Skip to content

model_weights.md

Latest commit

 

History

History
124 lines (91 loc) · 4.06 KB

model_weights.md

File metadata and controls

124 lines (91 loc) · 4.06 KB
Raw

Pesos del Modelo — SafeCross

SafeCross utiliza tres modelos YOLO independientes que trabajan juntos para tomar la decisión de cruce. Los pesos se encuentran en la carpeta weigths/ del repositorio (extraídos de la rama Results).

Modelos Disponibles

Archivo Tarea Arquitectura Tamaño
weigths/crosswalks.pt Detección de pasos de peatones YOLOv8n ~50 MB
weigths/lights.pt Detección de color de semáforo YOLOv8m ~50 MB
weigths/persons_cars.pt Detección de personas y vehículos YOLOv8n ~6 MB

Formatos adicionales disponibles (no incluidos en git por tamaño):

  • crosswalks.onnx (~99 MB) — para inferencia con ONNX Runtime
  • crosswalks.torchscript (~100 MB) — para deployment con TorchScript

Cómo Usar los Pesos

Los pesos se cargan automáticamente desde weigths/ cuando se usa el módulo principal de SafeCross:

from safecross.decide import can_cross, decide_verbose

# Decisión simple (True = cruzar, False = esperar)
resultado = can_cross("imagen.jpg")

# Decisión con detalles de diagnóstico
detalles = decide_verbose("imagen.jpg")
print(detalles)
# {
#   "can_cross": True,
#   "crosswalk_detected": True,
#   "n_crosswalks": 1,
#   "light_detected": True,
#   "light_color": "verde",
#   "reason": "Paso de peatones visible y semáforo en verde. Puede cruzar."
# }

Lógica de Decisión (3 modelos en conjunto)

Imagen de entrada
      │
      ▼
┌─────────────────┐
│ crosswalks.pt   │──► ¿Hay paso de peatones?
└─────────────────┘         │
    No → ESPERAR           Sí
                            │
                            ▼
                   ┌─────────────────┐
                   │  lights.pt      │──► ¿Qué color?
                   └─────────────────┘
                        │        │
                    Rojo/Amarillo  Verde
                        │            │
                     ESPERAR       CRUZAR ✓

Reglas:

  • CRUZAR si: paso de peatones visible + semáforo verde + sin vehículos en el cruce
  • ESPERAR (o pedir ayuda) si: sin paso de peatones, o semáforo rojo/amarillo, o vehículo en cruce

Métricas del Sistema Completo

Evaluado sobre 64 imágenes de prueba:

Clase Precisión Recall F1-Score
No cruzar 0.636 1.00 0.778
Cruzar 1.00 0.515 0.680

Puntos clave:

  • 0 Falsos Positivos: El sistema nunca indica "cruzar" cuando no es seguro
  • Tasa de 48% de Falsos Negativos: puede ser excesivamente conservador (indica esperar cuando sería seguro cruzar)
  • El objetivo principal — eliminar FP — se cumple completamente

Cómo Re-entrenar los Modelos

Modelo de luces de semáforo (lights.pt)

Ver instrucciones detalladas en ../trafficlight_detection/README.md.

cd trafficlight_detection/
python train.py   # fine-tuning de YOLOv8m, 80 epochs

Modelo de cruces peatonales (crosswalks.pt)

El modelo fue entrenado con fine-tuning de YOLOv8n sobre un dataset de imágenes de cruces peatonales. Ver notebooks en la rama Crosswalk:

  • CrossWalk/First_Data_Set/Fine_tuning.ipynb

Modelo de personas y vehículos (persons_cars.pt)

Entrenado con YOLOv8n para detectar personas y vehículos en el contexto de cruces peatonales.

Notas sobre el .gitignore

Los archivos .pt de los modelos entrenados SÍ están incluidos en este repositorio (en weigths/) ya que son el resultado final del proyecto.

Lo que está excluido por tamaño:

  • Archivos .onnx y .torchscript (exportaciones grandes)
  • El peso base yolov8m.pt (se descarga automáticamente de Ultralytics)
  • Outputs de entrenamiento en runs/