> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/spanish/function-blocks/blocks-reference/ai-blocks/object-detection-custom-cpu.md). # Object Detection - Custom (CPU) Este bloque de función te permite ejecutar un detector de objetos personalizado sobre una imagen de entrada usando tus propios archivos de weight, config y class. Usa los controles para cargar los archivos del modelo, elegir qué clases detectar y ajustar el umbral de confianza. El bloque devuelve una imagen de resultado visual y también datos estructurados de detección (conteos, ubicaciones, tamaños y etiquetas) para uso posterior. ## 📥 Entradas `Image Any`\ Imagen que será procesada por el detector personalizado. ## 📤 Salidas `Image Any`\ Imagen anotada con las detecciones (cajas/etiquetas) dibujadas. `Object Count`\ Número de objetos detectados en el fotograma. `Object Locations`\ Posiciones centrales de los objetos detectados (múltiples). `Object Sizes (w, h)`\ Ancho y alto de cada objeto detectado (múltiples). `Object Class`\ Nombres de las clases detectadas (múltiples). `Rectangles`\ Coordenadas de las cajas delimitadoras para cada detección (múltiples). ## 🕹️ Controles `Open Weight File`\ Botón para cargar el archivo de pesos del detector (por ejemplo, .weights). `Open Config File`\ Botón para cargar el archivo de configuración del detector (por ejemplo, .cfg). `Open Class File`\ Botón para cargar el archivo de nombres de clases (archivo de texto plano). Después de cargarlo, los nombres de las clases se llenan en la tabla. `Class Names`\ Tabla que muestra las clases disponibles. Alterna las filas para seleccionar qué clases debe informar el detector. `Confidence Threshold %`\ Deslizador para establecer la confianza mínima requerida para que se informe una detección. Aumenta el valor para reducir falsos positivos; disminúyelo para capturar detecciones más débiles. ## 🎯 Características * Carga sencilla de recursos de modelo personalizados mediante botones de UI. * Subconjunto de clases seleccionables para centrar la detección en objetos relevantes. * Devuelve tanto salida visual como datos: imagen anotada, conteos, posiciones, tamaños, etiquetas de clase y rectángulos. * Funcionamiento compatible con CPU para sistemas sin GPU. ## 📝 Instrucciones de uso 1. Haz clic en `Open Weight File` y selecciona tu archivo de pesos del detector. 2. Haz clic en `Open Config File` y selecciona el archivo de configuración correspondiente. 3. Haz clic en `Open Class File` y carga el archivo de texto con los nombres de las clases. La tabla `Class Names` se llenará. 4. Alterna las filas en `Class Names` para elegir qué clases quieres detectar. 5. Alimenta una imagen al puerto `Image Any`. 6. Ajusta `Confidence Threshold %` para controlar cuán estrictas deben ser las detecciones. 7. Lee los valores de salida o conecta bloques posteriores para reaccionar ante las detecciones. ## 📊 Qué hace el bloque al ejecutarse * Procesa la imagen de entrada con el detector cargado usando las clases seleccionadas y el umbral de confianza establecido. * Produce una imagen anotada en `Image Any` y datos de detección en las demás salidas para conteo, medición, seguimiento, registro o toma de decisiones. ## 💡 Consejos y trucos * Si quieres inspeccionar visualmente los resultados en una ventana más grande, conecta la salida `Image Any` al bloque `Show Image`. * Para dibujar superposiciones personalizadas o formatear las anotaciones de detección de otra forma, usa el bloque `Draw Detections` con las salidas `Rectangles` y de conteo. * Para aumentar el rendimiento en imágenes grandes, inserta `Image Resizer` antes de este bloque para reducir la resolución; esto suele acelerar la detección con poco impacto en la precisión. * Limita el área de búsqueda para acelerar y estabilizar resultados recortando con `Image ROI Select` o `Image ROI` antes de alimentar la imagen. * Para mantener un registro de los fotogramas con detecciones, conecta la salida de imagen anotada a `Image Logger` o `Image Write`. * En escenarios continuos donde quieras mantener identidades entre fotogramas, empareja este bloque con `Object_Detection_Tracker` usando las salidas de rectángulos y clases. * Si necesitas un detector alternativo rápido para pruebas, compara resultados con los bloques `Object Detection` o `Object Detection (D-FINE)` (si están disponibles) para encontrar el mejor equilibrio entre velocidad y calidad. ## 🛠️ Solución de problemas * No aparecen clases después de cargar el archivo de clases * Asegúrate de haber seleccionado el archivo correcto (texto plano con una clase por línea). Usa `Open Class File` de nuevo si es necesario. * El detector informa demasiados falsos positivos * Aumenta `Confidence Threshold %`. También prueba redimensionar la imagen con `Image Resizer` o restringir el área con `Image ROI Select`. * El detector no detecta objetos pequeños o lejanos * Reduce cuidadosamente `Confidence Threshold %`, o pasa una imagen de mayor resolución al bloque (evita tamaños extremadamente grandes — usa `Image Resizer` para equilibrar velocidad y detalle). * Rendimiento lento en CPU * Reduce la resolución de entrada con `Image Resizer` o recorta la región de interés con `Image ROI Select`. Considera ejecutar la detección con menor frecuencia (por ejemplo, procesamiento por lotes). * Necesitas actuar sobre las detecciones en otras partes del flujo * Usa las salidas numéricas y estructuradas (`Object Count`, `Object Locations`, `Rectangles`, `Object Class`) para alimentar bloques lógicos, de registro o de seguimiento como `Object_Detection_Tracker`.