---
language:
- es
license: cc-by-4.0
task_categories:
- object-detection
tags:
- computer-vision
- retail
- e-commerce
- yolo26
- yolo11
- cnn
- bounding-box
- curso-ingeniia
size_categories:
- 1K<n<10K
dataset_info:
  features:
  - name: image
    dtype: image
  - name: objects
    list:
      - name: bbox
        sequence: float32
      - name: category
        dtype:
          class_label:
            names:
              '0': caja cereal
              '1': cepillo dental
              '2': gafas
              '3': gorra
              '4': manzana roja
              '5': papel higienico
              '6': soda
              '7': zanahoria
configs:
- config_name: default
  data_files:
  - split: train
    path: train/**
  - split: validation
    path: valid/**
  - split: test
    path: test/**
---

# 🛒 Multiple Objects (Smart Checkout) - Detección YOLO

Dataset de imágenes anotadas con *Bounding Boxes* diseñado para entrenar modelos de Detección de Objetos en tiempo real. Este dataset forma parte del curso de **Deep Learning** de **inGeniia.co**, utilizado específicamente para enseñar arquitecturas CNN modernas (como YOLO11/YOLO26) y construir el proyecto de **Cajero Inteligente (Smart Checkout)**.

## 🖼️ Descripción del Dataset

Este dataset simula el inventario reducido de un supermercado o tienda de conveniencia. Las imágenes están preparadas y etiquetadas en formato compatible con YOLO (coordenadas normalizadas relativas al centro: `class_id x_center y_center width height`).

* **Tipo de Problema:** Object Detection (Detección de Objetos Múltiples).
* **Formato de Anotación:** YOLO TXT format.
* **Clases (8 productos):**
    * `0`: caja cereal
    * `1`: cepillo dental
    * `2`: gafas
    * `3`: gorra
    * `4`: manzana roja
    * `5`: papel higienico
    * `6`: soda
    * `7`: zanahoria

## 📂 Estructura y Splits

El dataset está organizado en la estructura clásica requerida por Ultralytics YOLO, incluyendo imágenes (`.jpg`) y sus respectivas etiquetas (`.txt`).

* **Train:** Para el entrenamiento de los pesos de la red neuronal.
* **Validation (Valid):** Para el monitoreo de la pérdida (loss) y cálculo de métricas (mAP) durante el entrenamiento.
* **Test:** Dataset de evaluación independiente para probar la generalización del modelo.

## 🚀 Uso en el Curso (inGeniia)

Este dataset es la pieza central del **Módulo 3: CNN Detección** en nuestra plataforma. A lo largo del módulo, los estudiantes aprenden a:
1. **Entender las Anotaciones:** Comprender cómo funcionan los *Bounding Boxes* y las métricas de Intersection over Union (IoU).
2. **Entrenar (Fine-Tuning):** Tomar un modelo pre-entrenado de YOLO y reentrenarlo con este dataset usando PyTorch.
3. **Desplegar a Producción:** Construir un servicio de Streaming de video vía WebSockets procesado por GPUs en Google Cloud Run.

## 🛠️ Cómo usarlo con Ultralytics (Python)

Si deseas usar este dataset localmente para entrenar un modelo YOLO, puedes configurar tu archivo `data.yaml` apuntando a las carpetas descargadas:

```yaml
# data.yaml
train: ../train/images
val: ../valid/images
test: ../test/images

nc: 8
names: ['caja cereal', 'cepillo dental', 'gafas', 'gorra', 'manzana roja', 'papel higienico', 'soda', 'zanahoria']
```

Y lanzar el entrenamiento:

```python
from ultralytics import YOLO

# Cargar un modelo base
model = YOLO('yolo11n.pt')

# Iniciar entrenamiento con el dataset
results = model.train(data='ruta/a/tu/data.yaml', epochs=50, imgsz=640)
```


## 🎓 Créditos

* **Organización:** [inGeniia.co](https://www.ingeniia.co)
* **Demo en Vivo:** Interactúa con el modelo resultante de este dataset en el [Laboratorio de IA de inGeniia](https://www.google.com/search?q=https://www.ingeniia.co/cnn_det_demo).

---

*Este dataset se comparte con fines educativos.*