Update README.md

README.md

@@ -1,52 +1,153 @@
----
-license: mit
----
-tags:
-- yolov8
-- object-detection
-- deep-learning
-- computer-vision
-- pretrained
----
-
-# 📦 YOLOv8 - Modelo de Detección de Objetos
-
-Este modelo está basado en **YOLOv8**, una de las arquitecturas más avanzadas para la detección en tiempo real de objetos en imágenes y vídeos. Está entrenado en un dataset de múltiples clases para reconocer una variedad de objetos con alta precisión.
-
----
-
-## 🛠️ **Detalles Técnicos**
-- **Arquitectura**: YOLOv8 (You Only Look Once)
-- **Dataset**: Conjunto de datos etiquetado con objetos de diversas categorías.
-- **Épocas de entrenamiento**: 600
-- **Tamaño de imagen**: 640x640 px
-- **Precisión final (mAP@50)**: 85% en validación
-- **FPS en GPU**: ~45 en inferencia
-
----
-
-## 🚀 **Uso del Modelo**
-Puedes cargar el modelo y realizar predicciones con la librería `ultralytics`.
-
-### **📸 Para Imágenes**
-```python
-import cv2
-from ultralytics import YOLO
-
-model = YOLO("izaskun/yolov8-object-detection")
-cap = cv2.VideoCapture("video.mp4")
-
-while cap.isOpened():
-    ret, frame = cap.read()
-    if not ret:
-        break
-
-    results = model.predict(frame)
-    annotated_frame = results[0].plot()
-    cv2.imshow("YOLOv8 - Detección en Vídeo", annotated_frame)
-
-    if cv2.waitKey(1) == ord('q'):
-        break
-
-cap.release()
-cv2.destroyAllWindows()
+---
+license: mit
+base_model:
+- Ultralytics/YOLOv8
+tags:
+- yolov8
+- object-detection
+- deep-learning
+- computer-vision
+- pretrained
+---
+
+# 📦 YOLOv8s - Modelo de Detección de Objetos
+
+### 📌 Resumen
+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:
+
+![image/png](https://cdn-uploads.huggingface.co/production/uploads/66f1268bcaf696884799cb97/wTk0ygmkAy1CxRdcrU5PJ.png)
+
+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 han combinado varios datasets descargados desde **COCO8** y **Roboflow Universe**:
+
+- **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.  
+
+El dataset de Coco8 se descargó 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')
+```
+
+Y los datasets de Roboflow 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}")
+```
+### 🔹 **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.
+
+---
+
+### ⚙ **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_v4/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.*
+
+---
+
+### 📊 **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:
+
+```python
+from ultralytics import YOLO
+
+# Cargar el modelo entrenado
+model = YOLO("runs/detect/train_yolov8s_v4/weights/best.pt")
+
+# Realizar inferencia en un video
+results = model.predict("video.mp4", save=True, conf=0.5)
+
+# Guardar el video con las detecciones
+print("✅ Procesamiento completado. Video guardado.")
+```