You can deploy this model and start earning money today!

izaskunmz/
yolov8-object-detection

Name: yolov8-object-detection
Availability: InStock

Views

No views yet

📦 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:

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

bash

# 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

bash

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:

python

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:

python

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:

python

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:

python

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:

python

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

bash

.
├── .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

izaskunmz/yolov8-object-detection

📦 YOLOv8s - Modelo de Detección de Objetos

📂 Arquitectura del Proyecto

📊 Datasets Utilizados

⚙ Configuración del Entorno

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

2️⃣ Instalar las dependencias necesarias

3️⃣ Descargar los datasets

🔹 Observaciones

rf.workspace("license-project")

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

⚙ Configuración del Entrenamiento

✅ Validación del Modelo

🔹 Recomendación

💻 Uso del Modelo en Videos

📂 Estructura del Proyecto YOLOv8

📊 Resultados y Gráficos

Comparación General de Resultados entre YOLOv8n y YOLOv8s

📌 Análisis:

Comparación de Velocidad

📌 Análisis:

🔍 YOLOv8n vs YOLOv8s

Comparación de Métricas

📌 Análisis:

Evolución de la Función de Pérdida por Época

📌 Análisis:

Curva de Precisión-Recall

📌 Análisis:

Matriz de Confusión

📌 Análisis:

Ejemplo de Detección

izaskunmz/
yolov8-object-detection

`rf.workspace("license-project")`

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