metadata

base_model:
  - Ultralytics/YOLOv8
tags:
  - logo
  - not-for-all-audiences
license: apache-2.0
language:
  - es
pipeline_tag: video-classification

Limitaciones

El modelo puede generar resultados con falsos positivos o falsos negativos, por lo que no debe usarse en entornos críticos (ej. seguridad, diagnóstico médico, decisiones legales).
La precisión puede variar según la calidad y tipo de los datos de entrada.
No está optimizado para todos los dispositivos, por lo que el rendimiento puede ser limitado en hardware con poca memoria o capacidad de cómputo.
Puede reflejar sesgos presentes en los datos de entrenamiento.

Uso Responsable

Este modelo está diseñado con fines educativos, de investigación y experimentación técnica.
No debe utilizarse para:
- Fines comerciales sin la debida autorización.
- Generar o difundir contenido engañoso, ofensivo o dañino.
- Vulnerar derechos de autor, marcas registradas u otros derechos de terceros.
Se recomienda validar los resultados con expertos humanos antes de usarlos en aplicaciones reales.

Disclaimer Legal

⚠️ Aviso legal

Este modelo puede incluir o haber sido entrenado con datos que hacen referencia a nombres, logotipos o marcas comerciales. Dichos elementos son propiedad de sus respectivos titulares.
El uso de este modelo no implica relación, asociación ni respaldo por parte de las marcas, empresas o entidades mencionadas en los datos.
El autor no se hace responsable de un uso indebido, incluyendo aplicaciones que infrinjan derechos de propiedad intelectual, difundan desinformación o incumplan normativas locales.
El usuario final es responsable de garantizar un uso ético, legal y autorizado del modelo en cada contexto.

Licencia

Este modelo se distribuye bajo los términos de la licencia seleccionada en este repositorio.

El usuario debe revisar y cumplir las condiciones de la licencia antes de utilizar el modelo.
Si planeas emplear este modelo en un contexto comercial, asegúrate de que la licencia lo permita y de contar con las autorizaciones necesarias.
En caso de reutilizar, modificar o redistribuir el modelo, deberás mantener la misma licencia y citar adecuadamente al autor.

🏆 YOLOv8 Sports Logo Detection: Medium vs Small Model Comparison

🚀 Modelos YOLOv8 para Detección de Logos Deportivos - Análisis Comparativo

Detección de Objetos de Alto Rendimiento para Reconocimiento de Marcas Deportivas

📋 Resumen de Modelos

Este repositorio presenta una comparación exhaustiva de tres modelos YOLOv8 entrenados para detección de logos deportivos, específicamente dirigidos al reconocimiento de Adidas, Nike y variantes de Adidas. Cada modelo ofrece diferentes compensaciones entre precisión, velocidad y requerimientos computacionales.

Modelo	Arquitectura	Parámetros	Tamaño	Velocidad	Mejor Caso de Uso
YOLOv8n (Nano)	Nano	~3.2M	6.2 MB	>100 FPS	Móviles/Dispositivos Edge
YOLOv8s (Small)	Small	~11.2M	21.5 MB	~80 FPS	Aplicaciones balanceadas
YOLOv8m (Medium)	Medium	~25.9M	49.7 MB	~60 FPS	Escenarios alta precisión

🎯 Comparación de Rendimiento

📊 Resumen de Métricas Clave

Métrica	Nano (YOLOv8n)	Small (YOLOv8s)	Medium (YOLOv8m)	Ganador
[email protected]	95.9%	97.0%	97.9%	🥇 Medium
[email protected]	72.4%	75.2%	76.4%	🥇 Medium
Precisión	98.0%	97.2%	97.3%	🥇 Nano
Recall	92.7%	93.1%	95.7%	🥇 Medium
F1-Score	95.3%	95.1%	96.5%	🥇 Medium
Tiempo Entrenamiento	2.55h	4.43h	11.6h	🥇 Nano

📈 Filas explicadas

[email protected] (Mean Average Precision con IoU=0.5)

Mide qué tan bien detecta objetos cuando se permite un 50% de solapamiento.
Medium gana (97.9%), es el más preciso en detección.

[email protected] (rango estricto de IoU entre 0.5 y 0.95)

Es una métrica más exigente que considera precisión en diferentes grados de solapamiento.
Medium gana (76.4%), significa que se adapta mejor a detecciones precisas.

Precisión (Precision)

De todas las detecciones hechas, ¿cuántas son correctas? (evita falsos positivos).
Nano gana (98.0%), detecta con menos falsos positivos, aunque no sea el más completo.

Recall

De todos los objetos reales en la imagen, ¿cuántos detecta el modelo? (evita falsos negativos).
Medium gana (95.7%), encuentra más objetos aunque arriesgue algún falso positivo.