detect_logo

Limitaciones

• El modelo puede generar resultados con falsos positivos o falsos negativos, por lo que no debe usarse en entornos críticos (ej. seguridad, diagnóstico médico, decisiones legales).
• La precisión puede variar según la calidad y tipo de los datos de entrada.
• No está optimizado para todos los dispositivos, por lo que el rendimiento puede ser limitado en hardware con poca memoria o capacidad de cómputo.
• Puede reflejar sesgos presentes en los datos de entrenamiento.

---

Uso Responsable

• Este modelo está diseñado con fines educativos, de investigación y experimentación técnica.
• No debe utilizarse para:
  • Fines comerciales sin la debida autorización.
  • Generar o difundir contenido engañoso, ofensivo o dañino.
  • Vulnerar derechos de autor, marcas registradas u otros derechos de terceros.
• Se recomienda validar los resultados con expertos humanos antes de usarlos en aplicaciones reales.

---

Disclaimer Legal

⚠️ Aviso legal

• Este modelo puede incluir o haber sido entrenado con datos que hacen referencia a nombres, logotipos o marcas comerciales. Dichos elementos son propiedad de sus respectivos titulares.
• El uso de este modelo no implica relación, asociación ni respaldo por parte de las marcas, empresas o entidades mencionadas en los datos.
• El autor no se hace responsable de un uso indebido, incluyendo aplicaciones que infrinjan derechos de propiedad intelectual, difundan desinformación o incumplan normativas locales.
• El usuario final es responsable de garantizar un uso ético, legal y autorizado del modelo en cada contexto.

---

Licencia

Este modelo se distribuye bajo los términos de la licencia seleccionada en este repositorio.

• El usuario debe revisar y cumplir las condiciones de la licencia antes de utilizar el modelo.
• Si planeas emplear este modelo en un contexto comercial, asegúrate de que la licencia lo permita y de contar con las autorizaciones necesarias.
• En caso de reutilizar, modificar o redistribuir el modelo, deberás mantener la misma licencia y citar adecuadamente al autor.

---

🏆 YOLOv8 Sports Logo Detection: Medium vs Small Model Comparison

🚀 Modelos YOLOv8 para Detección de Logos Deportivos - Análisis Comparativo

Detección de Objetos de Alto Rendimiento para Reconocimiento de Marcas Deportivas

---

📋 Resumen de Modelos

Este repositorio presenta una comparación exhaustiva de tres modelos YOLOv8 entrenados para detección de logos deportivos, específicamente dirigidos al reconocimiento de Adidas, Nike y variantes de Adidas. Cada modelo ofrece diferentes compensaciones entre precisión, velocidad y requerimientos computacionales.

---

🎯 Comparación de Rendimiento

📊 Resumen de Métricas Clave

📈 Filas explicadas

[email protected] (Mean Average Precision con IoU=0.5)

• Mide qué tan bien detecta objetos cuando se permite un 50% de solapamiento.

• Medium gana (97.9%), es el más preciso en detección.

[email protected] (rango estricto de IoU entre 0.5 y 0.95)

• Es una métrica más exigente que considera precisión en diferentes grados de solapamiento.

• Medium gana (76.4%), significa que se adapta mejor a detecciones precisas.

Precisión (Precision)

• De todas las detecciones hechas, ¿cuántas son correctas? (evita falsos positivos).

• Nano gana (98.0%), detecta con menos falsos positivos, aunque no sea el más completo.

Recall

• De todos los objetos reales en la imagen, ¿cuántos detecta el modelo? (evita falsos negativos).

• Medium gana (95.7%), encuentra más objetos aunque arriesgue algún falso positivo.

F1-Score

• Balance entre Precisión y Recall.

• Medium gana (96.5%), mejor equilibrio general.

Tiempo de Entrenamiento

• Cuánto tardó cada modelo en entrenarse (en GPU estándar).

• Nano gana (2.55h), mucho más rápido de entrenar que Medium (11.6h).

---

🎨 Recursos Visuales

📊 Visualizaciones de Rendimiento - Modelo Nano

Evolución de Métricas de Entrenamiento

Curvas de Rendimiento

Análisis de Confusión - Nano

Ejemplos de Validación - Nano

---

📊 Visualizaciones de Rendimiento - Modelo Small

Evolución de Métricas de Entrenamiento

Curvas de Rendimiento

Análisis de Confusión - Small

Ejemplos de Validación - Small

---

📊 Visualizaciones de Rendimiento - Modelo Medium

Evolución de Métricas de Entrenamiento

Curvas de Rendimiento

Análisis de Confusión - Medium

Ejemplos de Validación - Medium

---

📊 Información del Dataset

🎯 Clases Detectadas

• adidas: Variantes principales del logo de Adidas
• nike: Logos swoosh y de texto de Nike
• adidas_1: Diseños alternativos de Adidas
• adidas_2: Variantes especializadas de Adidas

📸 Estadísticas del Dataset

• Total de Imágenes: 1,200+ muestras
• Conjunto de Entrenamiento: 70% (840+ imágenes)
• Conjunto de Validación: 20% (240+ imágenes)
• Conjunto de Prueba: 10% (120+ imágenes)
• Resolución de Imagen: 416×416 píxeles
• Formato de Anotación: Formato YOLO

---

🎯 Guía de Selección de Modelo

🚀 Elige Nano si necesitas:

• ✅ Inferencia en tiempo real (>100 FPS)
• ✅ Despliegue móvil/edge
• ✅ Consumo mínimo de recursos
• ✅ Escalado rentable
• ✅ Dispositivos con batería

⚖️ Elige Small si necesitas:

• ✅ Rendimiento/eficiencia balanceados
• ✅ Flexibilidad de despliegue en cloud
• ✅ Estabilidad de producción
• ✅ Requerimientos de precisión moderados
• ✅ Infraestructura de servidor estándar

🎯 Elige Medium si necesitas:

• ✅ Máxima precisión (97.9% [email protected])
• ✅ Rendimiento grado investigación
• ✅ Aplicaciones críticas
• ✅ Capacidades de análisis detallado
• ✅ Mejor rendimiento de recall (95.7%)

---

Última Actualización: 2 de Septiembre, 2025
Estado de Modelos: ✅ Listos para Producción
Licencia: MIT

Last Updated: September 2, 2025

*✔ Desarrollado: Juan Carlos Macías / Amigo IA (GitHub Copilot) Enlace portafolio

---