Update README.md

README.md

@@ -38,7 +38,40 @@ Para entrenar el modelo, se han combinado varios datasets descargados desde **CO
 - **License Plate Recognition** - para mejorar la detección de matrículas.  
 - **Shahbagh Traffic Dataset** - dataset específico para escenas de tráfico.  
 
-El dataset de Coco8 se descargó con el siguiente código:
+---
+
+### ⚙ **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**  
+```bash
+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
@@ -47,7 +80,7 @@ from ultralytics.utils.downloads import download
 download('https://ultralytics.com/assets/coco8.zip', dir='datasets')
 ```
 
-Y los datasets de Roboflow con el siguiente código:
+Si utilizas los **datasets de Roboflow**, puedes descargarlos con el siguiente código: 
 
 ```python
 from roboflow import Roboflow
@@ -66,8 +99,18 @@ dataset_path = version.download("yolov8")
 
 print(f"✅ Dataset descargado en: {dataset_path}")
 ```
-### 🔹 **Observación**
-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.
+
+### 🔹 **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.
 
 ---
 
@@ -106,7 +149,7 @@ 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_v4/weights/best.pt")
+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(
@@ -143,11 +186,11 @@ Para aplicar el modelo a un video y detectar objetos:
 from ultralytics import YOLO
 
 # Cargar el modelo entrenado
-model = YOLO("runs/detect/train_yolov8s_v4/weights/best.pt")
+model = YOLO("runs/detect/train_yolov8s/weights/best.pt")
 
 # Realizar inferencia en un video
-results = model.predict("video.mp4", save=True, conf=0.5)
+results = model.predict("ruta/video.mp4", save=True, conf=0.5)
 
 # Guardar el video con las detecciones
 print("✅ Procesamiento completado. Video guardado.")
-```
+```