Skip to content

Bootcamp-IA-P6/P11E4

BranchesTags

Repository files navigation

BrandVision — Detección de marcas en vídeo

Sistema de Computer Vision que detecta logos de marcas deportivas en vídeo, calcula el tiempo de aparición de cada una y genera un informe detallado. Desarrollado con YOLOv8 y OpenCV.

Python YOLOv8 OpenCV Streamlit SQLite

¿Qué hace este proyecto?

Una empresa de publicidad quiere saber si sus marcas realmente aparecen en pantalla — y cuánto tiempo. Sin revisión manual, sin suposiciones.

BrandVision analiza vídeos automáticamente: detecta logos de Adidas, Nike y Puma frame a frame, agrupa las apariciones en intervalos continuos y entrega un informe con tiempos exactos y porcentajes. Cada análisis queda guardado en base de datos para poder comparar campañas históricas.

El resultado: subir un vídeo, pulsar analizar, y obtener datos concretos sobre la presencia de cada marca en pantalla.

Demo

Detección en vídeo — adidas, puma y nike con bounding box y confianza

Las 3 marcas detectadas simultáneamente con bounding box y % de confianza.

▶ Ver demo en vivo

Arquitectura

P11E4/
├── app/
│   └── streamlit_app.py          # Frontend — subir vídeo y visualizar resultados
│
├── data/                         
│   └── videos/                   # (gitignored) vídeos de prueba
│
├── datasets/
│   └── brands/data.yaml          # Dataset en formato YOLO (Roboflow export)
│
├── models/                       # (gitignored) pesos del modelo best.pt
│
├── outputs/                      # (gitignored) vídeos anotados, informes, BD
│
├── src/
│   ├── config.py                 # Rutas y constantes centralizadas
│   ├── run.py                    # Punto de entrada principal
│   ├── training/train.py         # Entrenamiento YOLOv8 + data augmentation
│   ├── detection/
│   │   ├── video_pipeline.py     # Inferencia frame a frame con OpenCV
│   │   └── tracker.py            # Agrupación de detecciones en intervalos
│   ├── reporting/report.py       # Cálculo de tiempos, % e informes
│   └── database/
│       ├── schema.sql            # Esquema SQLite
│       └── db.py                 # Inicialización y funciones de acceso
│
├── tests/
│   ├── test_db.py                
│   ├── test_report.py                
│   └── test_tracker.py
│
├── docs/
│   ├── assets/                   # Imagenes
│   ├── briefing/                 # Report técnico
│   └── slides/                   # Presentación
│
├── tools/
│   ├── issues_to_md.py             
│   ├── mapa_urls.py        
│
├── pyproject.toml
│       
└── README.md

Flujo del sistema

Pipeline modular de 4 etapas orquestado por run.py. Entre etapas viaja una estructura Detection(frame, timestamp, clase, confianza, bbox).

Arquitectura del sistema BrandVision

Tecnologías

Área Tecnología
Modelo YOLOv8n (Ultralytics) — transfer learning
Etiquetado Roboflow
Procesado de vídeo OpenCV
Base de datos SQLite + sqlite3
Frontend Streamlit
Entorno Python 3.11 + uv

Métricas del modelo

YOLOv8n entrenado con transfer learning sobre pesos preentrenados. Dataset propio etiquetado en Roboflow. Hiperparámetros: 50 épocas, imagen 640px, batch 16, early stopping (patience 20). Data augmentation: volteo horizontal, rotación, variación HSV y mosaic.

Validación sobre 165 imágenes (191 logos), umbral de confianza 0.40:

Métrica Valor
mAP@50 0.91
mAP@50-95 0.63
Precisión 0.86
Recall 0.91

Detalle por marca (mAP@50):

Marca mAP@50 Precisión Recall
Adidas 0.94 0.77 0.95
Puma 0.91 0.88 0.92
Nike 0.87 0.93 0.87

Resumen de métricas del modelo

Instalación

Requisitos previos

  • Python 3.11
  • uv
  • best.pt — solicitar al equipo (gitignored, compartido por Discord)
  • ffmpeg — necesario para reproducir el vídeo anotado en el frontend

Con uv (recomendado)

git clone https://github.com/tu-org/P11E4.git
cd P11E4

# Instala dependencias y crea el entorno virtual
uv sync

# Coloca el modelo entrenado
cp best.pt models/best.pt

Instalar ffmpeg (necesario para el frontend)

Windows:

winget install ffmpeg

Después de instalar, obtén la ruta exacta con:

Get-Command ffmpeg | Select-Object -ExpandProperty Source

Si shutil.which("ffmpeg") no la detecta automáticamente, actualiza ffmpeg_path en app/streamlit_app.py con esa ruta.

macOS:

brew install ffmpeg

Linux:

sudo apt install ffmpeg

Despliegue con ngrok (demo pública)

Para compartir la app temporalmente sin servidor:

# 1. Arranca Streamlit en local
uv run streamlit run app/streamlit_app.py

# 2. En otra terminal, expón el puerto con ngrok
ngrok http 8501

ngrok genera una URL pública temporal (https://magical-giving-starved.ngrok-free.dev/) que puedes compartir para la demo. Ten en cuenta que la URL cambia cada vez que reinicias ngrok en el plan gratuito.

Uso

Pipeline completo (línea de comandos)

# Analizar un vídeo y generar informe
uv run python src/run.py data/videos/mi_video.mp4

# Sin guardar vídeo anotado (más rápido)
uv run python src/run.py data/videos/mi_video.mp4 --no-video

# Ajustar umbral de confianza y frame skip
uv run python src/run.py data/videos/mi_video.mp4 --conf 0.5 --skip 2

Salidas generadas en outputs/:

  • mi_video_annotated.mp4 — vídeo con bounding boxes y confianza
  • mi_video_report.json — informe estructurado para el frontend
  • mi_video_report.txt — informe legible
  • detecciones.db — base de datos SQLite con el historial

Frontend Streamlit

uv run streamlit run app/streamlit_app.py

Abre http://localhost:8501, sube un vídeo y pulsa Analizar.

Test rápido sin vídeo

uv run python src/reporting/report.py

Ejemplo de informe

============================================================
  INFORME DE DETECCIÓN DE MARCAS
============================================================
  Vídeo      : test_1brands
  Duración   : 00:15.2
  Generado   : 2026-06-24T07:51:32Z
============================================================

  ADIDAS
    Tiempo total  : 00:15.1  (99.3%)
    Apariciones   : 1
    Conf. media   : 76.3%
    [█████████████████████████████░] 99.3%

  PUMA
    Tiempo total  : 00:13.5  (88.8%)
    Apariciones   : 2
    Conf. media   : 75.5%
    [██████████████████████████░░░░] 88.8%

  NIKE
    Tiempo total  : 00:11.9  (78.7%)
    Apariciones   : 2
    Conf. media   : 73.8%
    [███████████████████████░░░░░░░] 78.7%
============================================================

Estructura de la base de datos

Tres tablas: un vídeo tiene muchos intervalos de aparición y un resumen por marca. Cada análisis se persiste completo, lo que permite consultar y comparar campañas históricas.

erDiagram
  videos ||--o{ intervalos : "tiene"
  videos ||--o{ informes : "resume en"

  videos {
    int id PK
    string nombre
    float duracion_sec
    string fecha_analisis
  }

  intervalos {
    int id PK
    int video_id FK
    string marca
    float inicio_sec
    float fin_sec
    float duracion_sec
    int num_frames
    float confianza_avg
  }

  informes {
    int id PK
    int video_id FK
    string marca
    float tiempo_total_sec
    float porcentaje
    int num_intervalos
    float confianza_avg
  }
Loading

Notas sobre archivos gitignored

Archivo Dónde va Cómo obtenerlo
best.pt models/best.pt Discord del equipo
Vídeos de prueba data/videos/ Discord del equipo

Equipo — Byte Lab

Persona Rol GitHub
Camila Arenas Dataset & Entrenamiento & Presentación @mcarenashd
Iris Fernanda Amorim Pipeline de vídeo & Reporting & Documentación @IrisFernandaAmorim
Raúl Machaca Base de datos & Tests & Integración backend-frontend @RaulCtm
Jose-Julio Ramírez y Sánchez-Escobar Frontend Streamlit & Setup inicial & Documentación @Jose-JulioRamirezySanchez-Escobar

Proyecto académico desarrollado en el Bootcamp de IA & Data Science de Factoría F5 · Madrid, junio 2026.

About

BrandVision - Sistema de Computer Vision que detecta logos de marcas deportivas en vídeo, calcula el tiempo de aparición de cada una y genera un informe detallado. Desarrollado con YOLOv8 y OpenCV.

magical-giving-starved.ngrok-free.dev/

Resources

Readme
Activity
Custom properties

Stars

0 stars

Watchers

0 watching

Forks

1 fork
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages