G3-COMPUTER-VISION

Brand Detection System

Sistema de detección de marcas en videos utilizando inteligencia artificial con YOLO y Computer Vision.

Descripción del Proyecto

Este proyecto implementa un sistema completo de detección de logos en videos para empresas de publicidad que necesitan medir el tiempo de exposición de marcas en contenido audiovisual. El sistema utiliza un modelo YOLO entrenado para detectar logos específicos (Adidas, Coca-Cola, y logos genéricos) en videos de YouTube y otras plataformas.

Características Principales

• Detección automática de logos en videos usando YOLO
• Procesamiento de videos desde URLs de YouTube/Vimeo con yt-dlp
• Interface web moderna con Streamlit y diseño profesional
• API REST con FastAPI para integración
• Base de datos Supabase para almacenamiento persistente
• Visualizaciones interactivas con Plotly
• Almacenamiento de crops en Supabase Storage

Arquitectura del Sistema

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Frontend      │    │    Backend      │    │    Database     │
│   Streamlit     │◄──►│    FastAPI      │◄──►│   Supabase      │
│                 │    │                 │    │                 │
│ - Dashboard     │    │ - Video Proc.   │    │ - Videos        │
│ - Process Video │    │ - YOLO Model    │    │ - Brands        │
│ - Analytics     │    │ - API Endpoints │    │ - Detections    │
└─────────────────┘    └─────────────────┘    └─────────────────┘

Tecnologías Utilizadas

Backend

• FastAPI - Framework web para API REST
• YOLO (Ultralytics) - Modelo de detección de objetos
• OpenCV - Procesamiento de imágenes
• yt-dlp - Descarga de videos
• Supabase - Base de datos y almacenamiento

Frontend

• Streamlit - Framework para aplicaciones web
• Plotly - Visualizaciones interactivas
• Pandas - Manipulación de datos
• CSS personalizado - Diseño profesional

Modelo de IA

• YOLO v8 - Detección de objetos en tiempo real
• Clases detectadas: Adidas Logo, Coca-Cola, Logo genérico

Estructura del Proyecto

G3-COMPUTER-VISION/
├── server/                     # Backend FastAPI
│   ├── main.py                # Aplicación principal
│   ├── model_loader.py        # Cargador del modelo YOLO
│   ├── database/              # Configuración de BD
│   │   ├── connection.py      # Conexión Supabase
│   │   └── schemas.py         # Esquemas Pydantic
│   ├── models/                # Modelos entrenados
│   │   └── best.pt           # Modelo YOLO entrenado
│   └── uploads/              # Archivos temporales
├── frontend_streamlit.py      # Frontend Streamlit
├── logo.png                   # Logo del proyecto (opcional)
├── requirements.txt           # Dependencias
└── README.md                 # Este archivo

Instalación y Configuración

Prerrequisitos

• Python 3.8+
• pip
• Cuenta de Supabase

1. Clonar el repositorio

git clone <repository-url>
cd G3-COMPUTER-VISION

2. Crear entorno virtual

python -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

3. Instalar dependencias

pip install -r requirements.txt

4. Configurar Supabase

1. Crea un proyecto en Supabase
2. Configura las credenciales en server/database/connection.py
3. Crea las siguientes tablas:

-- Tabla de marcas
CREATE TABLE brands (
    id SERIAL PRIMARY KEY,
    name VARCHAR(255) UNIQUE NOT NULL
);

-- Tabla de videos
CREATE TABLE videos (
    id SERIAL PRIMARY KEY,
    filename VARCHAR(255) NOT NULL,
    path VARCHAR(500),
    url VARCHAR(500),
    uploaded_at TIMESTAMP DEFAULT NOW(),
    duration FLOAT
);

-- Tabla de detecciones
CREATE TABLE detections (
    id SERIAL PRIMARY KEY,
    video_id INTEGER REFERENCES videos(id),
    brand_id INTEGER REFERENCES brands(id),
    start_time FLOAT NOT NULL,
    end_time FLOAT NOT NULL,
    confidence FLOAT,
    bbox_image_path VARCHAR(500)
);

5. Configurar Storage Buckets

Crea los siguientes buckets en Supabase Storage:

• videos - Para almacenar videos procesados
• crops - Para almacenar recortes de detecciones

Uso del Sistema

1. Iniciar el Backend

cd server
uvicorn main:app --reload --host 0.0.0.0 --port 8000

2. Iniciar el Frontend

streamlit run frontend_streamlit.py

3. Acceder a la Aplicación

• Frontend: http://localhost:8501
• API Backend: http://localhost:8000
• Documentación API: http://localhost:8000/docs

Funcionalidades

Dashboard

• Métricas en tiempo real de videos procesados
• Gráficos de marcas más detectadas
• Distribución de niveles de confianza
• Videos procesados recientemente

Procesamiento de Videos

• Entrada de URLs de YouTube/Vimeo
• Barra de progreso en tiempo real
• Detección automática de logos
• Almacenamiento de resultados

Gestión de Videos

• Lista de todos los videos procesados
• Filtros por nombre y número de detecciones
• Estadísticas por video
• Enlaces a videos originales

Gestión de Marcas

• Tabla interactiva de marcas detectadas
• Gráficos de rendimiento por marca
• Estadísticas de confianza promedio

API Endpoints

Videos

• GET /videos/ - Listar todos los videos
• POST /videos/ - Crear nuevo video
• GET /videos/{id} - Obtener video específico
• PUT /videos/{id} - Actualizar video
• DELETE /videos/{id} - Eliminar video

Marcas

• GET /brands/ - Listar todas las marcas
• POST /brands/ - Crear nueva marca
• PUT /brands/{id} - Actualizar marca
• DELETE /brands/{id} - Eliminar marca

Detecciones

• GET /detections/ - Listar todas las detecciones
• POST /detections/ - Crear nueva detección
• GET /detections/{id} - Obtener detección específica
• PUT /detections/{id} - Actualizar detección
• DELETE /detections/{id} - Eliminar detección

Procesamiento

• POST /process-video-url/ - Procesar video desde URL

Resultados de Pruebas

En pruebas realizadas con videos de YouTube:

• Videos procesados: 1
• Frames analizados: 360
• Logos detectados: 4 instancias
  • Coca-Cola: 3 detecciones
  • Adidas Logo: 1 detección
• Confianza promedio: >80%

Contribuir

1. Fork el proyecto
2. Crea una rama para tu feature (git checkout -b feature/AmazingFeature)
3. Commit tus cambios (git commit -m 'Add some AmazingFeature')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abre un Pull Request

Licencia

Este proyecto está bajo la Licencia MIT. Ver LICENSE para más detalles.

Contacto

• Proyecto: Brand Detection System
• Tecnología: Computer Vision + IA
• Framework: FastAPI + Streamlit

Reconocimientos

• Ultralytics YOLO - Modelo de detección
• Streamlit - Framework de frontend
• FastAPI - Framework de backend
• Supabase - Base de datos y almacenamiento