VAAET - Puente General Manuel Belgrano (YOLO 11)

Sistema avanzado de análisis de tránsito vehicular para el puente General Manuel Belgrano, optimizado para cámaras SISE dinámicas y videos de larga duración. Cumple 13 requisitos funcionales y de calidad, con selección automática de modelo YOLO 11, tracking persistente, cálculo híbrido de velocidad, multi-cámara, perspectiva, históricos, persistencia segura y outputs concisos.

🚦 Requisitos clave implementados

1. Carga de video: Solo acepta archivos con formato bridge_YYYY-MM-DD_HH-MM-SS_to_HH-MM-SS.mp4.
2. Selección automática de modelo YOLO 11:
   • <1h: yolo11x.pt
   • 1-3h: yolo11l.pt
   • 3-6h: yolo11m.pt
   • 6-12h: yolo11s.pt

   • 12h: yolo11n.pt

3. Persistencia opcional: Guarda datos válidos cada minuto en PostgreSQL AWS RDS (seguro, sin credenciales hardcode).
4. Cálculo híbrido de velocidad: Real + Optical Flow Farneback + CNN (suavizado), con límites por tipo y exclusión de estacionados.
5. Multi-cámara: Detección automática de layout (1, 2 o 4 vistas) y procesamiento por ROI.
6. Perspectiva: Homografías calibrables por layout, con carga externa opcional.
7. Tracking persistente: Asignación de IDs robustos con SORT ligero.
8. Históricos: Panel informativo y persistencia usan promedios recientes cuando no hay detecciones.
9. Descarga automática: Video procesado con overlays y métricas.
10. Optimización Colab: Frame skipping adaptativo, limpieza de memoria y soporte para entornos gratuitos/pro.
11. Modularidad y robustez: Código desacoplado, funciones auxiliares, logging y gestión de errores.
12. Notebook compacto: ~8–10 celdas claras y fáciles de seguir.
13. Outputs claros: Mensajes de éxito/error en cada paso.

📝 Uso paso a paso

1. Ejecuta las celdas en orden (no se ejecutan automáticamente):

   1. Autodiagnóstico YOLO 11 (verifica versión Ultralytics y descarga pesos yolo11 si faltan)
   2. Carga de dependencias y utilidades
   3. load_and_validate_video() (valida nombre y selecciona modelo por duración)
   4. initialize_video_processing()
   5. (Opcional) Ejecuta la celda de mejoras avanzadas (tracking y optical flow Farneback)
   6. Celda final: ejecuta process_bridge_video()

2. Carga tu video con el formato correcto. Si el nombre no cumple, el sistema aborta.

3. Elige si deseas persistir en base de datos una sola vez (usa variables de entorno DB_HOST, DB_PORT, DB_NAME, DB_USER, DB_PASSWORD si están definidas).

4. Procesa el video. El sistema detecta vehículos, calcula velocidades, excluye estacionados, adapta a multi-cámara y guarda resultados.

5. Descarga automática del video procesado al finalizar.

6. Nota: Si tus pesos se llaman “yolov11*.pt”, el sistema los normaliza automáticamente a “yolo11*.pt”.

⚡ Mejoras avanzadas

• Tracking y Optical Flow: Habilítalos ejecutando la celda de mejoras avanzadas.
• Homografías externas: Puedes cargar matrices calibradas desde un JSON externo.
• Calibración rápida: Incluida una utilidad para generar matrices y asignarlas manualmente.

🛡️ Seguridad

• Nunca expone credenciales en outputs.
• Persistencia solo si todas las variables de entorno están presentes.

🏗️ Contexto puente y cámaras

• 1700m longitud, 8.3m calzada, cámaras SISE a 60m, multi-vista, zoom, visión nocturna, etc.

🧩 Dependencias

• Python 3.8+
• ultralytics, opencv-python, numpy, scikit-learn, scipy, psycopg2-binary

Instala dependencias con:

pip install ultralytics opencv-python numpy scikit-learn scipy psycopg2-binary

📋 Esquema PostgreSQL esperado

CREATE TABLE IF NOT EXISTS traffic_data (
  id SERIAL PRIMARY KEY,
  clip_id TEXT NOT NULL,
  record_time TIMESTAMP NOT NULL,
  avg_speed NUMERIC(5,2) NOT NULL,
  count_car INTEGER NOT NULL,
  count_truck INTEGER NOT NULL,
  count_bus INTEGER NOT NULL,
  count_motorcycle INTEGER NOT NULL,
  count_bicycle INTEGER NOT NULL,
  total_vehicles INTEGER NOT NULL,
  UNIQUE (clip_id, record_time)
);

❓ Soporte

Para calibración, integración avanzada o dudas, consulta el notebook y los comentarios en cada celda.