TFG Wildfire YOLO

Repositorio publico del codigo asociado al TFG de deteccion temprana de humo/incendio forestal con vision artificial.

El repositorio se centra en la parte tecnica descrita en la memoria: preparacion de datos, entrenamiento, evaluacion, agregacion temporal, verificacion de alarmas y pruebas de despliegue edge. No incluye la memoria LaTeX, correcciones docentes, datasets, modelos entrenados, salidas de Kaggle ni artefactos pesados.

Estructura incluida

TFG_Wildfire_YOLO/
├── config/            # Configuracion reproducible y zonas de camara
├── scripts/edge/      # Utilidades de exportacion y pruebas edge
├── src/               # Codigo Python principal del sistema
│   ├── audit/         # Auditorias de dataset y diagnostico de splits
│   ├── data_prep/     # Ingesta, conversion, curacion y construccion de datasets
│   ├── evaluation/    # Benchmarks, calibracion y metricas por evento
│   ├── inference/     # Inferencia, tracking y decision temporal
│   └── training/      # Entrenamiento de detector y verificadores
├── tests/             # Tests unitarios y de integracion
├── requirements.txt
└── README.md

Material no incluido

Por limpieza y privacidad, quedan fuera del repositorio:

• docs/: memoria, bibliografia, anotaciones de tutoria e implementation plans.
• kaggle/: kernels, salidas, datasets preparados y material especifico de ejecuciones en Kaggle.
• archive/: experimentos historicos y codigo legado.
• notebooks/: pruebas puntuales y ejecuciones exploratorias.
• data/, artefacts/, runs/, checkpoints/: datos, modelos y salidas generadas.
• Archivos .env, tokens, credenciales y claves API.

Instalacion

python -m venv .venv
. .venv/Scripts/activate
pip install -r requirements.txt

En Linux/macOS:

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Componentes principales

• Detector espacial: scripts de entrenamiento y evaluacion basados en YOLO.
• Capa temporal: agregacion de detecciones aisladas en eventos/secuencias.
• Verificador: modelos tabulares y reglas de decision para reducir falsas alarmas.
• Auditoria: comprobaciones de particiones, fuga de datos, distribucion por camara y calidad del dataset.
• Edge: exportacion y medicion basica para ejecucion ligera.

Tests

python -m pytest tests

Algunos tests pueden requerir dependencias opcionales o fixtures locales. Los datos reales y pesos entrenados no se versionan.