DeepWind: Detección de Defectos en Aerogeneradores con Deep Learning

🎯 Descripción del Proyecto

DeepWind es una solución basada en Deep Learning (YOLO) para la detección automática de defectos en aerogeneradores.

🛠️ Requisitos

kaggle
ultralytics
gradio
Pillow
opencv-python

📊 Dataset

El dataset (SHIHAVUDDIN & Chen, 2018) está accesible a través de Kaggle. Está sujeto a la licencia CC BY-NC 4.0, por lo que este proyecto también se acoge a dicha licencia. El dataset puede descargarse automáticamente utilizando la API de Kaggle. Para configurarlo:

1. Asegúrate de tener credenciales de Kaggle (~/.kaggle/kaggle.json)
2. Ejecuta el script de descarga:

   python download_data.py
   

🚀 Entrenamiento

Opción 1: Entrenamiento Local

Ejecuta el script de entrenamiento:

from train import train_model

results = train_model(
    data_yaml="yolo_dataset/data.yaml",
    epochs=50,
    batch_size=32,
    optimizer="AdamW"
)

Opción 2: Google Colab

1. Abre deepwind_colab_training.ipynb en Google Colab.
2. Configura los hiperparámetros.
3. Ejecuta todas las celdas (e inicia sesión con Google en el caso de que tengas el dataset en el Google Drive)

💣 Inferencia

Opción 1: Inferencia en local

1. Clona el proyecto (git clone https://github.com/ErikSarriegui/DeepWind) o descarga el modelo (model/deepwind_model.pt)
2. Utiliza la librería ultralytics para cargar el modelo y realizar inferencias:

from ultralytics import YOLO

model = YOLO("deepwind_model.pt")
resultados = model("path_a_tu_imagen")

Opción 2: Gradio en Google Colab

1. Abre deepwind_colab_inference.ipynb en Google Colab.
2. Ejecuta todas las celdas
3. Accede al link de Gradio

📈 Rendimiento (Primera Iteración)

A continuación se detalla el rendimiento de la primera iteración del modelo en términos de mAP (mean Average Precision) para dos métricas: mAP50 y mAP50-95. Este es un punto de partida, y se continuará trabajando en mejorar el modelo en futuras iteraciones.

mAP50

• Total (all): 0.823
• Suciedad (Dirt): 0.953
• Daño (Damage): 0.69

mAP50-95

• Total (all): 0.597
• Suciedad (Dirt): 0.811
• Daño (Damage): 0.382

Nota: Este es el resultado inicial del modelo, y se planean ajustes y mejoras en iteraciones posteriores para optimizar su rendimiento.

Referencias

• SHIHAVUDDIN, ASM; Chen, Xiao (2018), “DTU - Drone inspection images of wind turbine”, Mendeley Data, V2, doi: 10.17632/hd96prn3nc.2