Update README.md

README.md

@@ -31,7 +31,7 @@ El modelo forma parte de un pipeline más amplio donde los videos son procesados
 ---
 
 ### 📊 Datasets Utilizados
-Para entrenar el modelo, se han combinado varios datasets descargados desde **COCO8** y **Roboflow Universe**:
+Para entrenar el modelo, se ha utilizado el dataset de **COCO8**, pero tambien 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.  
@@ -168,16 +168,6 @@ Primeramente descarga el dataset de **COCO8** para que genere la estructura cor
 
 ---
 
-### 📊 **Resultados y Gráficos**
-🛑 **Pendiente de añadir métricas y gráficos tras finalizar el entrenamiento.**  
-
-Se incluirán gráficos como:  
-- Matriz de confusión  
-- Curva de precisión-recall  
-- Loss function por época  
-
----
-
 ### 💻 **Uso del Modelo en Videos**
 Para aplicar el modelo a un video y detectar objetos:
 
@@ -192,4 +182,122 @@ 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
+├── .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
+
+![image/png](https://cdn-uploads.huggingface.co/production/uploads/66f1268bcaf696884799cb97/-TvkHPXa8E4AbB9h_sesd.png)
+
+#### 📌 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
+
+![image/png](https://cdn-uploads.huggingface.co/production/uploads/66f1268bcaf696884799cb97/w8fqST_MaK-jjS8xeRzTd.png)
+
+#### 📌 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
+
+![image/png](https://cdn-uploads.huggingface.co/production/uploads/66f1268bcaf696884799cb97/kgiCT9F4pKS43h0Ym8OrK.png)
+
+#### 📌 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
+
+![image/png](https://cdn-uploads.huggingface.co/production/uploads/66f1268bcaf696884799cb97/6EG6ybWD9ZqdNoabfruPf.png)
+
+#### 📌 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
+
+![image/jpeg](https://cdn-uploads.huggingface.co/production/uploads/66f1268bcaf696884799cb97/tenTgxyadyFDm_rwxfKiW.jpeg)
+
+---