adding training python files

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=300,  # 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_optimized",  # 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/combined/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_yolov8s_v4",  # 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
+)