--- 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 [![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT) [![Python 3.8+](https://img.shields.io/badge/Python-3.8+-blue.svg)](https://www.python.org/downloads/) [![YOLOv8](https://img.shields.io/badge/YOLOv8-Ultralytics-purple.svg)](https://github.com/ultralytics/ultralytics) [![Hugging Face](https://img.shields.io/badge/🤗%20Hugging%20Face-Model%20Hub-orange)](https://huggingface.co) # 🚀 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 | |---------|----------------|-----------------|------------------|---------| | **mAP@0.5** | 95.9% | 97.0% | 97.9% | 🥇 Medium | | **mAP@0.5-0.95** | 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 ## mAP@0.5 (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. # mAP@0.5-0.95 (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. # F1-Score - Balance entre Precisión y Recall. - Medium gana (96.5%), mejor equilibrio general. # Tiempo de Entrenamiento - Cuánto tardó cada modelo en entrenarse (en GPU estándar). - Nano gana (2.55h), mucho más rápido de entrenar que Medium (11.6h). --- ## 🎨 Recursos Visuales ### 📊 **Visualizaciones de Rendimiento - Modelo Nano** #### Evolución de Métricas de Entrenamiento ![Resultados Nano](./huggingface_assets/nano_results.png) #### Curvas de Rendimiento ![Curva F1 Nano](./huggingface_assets/nano_boxf1.png) ![Curva Precisión-Recall Nano](./huggingface_assets/nano_boxpr.png) #### Análisis de Confusión - Nano ![Matriz de Confusión Nano](./huggingface_assets/nano_confusion.png) #### Ejemplos de Validación - Nano ![Etiquetas Validación Nano](./huggingface_assets/nano_val_labels.jpg) ![Predicciones Validación Nano](./huggingface_assets/nano_val_pred.jpg) --- ### 📊 **Visualizaciones de Rendimiento - Modelo Small** #### Evolución de Métricas de Entrenamiento ![Resultados Small](./huggingface_assets/small_results.png) #### Curvas de Rendimiento ![Curva F1 Small](./huggingface_assets/small_boxf1.png) ![Curva Precisión-Recall Small](./huggingface_assets/small_boxpr.png) #### Análisis de Confusión - Small ![Matriz de Confusión Small](./huggingface_assets/small_confusion.png) #### Ejemplos de Validación - Small ![Etiquetas Validación Small](./huggingface_assets/small_val_labels.jpg) ![Predicciones Validación Small](./huggingface_assets/small_val_pred.jpg) --- ### 📊 **Visualizaciones de Rendimiento - Modelo Medium** #### Evolución de Métricas de Entrenamiento ![Resultados Medium](./huggingface_assets/medium_results.png) #### Curvas de Rendimiento ![Curva F1 Medium](./huggingface_assets/medium_boxf1.png) ![Curva Precisión-Recall Medium](./huggingface_assets/medium_boxpr.png) #### Análisis de Confusión - Medium ![Matriz de Confusión Medium](./huggingface_assets/medium_confusion.png) #### Ejemplos de Validación - Medium ![Etiquetas Validación Medium](./huggingface_assets/medium_val_labels.jpg) ![Predicciones Validación Medium](./huggingface_assets/medium_val_pred.jpg) --- ## 📊 Información del Dataset ### 🎯 Clases Detectadas - **adidas**: Variantes principales del logo de Adidas - **nike**: Logos swoosh y de texto de Nike - **adidas_1**: Diseños alternativos de Adidas - **adidas_2**: Variantes especializadas de Adidas ### 📸 Estadísticas del Dataset - **Total de Imágenes**: 1,200+ muestras - **Conjunto de Entrenamiento**: 70% (840+ imágenes) - **Conjunto de Validación**: 20% (240+ imágenes) - **Conjunto de Prueba**: 10% (120+ imágenes) - **Resolución de Imagen**: 416×416 píxeles - **Formato de Anotación**: Formato YOLO --- ## 🎯 Guía de Selección de Modelo ### 🚀 Elige **Nano** si necesitas: - ✅ Inferencia en tiempo real (>100 FPS) - ✅ Despliegue móvil/edge - ✅ Consumo mínimo de recursos - ✅ Escalado rentable - ✅ Dispositivos con batería ### ⚖️ Elige **Small** si necesitas: - ✅ Rendimiento/eficiencia balanceados - ✅ Flexibilidad de despliegue en cloud - ✅ Estabilidad de producción - ✅ Requerimientos de precisión moderados - ✅ Infraestructura de servidor estándar ### 🎯 Elige **Medium** si necesitas: - ✅ Máxima precisión (97.9% mAP@0.5) - ✅ Rendimiento grado investigación - ✅ Aplicaciones críticas - ✅ Capacidades de análisis detallado - ✅ Mejor rendimiento de recall (95.7%) --- *Última Actualización: 2 de Septiembre, 2025* *Estado de Modelos: ✅ Listos para Producción* *Licencia: MIT* *Last Updated: September 2, 2025* *✔ Desarrollado: Juan Carlos Macías / Amigo IA (GitHub Copilot) [Enlace portafolio](https://www.juancarlosmacias.es) ---