# aprendeingenia/sistema-de-reconocimiento-facial-y-liveness architecture

> Architecture diagram of the GitHub repository aprendeingenia/sistema-de-reconocimiento-facial-y-liveness, generated by GitDiagram from its file tree, README and a sample of source files (last updated 2025-09-14). It is an AI-made overview: check details against the source.

- Interactive diagram: https://gitdiagram.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness
- Repository: https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness

## Overview

Para guiar al ingeniero principal en la elaboración de un diagrama de arquitectura preciso para este proyecto de “Sistema de reconocimiento facial y Liveness” (incluyendo detección de accesorios con YOLOv8), sigue estos pasos:

##### Identificación del tipo de proyecto y propósito
- Proyecto de Python orientado a visión por computadora: combina un sistema de reconocimiento facial, prueba de liveness y detección de objetos (accesorios) con YOLOv8.
- Componentes principales: entrenamiento de modelos, configuración de ambiente, y pipeline de inferencia en tiempo real.

##### Análisis de la estructura de ficheros
- SetUp/: scripts de inicialización y descarga de datos/pre-requisitos.
- splitData.py: módulo para dividir datos de entrenamiento/validación.
- Train.py: orquesta el entrenamiento de YOLOv8 (objetos) y/o modelos de reconocimiento facial/liveness.
- FaceRecognitionSystem.py: lógica de reconocimiento facial y prueba de vida.
- ObjecDetectInference.py: wrapper para inferencia con el modelo YOLOv8 de detección de accesorios.
- main.py: punto de entrada; integra detección de accesorios + reconocimiento facial + liveness.
- requirements.txt: dependencias (OpenCV, face_recognition, ultralytics/YOLOv8, numpy, etc.).

##### Lectura de README
- Indica dos versiones: v1.0 (reconocimiento + liveness) y v1.1 (adición de detección de accesorios con YOLOv8).
- Explica el flujo general y las bibliotecas clave.

##### Componentes principales a dibujar
a. Data Preparation
- splitData.py
- SetUp scripts
b. Training
- Train.py
- Salida:
- pesos modelo YOLOv8 (accesorios)
- modelos de reconocimiento facial y liveness
c. Model Storage
- Carpeta/modelos entrenados
d. Inference Pipeline (main.py)
- Captura de video/cámara
- Llamada a ObjecDetectInference.py → detecta accesorios
- Llamada a FaceRecognitionSystem.py → reconocimiento facial + liveness
- Lógica de decisión (¿accesorios? ¿cara conocida? ¿pasó prueba de vida?)
- Output: “Acceso permitido/denegado” y visualización en UI (OpenCV).

##### Relaciones e interacciones
- Flechas unidireccionales:
- Data Preparation → Training
- Training → Model Storage
- Model Storage → Inference Pipeline
- Inference Pipeline: flujo secuencial Cámara → ObjecDetect → FaceRec/Liveness → Decisión
- Marca los recursos compartidos (archivos de pesos, configuraciones).

##### Patrones y principios arquitectónicos
- Separación de responsabilidades: scripts independientes para setup, data splits, entrenamiento y servicio de inferencia.
- Pipeline de ML: ETL (splitData), entrenamiento, despliegue/inferencia.
- Modularidad: cada script es una “caja negra” con una responsabilidad clara.

##### Tecnologías clave en el diagrama
- Python 3.x
- OpenCV (captura y visualización)
- face_recognition (detección y reconocimiento facial)
- ultralytics/YOLOv8 (entrenamiento e inferencia de detección de accesorios)
- Dependencias del requirements.txt

##### Guías para el diagrama
- Utilizar rectángulos para componentes (DataPrep, Training, Inference).
- Usar íconos o etiquetas: “Camera”, “File System”, “Model Store”.
- Flechas con etiquetas de datos: “imágenes raw”, “pesos YOLOv8”, “frames de cámara”.
- Colores:
- Azul para etapas de entrenamiento
- Verde para pipeline de inferencia
- Naranja para almacenamiento
- Incluir:
- Título del diagrama: “Arquitectura – Reconocimiento Facial + Liveness + Detección de Accesorios”
- Notas breves sobre cada módulo

##### Detalles finales
- Asegurar que cada componente lleve un label claro.
- Mostrar flujos de datos y dependencias de ficheros.
- No sobrecargar: concentrarse en las 3 capas (Preparación, Entrenamiento, Inferencia).
- Incluir un rectángulo para “External Videos/Docs” si se desea documentar enlaces a tutoriales o repositorio.

Siguiendo esta guía, el diagrama ofrecerá una vista completa y detallada de cómo los datos fluyen desde la captura hasta la decisión final en el sistema de reconocimiento facial con prueba de liveness y detección de accesorios.

## Diagram (Mermaid)

```mermaid
flowchart TB
    %% Title
    Title["Arquitectura – Reconocimiento Facial + Liveness + Detección de Accesorios"]

    subgraph "Data Preparation"
        SD["splitData.py"]:::dataprep
        SU["Setup Scripts"]:::dataprep
    end

    subgraph "Training"
        TR["Train.py"]:::training
    end

    subgraph "Model Storage"
        MS["Model Store"]:::storage
    end

    subgraph "Inference Pipeline"
        MAIN["main.py"]:::inference
        CAM["Camera Capture"]:::inference
        OD["ObjecDetectInference.py"]:::inference
        FR["FaceRecognitionSystem.py"]:::inference
        DEC["Decision Logic"]:::inference
        UI["UI Output (OpenCV)"]:::inference
    end

    subgraph "Project Docs & Deps"
        REQ["requirements.txt"]:::external
        RD["README.md"]:::external
    end

    %% Data flow
    SD -->|"imágenes raw"| TR
    SU -->|"scripts de init"| TR
    TR -->|"pesos & modelos"| MS
    MS -->|"modelos & pesos"| MAIN
    MAIN -->|"inicia pipeline"| CAM
    CAM -->|"frames de cámara"| OD
    OD -->|"detección de accesorios"| FR
    FR -->|"reconocimiento + liveness"| DEC
    DEC -->|"resultado"| UI

    %% Click Events
    click SD "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/blob/main/splitData.py"
    click SU "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/tree/main/SetUp/"
    click TR "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/blob/main/Train.py"
    click MS "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/tree/main/models/"
    click MAIN "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/blob/main/main.py"
    click OD "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/blob/main/ObjecDetectInference.py"
    click FR "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/blob/main/FaceRecognitionSystem.py"
    click REQ "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/blob/main/requirements.txt"
    click RD "https://github.com/aprendeingenia/sistema-de-reconocimiento-facial-y-liveness/blob/main/README.md"

    %% Styles
    classDef dataprep fill:#D6EAF8,stroke:#1B4F72,color:#1B4F72;
    classDef training fill:#AED6F1,stroke:#1B4F72,color:#1B4F72;
    classDef storage fill:#FAD7A0,stroke:#B9770E,color:#B9770E;
    classDef inference fill:#D5F5E3,stroke:#145A32,color:#145A32;
    classDef external fill:#E5E8E8,stroke:#566573,color:#566573;
    class Title fill:#F2F4F4,stroke:#7B7D7D,color:#7B7D7D,font-weight:bold;
    class SD,SU dataprep
    class TR training
    class MS storage
    class MAIN,CAM,OD,FR,DEC,UI inference
    class REQ,RD external
```
