Una mini-lección práctica para aprender detección de objetos en video con YOLOv8, en camino a modelos avanzados como SmolVLM.
Este proyecto surge como una respuesta al reciente auge de los modelos de detección en tiempo real y Vision-Language Models (VLMs) como SmolVLM.
En lugar de ofrecer una receta cerrada, esta implementación es una lección práctica e interactiva, con la intención de ayudar a entender cómo funciona internamente un sistema de detección basado en vídeo. Desde cómo se procesa el video, se detectan objetos y se filtran las clases, hasta cómo se visualiza el resultado final.
💡 Este proyecto está pensado como un primer paso lógico y accesible antes de abordar arquitecturas más complejas como SmolVLM.
- Detecta objetos en un video utilizando YOLOv8 preentrenado
- Usa una interfaz Gradio para subir y procesar tu propio video fácilmente
- Lista y visualiza todas las clases detectadas en pantalla
- Excluye manualmente algunas categorías poco relevantes (editable)
Por defecto, el sistema detecta todas las clases del dataset COCO, excepto unas pocas como hot dog, skateboard, laptop, etc.
Podés modificar fácilmente la lista EXCLUDED_CLASSES en el notebook para ajustar qué se detecta y qué no.
| Herramienta | Función principal |
|---|---|
| YOLOv8 (Ultralytics) | Modelo de detección de objetos |
| OpenCV | Procesamiento de frames de video |
| PyTorch | Backend de inferencia |
| Gradio | Interfaz web para pruebas |
| NumPy | Procesamiento de datos |
| Hugging Face Datasets | Referencia para nombres de clases (COCO) |
Product_Detector_YOLOv8/
├── Yolov8_Detector.ipynb # Notebook principal (en español)
├── requirements.txt # Dependencias necesarias
├── sample_gondola_video.mp4 # Video de ejemplo
├── assets/ # Visuales para documentación
│ ├── cheap.png
│ ├── detect.png
│ └── tolo-v8.png
- Abrí el notebook en Google Colab
- Montá tu Google Drive con la primera celda
- Ejecutá la instalación de dependencias con
requirements.txt - Cargá tu video o usá el de ejemplo (
sample_gondola_video.mp4) - Ejecutá la interfaz y observá cómo se listan los objetos detectados
Podés editar la lista de clases excluidas modificando esta línea:
EXCLUDED_CLASSES = ["apple", "orange", "hot dog", "skateboard", "laptop"]Si querés detectar absolutamente todo, simplemente dejala vacía:
EXCLUDED_CLASSES = []Este proyecto funciona como una introducción perfecta para luego abordar modelos visión-lenguaje como:
- SmolVLM
- MiniCPM-V2
- Qwen-VL
- OpenFlamingo
🧠 Una vez que comprendas el pipeline completo de detección con vídeo, estarás listo para trabajar con modelos que no solo ven, sino que también entienden.
Gonzalo Romero
DeepRat (HermesIA)
📍 AI Engineer, Educador Técnico & Hacker Ético de Datos
🔗 [LinkedIn] www.linkedin.com/in/gonzalo-romero-b9b5b4355 •
- 🧠 Próxima lección: SmolVLM con cámara en vivo en tiempo real
- 📖 Artículo explicativo en LinkedIn: https://www.linkedin.com/pulse/detecci%C3%B3n-de-objetos-en-video-con-yolov8-gu%C3%ADa-pr%C3%A1ctica-gonzalo-romero-qr4of
Este proyecto se distribuye bajo la Licencia MIT. Podés usarlo, modificarlo, compartirlo y adaptarlo libremente.
Si querés saber qué es lo que ve la IA, este es tu punto de partida.