inGeniia/multiple-objects_smart-checkout_cnn-det

🛒 Multiple Objects (Smart Checkout) - Detección YOLO

Dataset de imágenes anotadas con Bounding Boxes diseñado para entrenar modelos de Detección de Objetos en tiempo real. Este dataset forma parte del curso de Deep Learning de inGeniia.co, utilizado específicamente para enseñar arquitecturas CNN modernas (como YOLO11/YOLO26) y construir el proyecto de Cajero Inteligente (Smart Checkout).

🖼️ Descripción del Dataset

Este dataset simula el inventario reducido de un supermercado o tienda de conveniencia. Las imágenes están preparadas y etiquetadas en formato compatible con YOLO (coordenadas normalizadas relativas al centro: class_id x_center y_center width height).

• Tipo de Problema: Object Detection (Detección de Objetos Múltiples).
• Formato de Anotación: YOLO TXT format.
• Clases (8 productos):
  • 0: caja cereal
  • 1: cepillo dental
  • 2: gafas
  • 3: gorra
  • 4: manzana roja
  • 5: papel higienico
  • 6: soda
  • 7: zanahoria

📂 Estructura y Splits

El dataset está organizado en la estructura clásica requerida por Ultralytics YOLO, incluyendo imágenes (.jpg) y sus respectivas etiquetas (.txt).

• Train: Para el entrenamiento de los pesos de la red neuronal.
• Validation (Valid): Para el monitoreo de la pérdida (loss) y cálculo de métricas (mAP) durante el entrenamiento.
• Test: Dataset de evaluación independiente para probar la generalización del modelo.

🚀 Uso en el Curso (inGeniia)

Este dataset es la pieza central del Módulo 3: CNN Detección en nuestra plataforma. A lo largo del módulo, los estudiantes aprenden a:

1. Entender las Anotaciones: Comprender cómo funcionan los Bounding Boxes y las métricas de Intersection over Union (IoU).
2. Entrenar (Fine-Tuning): Tomar un modelo pre-entrenado de YOLO y reentrenarlo con este dataset usando PyTorch.
3. Desplegar a Producción: Construir un servicio de Streaming de video vía WebSockets procesado por GPUs en Google Cloud Run.

🛠️ Cómo usarlo con Ultralytics (Python)

Si deseas usar este dataset localmente para entrenar un modelo YOLO, puedes configurar tu archivo data.yaml apuntando a las carpetas descargadas:

# data.yaml
train: ../train/images
val: ../valid/images
test: ../test/images

nc: 8
names: ['caja cereal', 'cepillo dental', 'gafas', 'gorra', 'manzana roja', 'papel higienico', 'soda', 'zanahoria']

Y lanzar el entrenamiento:

from ultralytics import YOLO

# Cargar un modelo base
model = YOLO('yolo11n.pt')

# Iniciar entrenamiento con el dataset
results = model.train(data='ruta/a/tu/data.yaml', epochs=50, imgsz=640)

🎓 Créditos

• Organización: inGeniia.co
• Demo en Vivo: Interactúa con el modelo resultante de este dataset en el Laboratorio de IA de inGeniia.

---

Este dataset se comparte con fines educativos.