BrandSight 🥤

Brand visibility analysis for Coca-Cola vs Pepsi using custom YOLO11 detection, Supabase PostgreSQL + Storage, and AI-generated marketing reports.

🇬🇧 An AI-powered computer vision application that analyzes video content to measure and compare brand visibility between Coca-Cola and Pepsi. Upload a video, and the system detects logo appearances, calculates visibility metrics, and generates an AI marketing report.

🇪🇸 Una aplicación de visión artificial impulsada por IA que analiza contenido de vídeo para medir y comparar la visibilidad de marca entre Coca-Cola y Pepsi. Sube un vídeo y el sistema detecta apariciones de logos, calcula métricas de visibilidad y genera un informe de marketing con IA.

🎥 Demo Ver vídeo de demostración

📄 Presentation / Presentación: View PDF / Ver PDF

📋 Table of Contents / Índice

Problem Statement / Planteamiento del Problema
Features / Funcionalidades
Architecture / Arquitectura
Project Structure / Estructura del Proyecto
Setup Instructions / Instrucciones de Configuración
Model Training / Entrenamiento del Modelo
Demo Videos / Vídeos Demo
How to Run Locally / Cómo Ejecutar en Local
How to Deploy / Cómo Desplegar
Verification Scripts / Scripts de Verificación
Evaluation Criteria / Criterios de Evaluación
Team Roles / Roles del Equipo

Problem Statement / Planteamiento del Problema

🇬🇧 English

In competitive marketing, understanding brand visibility in video content (TV commercials, sports events, social media) is crucial for measuring sponsorship ROI and campaign effectiveness. Manual analysis is time-consuming, subjective, and doesn't scale.

BrandSight automates this process by:

Detecting Coca-Cola and Pepsi logos in video frames using a fine-tuned YOLOv8 nano model
Quantifying visibility metrics (screen time, detection count, confidence scores)
Comparing competitive presence between the two brands
Generating AI-powered marketing reports with actionable insights

Key Questions Answered:

What percentage of screen time does each brand occupy?
Which brand dominates the video?
What is the visibility gap between competitors?
Where should marketing efforts be focused?

🇪🇸 Español

En marketing competitivo, entender la visibilidad de marca en contenido de vídeo (anuncios de TV, eventos deportivos, redes sociales) es crucial para medir el ROI de patrocinios y la efectividad de campañas. El análisis manual es lento, subjetivo y no escala.

BrandSight automatiza este proceso mediante:

Detección de logos de Coca-Cola y Pepsi en fotogramas de vídeo usando un modelo YOLOv8 nano fine-tuned
Cuantificación de métricas de visibilidad (tiempo en pantalla, número de detecciones, puntuaciones de confianza)
Comparación de presencia competitiva entre las dos marcas
Generación de informes de marketing con IA e insights accionables

Preguntas clave que responde:

¿Qué porcentaje de tiempo en pantalla ocupa cada marca?
¿Qué marca domina el vídeo?
¿Cuál es la brecha de visibilidad entre competidores?
¿Dónde deberían enfocarse los esfuerzos de marketing?

Features / Funcionalidades

🇬🇧 English	🇪🇸 Español
🎥 Video Upload & Processing — MP4 up to 200MB	🎥 Subida y procesado de vídeo — MP4 hasta 200MB
🔍 Logo Detection — YOLOv11 large fine-tuned	🔍 Detección de logos — YOLOv11 large ajustado
📊 Visibility Metrics — Screen time, detections, confidence	📊 Métricas de visibilidad — Tiempo, detecciones, confianza
📈 Competitive Analysis — Dominant brand, visibility gap	📈 Análisis competitivo — Marca dominante, brecha
🤖 AI Marketing Report — Gemini + Jinja2 fallback	🤖 Informe IA — Gemini + plantilla de respaldo
🖼️ Detection Gallery — Bounding box crops	🖼️ Galería de detecciones — Recortes de logos
🎬 Annotated Video — Output with drawn detections	🎬 Vídeo anotado — Salida con detecciones dibujadas
💾 Supabase Persistence — All results in PostgreSQL	💾 Persistencia Supabase — Resultados en PostgreSQL
🌐 Bilingual UI — English / Spanish	🌐 Interfaz bilingüe — Inglés / Español

Architecture / Arquitectura

┌──────────────────────────────────────────────────────────────┐
│             USER INTERFACE / INTERFAZ DE USUARIO             │
│              Streamlit (app/streamlit_app.py)                 │
│  ┌─────────────┐  ┌──────────────┐  ┌────────────────────┐   │
│  │ Video Upload │  │ Brand Metrics│  │ Detection Gallery  │   │
│  │ Demo Select  │  │ Bar Chart    │  │ AI Report (MD)     │   │
│  └─────────────┘  └──────────────┘  └────────────────────┘   │
└──────────────────────────┬───────────────────────────────────┘
                           │
┌──────────────────────────▼───────────────────────────────────┐
│              ORCHESTRATOR / ORQUESTADOR                       │
│                    src/pipeline.py                            │
│        analyze_video() — coordinates entire analysis flow     │
└──────────────────────────┬───────────────────────────────────┘
                           │
     ┌─────────────────────┼─────────────────────┐
     ▼                     ▼                     ▼
┌─────────────┐    ┌──────────────┐    ┌──────────────────┐
│  DETECTION  │    │   METRICS    │    │   AI REPORT      │
│  DETECCIÓN  │    │   MÉTRICAS   │    │   INFORME IA     │
│             │    │              │    │                  │
│ YOLOv11 large │    │ Visibility   │    │ Gemini +  │
│ detect_video│    │ Competitive  │    │ Jinja2 fallback  │
│ crops.py    │    │ metrics.py   │    │ marketing_report │
└──────┬──────┘    └──────┬───────┘    └────────┬─────────┘
       │                  │                     │
       └──────────────────┼─────────────────────┘
                          │
              ┌───────────▼───────────┐
              │      DATABASE         │
              │   Supabase PostgreSQL │
              │  • videos             │
              │  • detections         │
              │  • brand_summary      │
              │  • competitive_analysis│
              │  • marketing_reports  │
              └───────────────────────┘

Data Flow / Flujo de datos:

User uploads video → saved to data/uploads/ / El usuario sube un vídeo → guardado en data/uploads/
pipeline.py orchestrates / orquesta:
- detect_video.py — runs YOLO on every Nth frame / ejecuta YOLO cada N fotogramas
- crops.py — extracts bounding box regions / extrae regiones de bounding box
- metrics.py — calculates visibility percentages / calcula porcentajes de visibilidad
- generate_marketing_report.py — generates AI insights / genera insights con IA
Results persisted to Supabase PostgreSQL / Resultados persistidos en Supabase PostgreSQL
UI displays metrics, charts, crops, and report / La UI muestra métricas, gráficos, recortes e informe

Project Structure / Estructura del Proyecto

brandsight/
├── .streamlit/
│   ├── config.toml                # Theme, server settings / Tema, configuración servidor
│   └── secrets.toml.example       # Credentials template / Plantilla de credenciales
├── app/
│   ├── streamlit_app.py           # UI — tabs, widgets, visualizations
│   └── bootstrap_secrets.py       # Injects secrets into os.environ
├── src/
│   ├── config.py                  # Pydantic settings (env vars → typed config)
│   ├── pipeline.py                # Main orchestrator / Orquestador principal
│   ├── detect_video.py            # YOLO video processing / Procesado de vídeo
│   ├── detect_image.py            # YOLO single image inference / Inferencia en imagen
│   ├── crops.py                   # Bbox crop extraction / Extracción de recortes
│   ├── metrics.py                 # Visibility & competitive analysis / Métricas
│   ├── metrics_export.py          # JSON/TXT export + CLI viewer
│   ├── db/
│   │   ├── connection.py          # SQLAlchemy engine, sessions, schema checks
│   │   ├── models.py              # ORM models — 5 tables / 5 tablas
│   │   └── repository.py          # CRUD operations
│   └── report/
│       └── generate_marketing_report.py  # AI report generation / Generación informe IA
├── scripts/
│   ├── check_db.py                # Verify DB connection & schema
│   ├── check_detect_image.py      # Quick model test on image
│   ├── download_demo_videos.py    # Auto-download demo videos with yt-dlp
│   ├── smoke_deploy.py            # Pre-deploy verification
│   ├── test_db_insert.py          # DB round-trip test
│   └── verify_crops.py            # Verify crop files exist
├── notebooks/
│   └── train_colab.ipynb          # YOLO training notebook / Notebook entrenamiento
├── sql/
│   ├── schema.sql                 # Database schema DDL / Esquema de BD
│   └── storage.sql                # Supabase Storage bucket setup
├── data/                          # gitignored
│   ├── crops/                     # Extracted detection crops / Recortes de detecciones
│   ├── uploads/                   # Uploaded videos / Vídeos subidos
│   ├── outputs/                   # Annotated videos, metrics / Vídeos anotados, métricas
│   └── demo/                      # Demo videos — see Demo Videos section
├── models/
│   └── best.pt                    # YOLOv8 nano weights — gitignored / pesos — no en Git
├── docs/
│   └── presentation.pdf           # Project presentation / Presentación del proyecto
├── Dockerfile
├── .env.example
├── requirements.txt
├── packages.txt                   # System deps for Streamlit Cloud / Deps del sistema
└── runtime.txt                    # Python version for Streamlit Cloud

Setup Instructions / Instrucciones de Configuración

Prerequisites / Prerrequisitos

Python 3.11
Git
Supabase account (free tier / plan gratuito)
Google Gemini API key
Streamlit Cloud account (for deploy / para despliegue)

Local Development / Desarrollo Local

# 1. Clone / Clonar
git clone https://github.com/Bootcamp-IA-P6/Proyecto11_ComputerVision_Equipo1.git
cd Proyecto11_ComputerVision_Equipo1

# 2. Virtual environment / Entorno virtual
python -m venv .venv
source .venv/bin/activate       # Linux/Mac
# .venv\Scripts\activate        # Windows

# 3. Install / Instalar
pip install -r requirements.txt

# 4. Environment variables / Variables de entorno
cp .env.example .env
# Edit .env with your values / Edita .env con tus valores (ask SM for DATABASE_URL)

# 5. Streamlit secrets
cp .streamlit/secrets.toml.example .streamlit/secrets.toml
# Same values as .env / Mismos valores que .env

# 6. Supabase — run in SQL Editor / ejecutar en SQL Editor
# sql/schema.sql   → creates 5 tables / crea 5 tablas
# sql/storage.sql  → optional crops bucket / bucket opcional

# 7. Demo videos / Vídeos demo
python scripts/download_demo_videos.py

# 8. Verify / Verificar
python scripts/smoke_deploy.py

Environment Variables / Variables de Entorno

Variable	Required / Requerida	Description / Descripción	Where / Dónde
`DATABASE_URL`	✅	Supabase PostgreSQL connection string	Supabase → Settings → Database → URI
`SUPABASE_URL`	❌	Supabase project URL	Supabase → Settings → API
`SUPABASE_SERVICE_ROLE_KEY`	❌	Service role key	Supabase → Settings → API
`GEMINI_API_KEY`	❌	Google Gemini API key	Google AI Studio
`MODEL_PATH`	❌	Path to YOLO weights	Default: `models/best.pt`
`CONFIDENCE_THRESHOLD`	❌	Min detection confidence / Confianza mínima	Default: `0.5`
`SAMPLE_STRIDE`	❌	Process every Nth frame / Procesar cada N frames	Default: `3`

Create a project at supabase.com
Run sql/schema.sql in the SQL Editor
Run sql/storage.sql to create the brandsight-crops bucket
Copy the Session pooler connection string into .env as DATABASE_URL
Add SUPABASE_URL and SUPABASE_SERVICE_ROLE_KEY (Project Settings → API)

Model Training / Entrenamiento del Modelo

python -m scripts.check_db
python -m scripts.check_storage
python -m scripts.test_db_insert   # round-trip insert into videos (ISSUE-04)

🇬🇧 Custom dataset of Coca-Cola and Pepsi logos, managed with Roboflow. 🇪🇸 Dataset personalizado de logos de Coca-Cola y Pepsi, gestionado con Roboflow.

Place your fine-tuned best.pt in models/ (Colab trains from the yolo11l.pt base checkpoint).

Preprocessing & Augmentations / Preprocesado y Augmentaciones

Step / Paso	Detail / Detalle
Resize / Redimensionar	640×640 px (YOLOv11 standard)
Normalization / Normalización	[0, 1] — automatic via ultralytics
Format / Formato	RGB conversion if needed / Conversión a RGB si necesario

Augmentation / Augmentación	Parameter	Purpose / Propósito
Horizontal, Vertical Flip / Volteo horizontal, vertical	p=0.5	Left & right logo orientations
Rotation / Rotación	±180°	Robustness to tilt / Robustez ante inclinación
Brightness / Brillo	±25%	Lighting variations / Variaciones de luz
Contrast / Contraste	±25%	Environment variation / Variación de entorno
Scale / Escala	±50%	Different distances / Distintas distancias
Mosaic / Mosaico	p=1.0	Better context learning / Mejor aprendizaje contextual

Training Configuration / Configuración de Entrenamiento

Parameter	Value	Rationale / Justificación
Model / Modelo	YOLOv8 nano (`yolo11l.pt`)	~6MB, fast inference, fits Streamlit Cloud
Epochs / Épocas	50	Sufficient for 2-class transfer learning
Image size / Tamaño	640	YOLOv8 standard
Batch size / Lote	16	Fits Colab T4 GPU
Optimizer	AdamW	YOLOv11 default
Learning rate	0.001	Fine-tuning from COCO weights

To retrain / Para re-entrenar:

Open notebooks/train_colab.ipynb in Google Colab
Set Roboflow API key / Configura la API key de Roboflow
Run all cells / Ejecuta todas las celdas
Download best.pt → place in models/ / Descarga y coloca en models/

Frame Sampling / Muestreo de Fotogramas

app/                  Streamlit UI
src/
  config.py           Settings from .env
  db/                 Supabase connection + ORM models
  detect_image.py     Single-image inference CLI
  detect_video.py     Video inference CLI
  metrics.py          Visibility calculations
  metrics_export.py   Metrics JSON/text export CLI (#9)
  crops.py            Bbox crop extraction + Supabase Storage upload (#10)
  supabase_storage.py Supabase Storage client for crop uploads
  pipeline.py         End-to-end analysis orchestrator
  report/             AI marketing report generator
data/
  demo/               Demo videos
  crops/              Local crop cache (also uploaded to Supabase Storage)
  uploads/            Uploaded videos (runtime)
models/               best.pt (fine-tuned weights; training base: yolo11l.pt)
sql/schema.sql        Supabase schema (5 tables)
sql/storage.sql       Storage bucket `brandsight-crops` for crops
notebooks/            Colab training (to add)
docs/                 Project plans + Kanban

Parameter	Default	Meaning / Significado
`SAMPLE_STRIDE`	3	Every 3rd frame / Cada 3 fotogramas
`CONFIDENCE_THRESHOLD`	0.5	Min 50% confidence / Confianza mínima 50%

Stride tradeoff / Compromiso:

stride=1 → most accurate / más preciso, 3× slower / más lento
stride=3 → good balance / buen equilibrio (default)
stride=5 → faster / más rápido, may miss brief appearances / puede perder apariciones breves

Demo Videos / Vídeos Demo

🇬🇧 Demo videos are not stored in Git. Download automatically with: 🇪🇸 Los vídeos demo no están en Git. Descárgalos automáticamente con:

python scripts/download_demo_videos.py

Alternatively, copy from team Google Drive Team Drive/demo_videos/ / Alternativamente, cópialos del Google Drive del equipo Team Drive/demo_videos/.

File / Archivo	Duration / Duración	Source / Fuente
`demo1.mp4`	45s	YouTube
`demo2.mp4`	29s	YouTube
`demo3.mp4`	36s	YouTube
`demo4.mp4`	62s	YouTube

How to Run Locally / Cómo Ejecutar en Local

source .venv/bin/activate

# Web app / Aplicación web
streamlit run app/streamlit_app.py
# → http://localhost:8501

# CLI tools / Herramientas CLI
python scripts/check_db.py                       # DB check / Verificar BD
python scripts/check_detect_image.py             # Model test / Probar modelo
python scripts/smoke_deploy.py                   # Pre-deploy checks
python scripts/test_db_insert.py                 # DB round-trip test
python scripts/verify_crops.py --video-id 1      # Verify crops / Verificar recortes
python scripts/download_demo_videos.py           # Download demo videos

How to Deploy / Cómo Desplegar

Streamlit Cloud

# 1. Push to GitHub / Sube a GitHub
git push origin main

# 2. Go to / Ve a: https://streamlit.io/cloud
# 3. New app → select repo → main file: app/streamlit_app.py
# 4. Add secrets / Añade secrets (App → Settings → Secrets):

DATABASE_URL          = "postgresql://..."
GEMINI_API_KEY        = "your_key"
MODEL_PATH            = "models/best.pt"
CONFIDENCE_THRESHOLD  = "0.5"
SAMPLE_STRIDE         = "3"

Streamlit Cloud reads runtime.txt, packages.txt, and requirements.txt automatically / Streamlit Cloud lee runtime.txt, packages.txt y requirements.txt automáticamente.

Docker

docker build -t brandsight .
docker run -p 8501:8501 --env-file .env brandsight

Verification Scripts / Scripts de Verificación

Script	Purpose / Propósito	Usage / Uso
`check_db.py`	Verify Supabase connection & schema / Verificar conexión y esquema	`python scripts/check_db.py`
`check_detect_image.py`	Quick YOLO test / Prueba rápida del modelo	`python scripts/check_detect_image.py`
`download_demo_videos.py`	Auto-download demo videos / Descarga automática	`python scripts/download_demo_videos.py`
`smoke_deploy.py`	Full pre-deploy verification / Verificación completa	`python scripts/smoke_deploy.py`
`test_db_insert.py`	DB round-trip test / Prueba CRUD completa	`python -m scripts.test_db_insert`
`verify_crops.py`	Check crop files / Verificar recortes en disco	`python scripts/verify_crops.py --video-id 1`

# Run all before deploying / Ejecutar todo antes de desplegar
python scripts/smoke_deploy.py && python -m scripts.test_db_insert

Push repo to GitHub (models/best.pt must be on the branch)
share.streamlit.io → New app → app/streamlit_app.py
Paste secrets (see .streamlit/secrets.toml.example) — DATABASE_URL, SUPABASE_URL, SUPABASE_SERVICE_ROLE_KEY, GEMINI_API_KEY, etc.
Deploy → verify sidebar Supabase connected → upload a short MP4 and run analysis

Role / Rol	Responsibilities / Responsabilidades
Product Owner + Frontend (Mar Izquierdo Vaquer)	Scope · user stories · README · demo videos · AI report · Streamlit UI · presentation / Alcance · historias de usuario · README · vídeos demo · informe IA · UI Streamlit · presentación
Scrum Master + Backend (Mirae Kang)	Kanban · Git/PRs · pipeline · Supabase · metrics · crops · deployment / Kanban · Git/PRs · pipeline · Supabase · métricas · recortes · despliegue
ML Engineer (Juan Miguel Iriondo Ortega)	Dataset (Roboflow) · training (Colab) · `best.pt` · `detect_image` · `detect_webcam`

Desarrollado como proyecto educativo para el bootcamp de desarrollo AI de Factoría F5 · 2026

Developed as an educational project for the AI development bootcamp at Factoría F5 · 2026

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Uh oh!

Repository files navigation

BrandSight 🥤

📋 Table of Contents / Índice

Problem Statement / Planteamiento del Problema

🇬🇧 English

🇪🇸 Español

Features / Funcionalidades

Architecture / Arquitectura

Project Structure / Estructura del Proyecto

Setup Instructions / Instrucciones de Configuración

Prerequisites / Prerrequisitos

Local Development / Desarrollo Local

Environment Variables / Variables de Entorno

Model Training / Entrenamiento del Modelo

Preprocessing & Augmentations / Preprocesado y Augmentaciones

Training Configuration / Configuración de Entrenamiento

Frame Sampling / Muestreo de Fotogramas

Demo Videos / Vídeos Demo

How to Run Locally / Cómo Ejecutar en Local

How to Deploy / Cómo Desplegar

Streamlit Cloud

Docker

Verification Scripts / Scripts de Verificación

About

Uh oh!

Contributors

Uh oh!

Languages

Name		Name	Last commit message	Last commit date
Latest commit History 71 Commits
.streamlit		.streamlit
app		app
data		data
docs		docs
models		models
notebooks		notebooks
scripts		scripts
sql		sql
src		src
tests		tests
.dockerignore		.dockerignore
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
Dockerfile		Dockerfile
README.md		README.md
requirements.txt		requirements.txt
runtime.txt		runtime.txt

Uh oh!

Folders and files

Latest commit

History

Repository files navigation

BrandSight 🥤

📋 Table of Contents / Índice

Problem Statement / Planteamiento del Problema

🇬🇧 English

🇪🇸 Español

Features / Funcionalidades

Architecture / Arquitectura

Project Structure / Estructura del Proyecto

Setup Instructions / Instrucciones de Configuración

Prerequisites / Prerrequisitos

Local Development / Desarrollo Local

Environment Variables / Variables de Entorno

Model Training / Entrenamiento del Modelo

Preprocessing & Augmentations / Preprocesado y Augmentaciones

Training Configuration / Configuración de Entrenamiento

Frame Sampling / Muestreo de Fotogramas

Demo Videos / Vídeos Demo

How to Run Locally / Cómo Ejecutar en Local

How to Deploy / Cómo Desplegar

Streamlit Cloud

Docker

Verification Scripts / Scripts de Verificación

About

Resources

Uh oh!

Stars

Watchers

Forks

Contributors

Uh oh!

Languages