Skip to content

README.md

Latest commit

 

History

History
124 lines (95 loc) · 3.36 KB

README.md

File metadata and controls

124 lines (95 loc) · 3.36 KB
Raw

Secure System - Detector de Cubo de Rubik con YOLO

Proyecto de detección de cubos de Rubik en tiempo real usando inteligencia artificial (YOLOv8) y cámara web.

Uso Principal

Detección en Tiempo Real

# Activar entorno virtual
entornoSecure\Scripts\activate

# Ejecutar detector principal
python main.py

Prueba Rápida

# Probar modelo entrenado
python test_webcam.py

Estructura del Proyecto

secureSystem/
├── PRODUCCIÓN
│   ├── main.py              # Detector principal con YOLO
│   ├── test_webcam.py       # Prueba del modelo entrenado  
│   ├── config.py            # Configuración del sistema
│   ├── camera_handler.py    # Manejo de cámara
│   └── requirements.txt     # Dependencias Python
│
├── DESARROLLO (scripts/)
│   ├── train_model.py       # Entrenar modelo YOLO
│   ├── capture_images.py    # Capturar imágenes
│   ├── label_images.py      #  Etiquetar dataset
│   ├── review_labels.py     # Revisar etiquetas
│   ├── prepare_dataset.py   # Preparar dataset YOLO
│   └── test_camera.py       # Encontrar índice cámara
│
├── TESTING
│   ├── README.md            # Docs para Surface Pro 5
│   ├── camera_frontal.py    # Pruebas Linux/libcamera
│   ├── ov5693.yaml          # Config cámara frontal
│   └── ov8865.yaml          # Config cámara trasera
│
├── MODELO IA
│   └── runs/detect/rubik_detector2/weights/best.pt  # Modelo entrenado
│
├── DATASETS
│   ├── dataset/             # Imágenes originales
│   └── yolo_dataset/        # Dataset formato YOLO
│
└── SISTEMA
    ├── entornoSecure/       # Entorno virtual Python
    └── .gitignore          # Control de versiones

Hardware Optimizado

  • GPU: NVIDIA RTX 3070 con CUDA
  • PyTorch: 2.7.1+cu118 (optimizado para CUDA)
  • Modelo: YOLOv8 nano (3M parámetros)
  • Rendimiento: ~30-60 FPS en tiempo real

Controles

Tecla Acción
Q Salir del programa
R Resetear contador de detecciones

Estadísticas del Modelo

  • Dataset: 283 imágenes etiquetadas
  • Entrenamiento: 226 imágenes (80%)
  • Validación: 57 imágenes (20%)
  • Época: 50 iteraciones
  • Precisión: Alta detección de cubos de Rubik

Resultados y Ejemplos

Detección en Tiempo Real

image

Interfaz principal mostrando detección con confianza del 95%

Ejemplos de Detección

Screenshot 2026-01-15 211122

Métricas de Entrenamiento

image

Progreso de entrenamiento: Pérdida y precisión por época

Desarrollo

Re-entrenar Modelo

cd scripts
python train_model.py

Capturar Más Datos

cd scripts
python capture_images.py    # Capturar fotos
python label_images.py      # Etiquetar manualmente
python review_labels.py     # Revisar y limpiar
python prepare_dataset.py   # Preparar para YOLO

Contacto

David Riquelme
Chile
david.riquelme.sb@gmail.com