Estudio comparativo de tres configuraciones de YOLOv8 (YOLOv8n, YOLOv8s, YOLOv8m) en la detección de fracturas óseas

Ruta elegida y dataset

Se eligio la ruta de detección de objetos, para lo cual se elegio el dataset HBFMID El dataset contiene imágenes de rayos X etiquetadas con la presencia y ausencia de fracturas.

Fuente: https://www.kaggle.com/datasets/orvile/human-bone-fractures-image-dataset-hbfmid Licencia: https://creativecommons.org/licenses/by/4.0/

1. Descargar el dataset y subirlo a una carpeta llamada data(train, val, test) dentro de /content/drive

/content/drive/data/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/

Ejecución

Se recomienda usar una plataforma de notebooks como Google Colab para aprovechar el soporte de GPU.

1. Abre el notebook (Proyecto_Deteccion.ipynb)
2. Asegúrate de que el entorno de ejecución está configurado para usar una GPU
3. Instala las librerías necesarias, documentadas en requeriments.txt y en el notebook

Como entrenar y evaluar

1. La preparación del dataset ya esta lista para YOLO, incluso el código en su ejecución verificara si se encuentran las carpetas de train, test y val.
2. El script iniciará un bucle para entrenar cada una de las tres variantes de YOLOv8
3. Los resultados de las métricas de entrenamiento se obtendrán del archivo results.csv que se genera automáticamente en cada carpeta de entrenamiento.

Tablas y Gráficos

1. Las métricas de prueba se obtendrán directamente de la evaluación del modelo en el conjunto de prueba.
2. Los datos combinados de las métricas de entrenamiento y prueba se usarán para crear una tabla comparativa en formato CSV.
3. Para la inferencias se seleccionarán 5 imágenes aleatorias del conjunto de prueba. Para cada imagen, el script generará una comparación visual de las predicciones de los tres modelos.

Castro Casas Alexis Del Piero Alexisdelpiero3034@gmail.com 27/08/2025