LogoTracker Pro

Plataforma que detecta automáticamente logos en videos y fotos de influencers.

Resumen rápido

• Analiza videos e imágenes para localizar marcas y medir tiempo de exposición del logo.
• Genera informes que permiten verificar el cumplimiento de acuerdos publicitarios.

¿Qué problema resolvemos?

Imagínate que una marca como Nike paga a un influencer para mostrar un producto y exige que el logo aparezca claramente durante X segundos. Hoy esa verificación es manual, lenta y propensa a errores. LogoTracker Pro automatiza esa tarea y entrega resultados en minutos.

Nuestra solución

• Procesado automático de videos e imágenes.
• Detección de logos específicos (Nike y Adidas).
• Medición precisa del tiempo de aparición del logo.
• Informes exportables para auditoría y facturación.

Cómo funciona (resumen técnico)

• Modelos de computer vision entrenados para detección de logos.
• Pipeline que extrae frames, ejecuta la inferencia y calcula métricas temporales.
• Componentes principales:
  • backend/: API, lógica del modelo, manejo de videos y almacenamiento temporal.
  • frontend/: interfaz (React) para visualizar resultados y lanzar análisis.

Marcas iniciales soportadas

• Nike (swoosh)
• Adidas (tres rayas)
• (Se pueden añadir más marcas entrenando/añadiendo nuevos modelos)

Notas técnicas y cambios importantes (rutas de arranque)

1. Dockerfile del Backend

   • Crea automáticamente el directorio runs/debug_frames para guardar capturas de debug.
   • Configura el directorio de configuración de Ultralytics en /root/.config/Ultralytics.
   • Ajusta permisos para evitar warnings al iniciar.

2. docker-compose.yml

   • Servicio backend expuesto en el puerto 8000.
   • Servicio frontend expuesto en el puerto 3000.
   • Variable de entorno añadida: YOLO_CONFIG_DIR=/root/.config/Ultralytics.
   • Volúmenes persistentes configurados:
     • debug_frames (frames generados durante análisis)
     • downloads (archivos temporales/descargas)
   • Red interna app-network para la comunicación entre servicios.

3. Código del Backend (backend/app/main.py)

   • Se crea el directorio runs/debug_frames antes de montar StaticFiles.
   • Evita el error de "directorio inexistente" al iniciar la aplicación.

🚀 LogoTracker Pro

Plataforma inteligente para la detección automática de logos en videos y fotos de influencers.

1. 🌐 Demo en Vivo

🚀 Aplicación desplegada: [Próximamente - En desarrollo]

Nota: El proyecto se encuentra actualmente en desarrollo activo. La demo estará disponible próximamente.

---

2. 📚 Descripción del Proyecto

LogoTracker Pro resuelve el problema de verificar la presencia de logos en contenido de influencers, automatizando el análisis de videos e imágenes para marcas como Nike y Adidas. El sistema detecta logos, mide el tiempo de exposición y genera informes en minutos, eliminando el trabajo manual y los errores humanos.

¿Qué problema resolvemos?

• Verificación automática de contratos publicitarios (ej: "El logo debe aparecer 15 segundos").
• Ahorro de tiempo: de 2-4 horas manuales a minutos automáticos.
• Informes precisos y exportables para auditoría y facturación.

Nuestra solución

• Detección automática de logos en videos e imágenes.
• Medición exacta del tiempo de aparición.
• Soporte inicial para Nike y Adidas (fácilmente ampliable).

---

3. 🏗️ Estructura del Proyecto

computer_vision_G5/
│
├── 🐍 backend/               # Backend FastAPI, lógica de análisis y API
│   └── app/
│       ├── core/            # Configuración y utilidades
│       ├── db/              # Servicios y rutas de base de datos
│       ├── model/           # Descarga y ejecución de modelos
│       └── main.py          # API principal
│
├── 🖥️ frontend/              # Frontend React
│   ├── src/                 # Componentes, páginas y servicios
│   └── public/              # Recursos estáticos
│
├── 🤖 model/                 # Modelos de IA y scripts de inferencia           
└── README.md

---

4. 🛠️ Tecnologías Utilizadas

Backend

• Python 3.10+
• FastAPI
• Ultralytics (YOLO)
• Supabase (opcional)

Frontend

• React
• Vite
• Tailwind CSS

Machine Learning

• YOLOv8 (detección de logos)
• OpenCV

DevOps

• Docker
• Docker Compose

---

5. 📋 Requisitos Previos

• Docker y Docker Compose instalados
• 8GB RAM mínimo recomendado
• GPU opcional para acelerar inferencia

---

6. 🚀 Instalación y Uso

6.1. Clonar el repositorio

git clone https://github.com/andalons/computer_vision_G5.git
cd computer_vision_G5

6.2. Configurar variables de entorno

Edita .env.example y renómbralo a .env si necesitas personalizar credenciales.

6.3. Construir y levantar los servicios con Docker Compose

# Navegar al directorio del proyecto
cd C:\Users\admin\Desktop\proyecto_12\trabajo\computer_vision_G5

# Construir e iniciar todos los servicios
docker-compose up --build

# Para ejecutar en segundo plano (detached)
docker-compose up --build -d

# Para detener los servicios
docker-compose down

6.4. (Opcional) Instalar dependencias manualmente

# Crear y activar un entorno virtual (recomendado)
python -m venv venv
.\venv\Scripts\activate

# Instalar dependencias del backend
pip install -r backend/requirements.txt
pip install -r backend/app/requirements.txt

---

7. 📡 URLs disponibles

• Frontend (React): http://localhost:3000
• Backend API: http://localhost:8000
• Documentación API (Swagger): http://localhost:8000/docs
• API Schema: http://localhost:8000/openapi.json
• Documentación alternativa (Redoc): http://localhost:8000/redoc

---

8. 🎯 Características Principales

• Detección automática de logos en videos e imágenes
• Medición precisa del tiempo de exposición
• Informes exportables
• Soporte inicial para Nike y Adidas
• Arquitectura escalable y modular

---

9. 📝 Licencia

Este proyecto está distribuido bajo la Licencia Factoria F5.

---

Desarrollado con ❤️ por el equipo LogoTracker Pro

Aplicando inteligencia artificial para optimizar la verificación de campañas de marketing y contratos publicitarios.