Merge branch 'develop'

.gitattributes

@@ -1,3 +1,4 @@
+<<<<<<< HEAD
 *.7z filter=lfs diff=lfs merge=lfs -text
 *.arrow filter=lfs diff=lfs merge=lfs -text
 *.bin filter=lfs diff=lfs merge=lfs -text
@@ -33,3 +34,24 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+=======
+# Tratar datasets y runs como binarios para evitar conversiones de texto
+datasets/combined/** filter=lfs diff=lfs merge=lfs -text
+runs/detect/** filter=lfs diff=lfs merge=lfs -text
+# Asegurar formato de texto en archivos clave
+*.yaml text eol=lf
+*.py text eol=lf
+*.md text eol=lf
+# Forzar archivos de configuración y modelos a usar Git LFS
+*.pt filter=lfs diff=lfs merge=lfs -text
+*.onnx filter=lfs diff=lfs merge=lfs -text
+*.tflite filter=lfs diff=lfs merge=lfs -text
+*.engine filter=lfs diff=lfs merge=lfs -text
+*.ckpt filter=lfs diff=lfs merge=lfs -text
+# Archivos de vídeo y datos grandes
+*.mp4 filter=lfs diff=lfs merge=lfs -text
+*.csv filter=lfs diff=lfs merge=lfs -text
+*.json filter=lfs diff=lfs merge=lfs -text
+processed-video/*.mp4 filter=lfs diff=lfs merge=lfs -text
+raw-video/*.mp4 filter=lfs diff=lfs merge=lfs -text
+>>>>>>> yolov8-model

.gitignore

@@ -0,0 +1,51 @@
+# Ignorar la carpeta de entornos virtuales
+.venv/
+venv/
+
+# Archivos de caché de Python
+__pycache__/
+*.py[cod]
+*$py.class
+
+# Archivos temporales del sistema
+.DS_Store
+Thumbs.db
+
+# Archivos de configuración de usuario
+*.log
+*.tmp
+*.swp
+*.swo
+
+# Claves API o credenciales privadas (⚠️ Asegúrate de que este archivo contiene datos sensibles)
+download-roboflow.py
+
+# PERMITIR subir `runs/val/`
+!runs/val/
+
+# Ignorar archivos de ejecución y checkpoints de modelos
+runs/detect
+
+weights/
+*.pt
+*.onnx
+*.tflite
+*.engine
+*.ckpt
+
+# EXCEPCIÓN: No ignorar los .pt dentro de runs/val
+!runs/val/*.pt
+
+# Ignorar dataset original de COCO para evitar archivos innecesarios
+datasets/
+download-coco.py
+datasets-download/
+
+# Ignorar archivos con la terminación .Zone.Identifier (propio de Windows)
+*.Zone.Identifier
+
+# PERMITIR subir `datasets/combined/`
+# (Eliminar esta línea si accidentalmente se ignora)
+!datasets/combined/
+!datasets/combined/images/
+!datasets/combined/labels/

predict.py

@@ -0,0 +1,36 @@
+import cv2
+from ultralytics import YOLO
+
+# Cargar modelo YOLOv8 entrenado
+model = YOLO("/home/izaskunmz/yolo/yolov8-object-detection/runs/detect/train_coco8/weights/best.pt")
+
+# Abrir vídeo
+video_path = "/home/izaskunmz/yolo/yolov8-object-detection/raw-video/ny-traffic.mp4"
+cap = cv2.VideoCapture(video_path)
+
+# Obtener dimensiones del video original
+width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
+height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
+fps = int(cap.get(cv2.CAP_PROP_FPS))
+
+# Definir el codec y crear el VideoWriter para guardar el resultado
+output_path = "/home/izaskunmz/yolo/yolov8-object-detection/processed-video/ny-traffic-processed.mp4"
+fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Codec para formato MP4
+out = cv2.VideoWriter(output_path, fourcc, fps, (width, height))
+
+while cap.isOpened():
+    ret, frame = cap.read()
+    if not ret:
+        break  # Si el vídeo ha terminado, salimos del bucle
+
+    # Realizar detección en el frame
+    results = model(frame)
+
+    # Obtener frame con anotaciones
+    annotated_frame = results[0].plot()
+
+    # Guardar el frame en el video de salida
+    out.write(annotated_frame)
+
+cap.release()
+out.release()  # Liberar el escritor de video

processed-video/ny-traffic-processed.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ae66dfe798c8d870971336d36f5a2e2889416966ac8e1061760de1c26e22fd03
+size 158863855

processed-video/ny-walking-processed.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:37dc741a42b183c4feadd7108fea2db6dc6b6116f9ac596f92944c7418e9cb4d
+size 178527503

raw-video/ny-traffic.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:03bb512b109a238d9bdacfb118ce45e312925a1283f06c647624408573f4112a
+size 62404880

raw-video/ny-walking.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:992ce64943371f674fdc2b243fc1228985e8d387e387230428e8c57a071d8e8c
+size 20162842

requirements.txt

@@ -0,0 +1 @@
+ultralytics

runs/val/best.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:dfa11240a586e524e3b42e818f22b8afa899fa9b2425ca69648783f421d43829
+size 22592803

runs/val/last.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1314b2c5f9e3c55ff97fdbc023b0531b7d4217a00420698c731ec4e9278c6e35
+size 22592803

train_yolov8n.py

@@ -0,0 +1,24 @@
+from ultralytics import YOLO
+
+# Cargar el modelo YOLOv8 preentrenado
+model = YOLO("yolov8n.pt")  # Puedes probar con "yolov8s.pt" para mayor precisión
+
+# Entrenar el modelo con hiperparámetros ajustados
+model.train(
+    data="/home/izaskunmz/yolo/yolov8-object-detection/datasets/coco8/data.yaml",  # Ruta correcta al dataset
+    epochs=150,  # Aumentamos las épocas para mejorar precisión
+    batch=8,  # Reducimos el batch para estabilidad en CPU
+    imgsz=640,  # Tamaño de la imagen
+    device="cpu",  # Entrenamiento en CPU
+    lr0=0.0005,  # Learning rate inicial más bajo para mejorar estabilidad
+    lrf=0.0001,  # Decaimiento más lento del learning rate
+    momentum=0.95,  # Aumentamos momentum para estabilizar entrenamiento
+    weight_decay=0.0001,  # Regularización más fuerte para evitar sobreajuste
+    optimizer="AdamW",  # Mejor optimizador que SGD para convergencia en CPU
+    cos_lr=True,  # Usamos learning rate decay con coseno para ajuste fino
+    close_mosaic=5,  # Desactivamos aumentación mosaico después de 5 épocas
+    patience=0, # 🔹 Desactiva Early Stopping
+    project="/home/izaskunmz/yolo/yolov8-object-detection/runs/detect",  # Ruta correcta para guardar los modelos
+    name="train_yolov8n",  # Nombre del experimento optimizado
+    exist_ok=True  # Evita sobreescritura, crea versiones numeradas
+)

train_yolov8s.py

@@ -0,0 +1,20 @@
+from ultralytics import YOLO
+
+# Cargar el modelo YOLOv8s preentrenado
+model = YOLO("yolov8s.pt")
+
+# Entrenar el modelo y guardar en la carpeta correcta
+model.train(
+    data="/home/izaskunmz/yolo/yolov8-object-detection/datasets/coco8/data.yaml",  # Archivo de configuración del dataset
+    epochs=150,  # Aumentamos las épocas para mejorar el aprendizaje
+    batch=8,  # Reducimos el batch si hay problemas de memoria
+    imgsz=640,  # Tamaño de las imágenes
+    device='cpu',  # Si tienes GPU, cámbialo a 'cuda'
+    project="/home/izaskunmz/yolo/yolov8-object-detection/runs/detect",  # Carpeta donde se guardarán los resultados
+    name="train_coco8",  # Nombre del experimento
+    exist_ok=True,  # Si la carpeta existe, crea una nueva numerada
+    patience=200,  # Para evitar que se detenga temprano
+    lr0=0.01,  # Ajustamos la tasa de aprendizaje inicial
+    momentum=0.937,  # Momentum del optimizador
+    weight_decay=0.0005  # Regularización para evitar overfitting
+)

validate.py

@@ -0,0 +1,15 @@
+from ultralytics import YOLO
+
+# Cargar el modelo entrenado
+model = YOLO("/home/izaskunmz/yolo/yolov8-object-detection/runs/detect/train_coco8/weights/best.pt")  # Asegúrate de que esta ruta sea correcta
+
+# Validar el modelo y guardar los resultados en la carpeta correcta
+metrics = model.val(
+    data="/home/izaskunmz/yolo/yolov8-object-detection/datasets/coco8/data.yaml",
+    project="/home/izaskunmz/yolo/yolov8-object-detection/runs/val",  # Define la carpeta donde se guardarán los resultados
+    name="val_coco8",  # Nombre del experimento
+    exist_ok=True  # Evita sobreescribir, creará nuevas versiones numeradas
+)
+
+# Mostrar las métricas de evaluación
+print(metrics)