Update README.md

README.md

@@ -1,3 +1,118 @@
----
-license: cc-by-4.0
----
+---
+language:
+- es
+license: cc-by-4.0
+task_categories:
+- object-detection
+tags:
+- computer-vision
+- retail
+- e-commerce
+- yolo26
+- yolo11
+- cnn
+- bounding-box
+- curso-ingeniia
+size_categories:
+- 1K<n<10K
+dataset_info:
+  features:
+  - name: image
+    dtype: image
+  - name: objects
+    list:
+      - name: bbox
+        sequence: float32
+      - name: category
+        dtype:
+          class_label:
+            names:
+              '0': caja cereal
+              '1': cepillo dental
+              '2': gafas
+              '3': gorra
+              '4': manzana roja
+              '5': papel higienico
+              '6': soda
+              '7': zanahoria
+configs:
+- config_name: default
+  data_files:
+  - split: train
+    path: train/**
+  - split: validation
+    path: valid/**
+  - split: test
+    path: test/**
+---
+
+# 🛒 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:
+
+```yaml
+# 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:
+
+```python
+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](https://www.ingeniia.co)
+* **Demo en Vivo:** Interactúa con el modelo resultante de este dataset en el [Laboratorio de IA de inGeniia](https://www.google.com/search?q=https://www.ingeniia.co/cnn_det_demo).
+
+---
+
+*Este dataset se comparte con fines educativos.*