado solo nos quedará seleccionar la versión que queremos del dataset y ejecutarlo.

---

⚙ Configuración del Entrenamiento

El modelo fue entrenado utilizando YOLOv8s con los siguientes parámetros:

from ultralytics import YOLO

# Cargar el modelo YOLOv8s preentrenado
model = YOLO("yolov8s.pt")

# Entrenar el modelo
model.train(
    data="/home/USER/yolo/yolov8-object-detection/datasets/combined/data.yaml",
    epochs=150,
    batch=8,
    imgsz=640,
    device='cpu',  # Cambiar a 'cuda' si hay GPU disponible
    project="/home/USER/yolo/yolov8-object-detection/runs/detect",
    name="train_yolov8s",
    exist_ok=True,
    patience=200,
    lr0=0.01,
    momentum=0.937,
    weight_decay=0.0005
)

---

✅ Validación del Modelo

Después del entrenamiento, validamos el modelo con el siguiente código:

from ultralytics import YOLO

# Cargar el modelo entrenado
model = YOLO("/home/USER/yolo/yolov8-object-detection/runs/detect/train_yolov8s/weights/best.pt")

# Validar el modelo y guardar los resultados
metrics = model.val(
    data="/home/USER/yolo/yolov8-object-detection/datasets/combined/data.yaml",
    project="/home/USER/yolo/yolov8-object-detection/runs/val",
    name="val",
    exist_ok=True
)

print(metrics)

🔹 Recomendación

Primeramente descarga el dataset de COCO8 para que genere la estructura correcta de los archivos para incluir los demás datasets.

Para juntar varios datasets habrá que hacerlo manualmente o mediante un codigo de python que añada las imágenes y labels a sus carpetas correspondientes.

---

💻 Uso del Modelo en Videos

Para aplicar el modelo a un video y detectar objetos:

from ultralytics import YOLO

# Cargar el modelo entrenado
model = YOLO("runs/detect/train_yolov8s/weights/best.pt")

# Realizar inferencia en un video
results = model.predict("ruta/video.mp4", save=True, conf=0.5)

# Guardar el video con las detecciones
print("✅ Procesamiento completado. Video guardado.")

---

📂 Estructura del Proyecto YOLOv8

.
├── .venv/                        # Entorno
├── datasets/                     # Carpeta de datasets
│   ├── coco8/                    # Dataset COCO8
│   ├── yolov8s.pt                # Pesos preentrenados de YOLOv8s
├── datasets-download/            # Descargas de datasets
├── processed-video/              # Vídeos procesados
│   ├── ny-traffic-processed.mp4  # Vídeo de tráfico procesado
├── raw-video/                    # Vídeos sin procesar
│   ├── ny-traffic.mp4            # Vídeo de tráfico original
├── runs/                         # Resultados de entrenamiento y validación
│   ├── detect/                   # Carpeta de detección de objetos
│   │   ├── train_coco8           # Entrenamiento con COCO8
│   │   ├── train_yolov8n         # Entrenamiento con YOLOv8n
│   ├── val/                      # Resultados de validación
│   │   ├── val_coco8/            # Resultados de validación con gráficas relevantes
│   │   ├── best.pt               # Mejor peso del modelo YOLOv8s entrenado con COCO8
│   │   ├── last.pt               # Último peso del modelo YOLOv8s entrenado con COCO8
├── .gitattributes                # Configuración de atributos de Git
├── .gitignore                    # Ignorar archivos innecesarios en Git
├── predict.py                    # Script para realizar predicciones a los vídeos
├── requirements.txt              # Dependencias del proyecto
├── train_yolov8n.py              # Script para entrenar YOLOv8n
├── train_yolov8s.py              # Script para entrenar YOLOv8s
├── validate.py                   # Script para validar el modelo
├── yolov8n.pt                    # Pesos del modelo YOLOv8n

---

📊 Resultados y Gráficos

Comparación General de Resultados entre YOLOv8n y YOLOv8s

Métrica	YOLOv8n	YOLOv8s	Diferencia (YOLOv8s - YOLOv8n)
Precisión (B)	0.748	0.821	+0.073
Recall (B)	0.561	0.920	+0.359
mAP@50 (B)	0.645	0.944	+0.299
mAP@50-95 (B)	0.431	0.726	+0.295
Fitness	0.453	0.747	+0.294

📌 Análisis:

• Precisión: YOLOv8s tiene mejor precisión (+7.3%), lo que significa que el modelo comete menos falsos positivos.
• Recall: YOLOv8s tiene un recall significativamente mayor (+35.9%), indicando que detecta más objetos correctamente.
• mAP@50: YOLOv8s supera a YOLOv8n en un 30%, lo que sugiere que el modelo más grande tiene una mejor capacidad para detectar objetos con alta confianza.
• mAP@50-95: También mejora en un 29.5%, lo que significa que tiene un rendimiento más consistente en diferentes umbrales de IoU.
• Fitness: YOLOv8s tiene una mejora notable (+29.4%), lo que indica un mejor balance entre precisión y recall.

---

Comparación de Velocidad

Parámetro	YOLOv8n	YOLOv8s	Diferencia
Preprocesamiento	1.92 ms	1.68 ms	-0.24 ms
Inferencia	55.05 ms	128.99 ms	+73.94 ms
Postprocesamiento	1.22 ms	0.91 ms	-0.31 ms

📌 Análisis:

• Preprocesamiento: Similar en ambos modelos.
• Inferencia: YOLOv8s es mucho más lento en inferencia (+74 ms), lo cual es esperable ya que es un modelo más grande.
• Postprocesamiento: Ligeramente más rápido en YOLOv8s, pero la diferencia no es significativa.

---

🔍 YOLOv8n vs YOLOv8s

Comparación de Métricas

📌 Análisis:

• YOLOv8s supera en todas las métricas a YOLOv8n.
• La mayor diferencia se observa en Recall (+35.9%) y mAP@50-95 (+29.5%), indicando una mejor detección a diferentes umbrales de IoU.
• Aunque YOLOv8s tiene mejor rendimiento, su velocidad de inferencia es más lenta.

---

Evolución de la Función de Pérdida por Época

📌 Análisis:

• Ambos modelos muestran una disminución de la pérdida a lo largo del entrenamiento.
• YOLOv8s comienza con una pérdida mayor pero converge bien, sugiriendo que aprende mejor con más iteraciones.
• YOLOv8n tiene una convergencia más rápida pero con menor precisión general.

---

Curva de Precisión-Recall

📌 Análisis:

• YOLOv8s mantiene una precisión más alta en todos los valores de recall, lo que significa menos falsos positivos en comparación con YOLOv8n.
• YOLOv8n muestra más fluctuaciones en la curva, indicando menor estabilidad en la detección de objetos.

---

Matriz de Confusión

📌 Análisis:

• Ambas matrices muestran que algunos objetos están siendo confundidos entre sí.
• YOLOv8s presenta menos errores de clasificación en comparación con YOLOv8n.
• La normalización de la matriz confirma que YOLOv8s tiene una mejor distribución de predicciones.

---

Ejemplo de Detección

---