Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/angelsc75/logo_detector

Detector de logos de marcas deportivas en vídeos.
https://github.com/angelsc75/logo_detector

fastapi opencv python streamlit yolov8

Last synced: 13 days ago
JSON representation

Detector de logos de marcas deportivas en vídeos.

Awesome Lists containing this project

README 

        
# Logo_Detector



# Detección de Marcas en Vídeos e Imágenes

Nota: Este proyecto está realizado dentro del bootcamp de IA de Factoría F5, que tuvo lugar entre mayo de 2024 y marzo de 2025. Es un proyecto hecho en pareja que corresponde a la parte de Computer Vision.



Este proyecto implementa un sistema de detección de marcas en videos e imágenes, con conexión a una base de datos y una API desarrollada con FastAPI. Además, incluye una interfaz interactiva basada en Streamlit para gestionar y visualizar los resultados de detección.



## Características Principales



- **Procesamiento de Datos**: Preparación del dataset en formato YOLO a partir de anotaciones XML.

- **Detección de Logos**: Uso de modelos YOLO para detectar logos de marcas como Adidas, Nike y Puma en vídeos.

- **Gestor de Detecciones**: API RESTful para gestionar registros en la base de datos.

- **Interfaz Gráfica**: Aplicación de Streamlit para visualizar resultados, eliminar detecciones y analizar datos.

- **Base de Datos**: Almacenamiento de las detecciones en una base de datos SQLite.



## Estructura del Proyecto



```

brand_detection_Angel_Leire

    ├── app

    │   ├── api.py

    │   ├── config.py

    │   ├── core

    │   │   └── reporting

    │   ├── __init__.py

    │   └── streamlit_app.py

    ├── data

    │   ├── dataset_yolo

    │   │   └── data.yaml

    │   ├── metodos_data

    │   │   ├── dataset_organaizer.py

    │   │   ├── __init__.py

    │   │   ├── labeling.py

    │   │   ├── nombrado_archivos.py

    │   │   ├── scrape_logos.py

    │   │   └── xml_to_yolo.py

    │   ├── preparar_data_set.py

    │   ├── raw

    │   │   ├── images

    │   │   └── videos

    │   ├── test

    │   │   ├── images

    │   │   └── labels

    │   ├── train

    │   │   ├── images

    │   │   ├── labels

    │   │   └── labels.cache

    │   └── val

    │       ├── images

    │       ├── labels

    │       └── labels.cache

    ├── deployment

    │   ├── ci_cd

    │   └── cloud

    ├── docker-compose.yml

    ├── Dockerfile

    ├── frontend

    ├── models

    │   ├── best_model.pth

    │   ├── confusion_matrix.png

    │   ├── evaluation_report.txt

    │   ├── __init__.py

    │   ├── logo_detector.py

    │   └── plots

    │       └── training_results.png

    ├── notebooks

    ├── README.md

    ├── requirements.txt

    ├── scripts

    ├── src

    │   ├── api

    │   │   ├── __init__.py

    │   │   ├── main.py

    │   │   ├── routes

    │   │   ├── schemas

    │   │   └── services

    │   ├── config

    │   ├── db_migration.py

    │   ├── models

    │   ├── scraping

    │   └── utils

    │       ├── helpers.py

    │       └── __init__.py

    ├── test

    │   ├── conftest.py

    │   ├── __init__.py

    │   ├── test_api.py

    │   ├── test_detection.py

    │   ├── test_labeling.py

    │   ├── test_reporting.py

    │   └── test_video.py

    ├── venv

    │   ├── etc

    │   │   └── jupyter

    │   ├── lib64 -> lib

    │   ├── pyvenv.cfg

    │   └── share

    │       ├── jupyter

    │       └── man

    └── videos

```



## Requisitos



- **Python 3.8 o superior**

- Bibliotecas requeridas:

  - `FastAPI`

  - `Streamlit`

  - `SQLite`

  - `Plotly`

  - `Pandas`

  - `Pillow`

  - `requests`



## Instalación



1. Clona este repositorio:

   ```bash

   git clone 

   cd 

   ```



2. Instala las dependencias:

   ```bash

   pip install -r requirements.txt

   ```



3. Asegúrate de que la base de datos esté disponible en `database/detections.db`.



## Uso



### 1. Preparar el Dataset



Ejecuta el script `preparar_data_set.py` para generar el dataset en formato YOLO:

```bash

python src/preparar_data_set.py

```



### 2. Ejecutar la API



Inicia el servidor FastAPI para gestionar detecciones:

```bash

uvicorn src.api:app --reload

```



### 3. Ejecutar la Aplicación Streamlit



Ejecuta la interfaz de usuario para gestionar y analizar las detecciones:

```bash

streamlit run src/streamlit_app.py

```



### 4. Procesar Videos



Desde la aplicación de Streamlit, selecciona "Procesar Video" en el menú lateral. Sube un video y configura las marcas y umbrales de confianza deseados.



### 5. Gestionar Detecciones



Usa la sección "Gestión de Detecciones" en Streamlit para buscar, visualizar y eliminar detecciones almacenadas en la base de datos.



## API Endpoints



- **GET /detections/**: Devuelve las detecciones filtradas según los parámetros especificados.

- **DELETE /detections/{rowid}**: Elimina una detección por su ID.



Consulta la documentación completa de la API en:

```

http://127.0.0.1:8000/docs

```



## Personalización



- **Marcas Detectables**: Modifica las marcas en `preparar_data_set.py` y en la configuración del modelo YOLO para añadir o eliminar marcas detectables.

- **Modelos**: Coloca nuevos modelos entrenados en `runs/detect` y actualiza la configuración si es necesario.

- **Interfaz**: Personaliza la aplicación Streamlit modificando `streamlit_app.py`.



## Contribución

Si deseas contribuir al proyecto:



- Fork el repositorio

- Crea una rama para tu funcionalidad

- Realiza tus cambios

- Envía un pull request



#Presentación del proyecto

https://www.canva.com/design/DAGc1d60Bc8/qvUJ5jf38_IBhfyuBs-aWQ/view?utm_content=DAGc1d60Bc8&utm_campaign=designshare&utm_medium=link2&utm_source=uniquelinks&utlId=h4750ae4094



## Contacto

Para preguntas o sugerencias, por favor abre un issue en el repositorio.



## Autores



- Leire Martín-Berdinos y Ángel Sanz Crespo