YOLO Complexity Lab

Laboratorio académico local en Streamlit para explicar YOLO en tiempo real y comparar tiempo de ejecución y complejidad computacional frente a detectores CNN clásicos.

Enfoque

El recurso no intenta demostrar mAP (Mean Average Precision). El foco de la exposición es:

1. Mostrar YOLO actual en vivo con webcam local.
2. Comparar Faster R-CNN / SSDlite / YOLO11n con el mismo input.
3. Explicar tiempo y complejidad usando n = H × W.

Métricas principales:

• Latencia media y p95.
• FPS efectivo.
• n = H × W como tamaño de entrada.
• MACs/GFLOPs aproximados.
• Parámetros del modelo.
• Clases reconocidas como apoyo visual, no como métrica formal de precisión.

Modelos incluidos

• yolo11n.pt — YOLO ligero.
• yolo11s.pt — YOLO mediano.
• best.pt — demo local opcional de gestos, si el archivo existe en el repo.
• ssdlite320_mobilenet_v3_large — detector CNN one-stage.
• fasterrcnn_mobilenet_v3_large_320_fpn — detector CNN two-stage.

Flujo recomendado para la exposición

1. En el panel lateral dejá seleccionada la ruta YOLO actual en vivo.
2. Abrí la pestaña Benchmark y usá Iniciar YOLO en vivo para mostrar tiempo real.
3. Cambiá la ruta a Comparación CNN vs YOLO.
4. Ejecutá la comparación con la imagen demo persona/perro/fruta.
5. Explicá la conclusión:
   • con el mismo n = H×W, YOLO suele ganar en latencia/FPS;
   • GFLOPs es un proxy de costo;
   • el reconocimiento visual ayuda a discutir falsos positivos/falsos negativos.

Trabajo en equipo

Si vas a pulir la parte visual/front, empezá por:

• app.py para layout, tabs, textos, métricas y gráficos.
• .streamlit/config.toml para colores/tema global.
• docs/VISUAL_GUIDE.md si quieren documentar nuevas decisiones visuales.

La UI actual usa tema claro, pocas tarjetas, textos cortos y una ruta de benchmark pensada para exposición.

No subas .venv/, pesos .pt, videos pesados ni resultados generados. Los pesos YOLO se guardan fuera del repo en ~/.cache/yolo-complexity-lab/weights/.

Instalación recomendada

Nota: no instales con pip del sistema. Este proyecto ya usa .venv para evitar el error externally-managed-environment.

git clone https://github.com/AlejandroTatum/yolo-complexity-lab.git
cd yolo-complexity-lab
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

En este equipo se validó con python3.14 dentro de .venv y torch 2.12.0+cu130.

Ejecutar

source .venv/bin/activate
streamlit run app.py

Big-O usado

Complejidad convolucional principal:

O(Σ_l H_l × W_l × C_in_l × C_out_l × K_l²)

Versión didáctica con n = H × W:

O(L × n × C_in × C_out × K²)

Postprocesamiento con NMS:

O(B²)

Para detectores two-stage se agrega costo por regiones:

O(Σ conv + R × C_roi + NMS)

Exportación

Los resultados quedan persistidos en la sesión de Streamlit. Podés descargar CSV sin perder la tabla ni repetir el benchmark.

Los CSV se guardan automáticamente en:

outputs/university/complejidad-computacional/PROYECTO001_YOLO_COMPLEXITY_LAB_Alejandro_Padilla/results/

Validación rápida sin dependencias pesadas

python3 scripts/smoke_check.py

Estado del proyecto

Proyecto académico preparado para demostraciones locales. Las métricas dependen del hardware y del entorno de ejecución; no representan una evaluación formal de precisión entre modelos.

Assets de demo

La imagen local assets/demo_person_dog_fruit.jpg combina:

• zidane.jpg, asset de ejemplo incluido con Ultralytics.
• Foto de perro con banana de Karsten Winegeart en Unsplash (de5wBys0nok).

Se usa solo como lámina didáctica local para comparar reconocimiento, falsos positivos y tiempos.