lego-bricks-ml-vision 0.1.31

A package for LEGO brick detection and visualization using YOLO.

LEGO Bricks ML Vision

LEGO Bricks ML Vision es un paquete de Python diseñado para detectar y visualizar piezas de LEGO en imágenes usando YOLOv8 y pipelines personalizados. Este proyecto aborda el problema de identificar piezas individuales en entornos desordenados y proporciona herramientas de visualización para análisis y presentaciones profesionales.

---

Características Principales

• Detección de Objetos: Identificación de piezas de LEGO utilizando YOLOv8.
• Preprocesamiento de Datos: Herramientas para redimensionar imágenes y asegurar consistencia en los nombres de archivos.
• Conversión de Anotaciones: Transformación de formatos de LabelMe a YOLO.
• Visualización: Generación de grids anotados, comparaciones y organización de carpetas para presentaciones.
• Pipeline Modular: Diseño adaptable para escalabilidad y personalización.

---

Requisitos del Sistema

• Versión de Python: >= 3.8
• Sistemas Operativos Compatibles: Windows, macOS, Linux
• Hardware Recomendado:
  • CPU (mínimo)
  • GPU (opcional, recomendado para entrenamiento)

---

Instalación

1. Instala el paquete directamente desde PyPI:

   pip install lego-bricks-ml-vision
   

2. Alternativamente, clona el repositorio:

   git clone https://github.com/MiguelDiLalla/LEGO_Bricks_ML_Vision.git
   cd LEGO_Bricks_ML_Vision
   pip install -e .
   

---

Uso

Configuración del Entorno

Ejecuta el siguiente script para preparar el entorno:

from scripts.pipeline import setup_environment
setup_environment()

Ejecución del Pipeline Principal

El pipeline principal realiza detección, preprocesamiento, entrenamiento y pruebas:

run-pipeline

Generación de Visualizaciones

Crea visualizaciones profesionales para análisis:

run-visualize

---

Detalles de Scripts y Funciones

Pipeline Principal (pipeline.py)

• setup_environment(): Configura el entorno necesario.
• download_dataset_from_kaggle(): Descarga y extrae datasets desde Kaggle.
• preprocess_images(): Redimensiona imágenes.
• labelme_to_yolo(): Convierte anotaciones LabelMe a formato YOLO.
• train_yolo_pipeline(): Entrena un modelo YOLO con datos procesados.
• test_model_on_real_images(): Evalúa el modelo entrenado en imágenes reales.
• visualize_results(): Genera un grid de imágenes anotadas.

Visualización y Presentaciones (visualize_presentation.py)

• create_dataset_grid(): Genera grids de imágenes del dataset.
• annotate_model_results(): Anota imágenes con resultados del modelo.
• generate_comparison_grid(): Crea comparaciones antes/después de la detección.
• organize_presentation_folders(): Organiza subcarpetas para presentaciones.

---

Ejemplos Prácticos

Preprocesamiento de Imágenes

from scripts.pipeline import preprocess_images
preprocess_images("datasets/raw", "datasets/processed")

Entrenamiento de Modelo YOLO

from scripts.pipeline import train_yolo_pipeline
train_yolo_pipeline("datasets", annotations_format="YOLO", epochs=50, img_size=256)

Generación de Grids

from scripts.visualize_presentation import create_dataset_grid
create_dataset_grid("datasets/processed_images", "presentation/dataset_samples")

---

Estructura del Proyecto

LEGO_Bricks_ML_Vision/
├── data/              # Datos crudos y procesados
├── scripts/           # Scripts principales
│   ├── pipeline.py    # Pipeline de entrenamiento
│   ├── visualize_presentation.py  # Visualización y presentación
├── presentation/      # Visualizaciones generadas
├── requirements.txt   # Dependencias del proyecto
├── setup.py           # Configuración del paquete
├── README.md          # Documentación del proyecto

---

Contribuciones

Las contribuciones son bienvenidas. Sigue estos pasos:

1. Haz un fork del repositorio.

2. Crea una rama para tu contribución:

   git checkout -b feature/nueva-funcionalidad
   

3. Envía un pull request explicando tus cambios.

---

Licencia

Este proyecto está bajo la Licencia Apache 2.0.