docs: add Spanish README

README.es-ES.md

@@ -0,0 +1,155 @@
+
+
+# Overwatch-AI-Aimbot
+
+![alt text](Assets/front.jpg)
+
+Detección de objetos con arquitectura YOLO/MOBILENET
+
+Se incluyen 2 modelos preentrenados en Workspace/pre-trained-models:
+
+1. SSD_MobileNet (320x320)
+2. SSD_MobileNet (640x640)
+
+Descomprima estos archivos .tar.gz usando `unzip.py`
+
+Para más modelos preentrenados, descárguelos en https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md
+
+## Paquetes Requeridos
+1. API de Detección de Objetos de Tensorflow: 
+
+   https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/install.html
+
+2. Herramienta LabelImg: https://github.com/tzutalin/labelImg
+
+3. Protocol Buffers: https://github.com/protocolbuffers/protobuf/releases
+
+4. Modelos Preentrenados: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md
+
+
+
+## Estructura de Archivos
+
+```
+─ Overwatch-AI-Aimbot/
+    ├─ Workspace/
+      ├─ annotations/
+      ├─ images/
+      	├─ screenshots/
+      	├─ train/
+      	├─ test/
+      ├─ my_models/
+      ├─ pre-trained-models/
+    ├─ processImg.py
+    ├─ unzip.py
+    ├─ testDetection.py
+    ├─ train.py
+    ├─ generate_tfrecord.py
+
+─ RealTimeObjectDetection/
+    ├─ Tensorflow
+      ├─ models/
+      	├─ research/
+      		├─ object_detection/
+      ├─ scripts/
+      	├─ generate_tfrecord.py
+    ├─ labelImg/
+      ├─ labelImg.py
+
+```
+
+**Overwatch-AI-Aimbot**: 
+
+- Clonee este repositorio
+- Coloque todas las imágenes en Workspace/images/
+- Coloque todos los modelos preentrenados en Workspace/pre-trained-models
+
+**RealTimeObjectDetection**: 
+
+- Cree la carpeta /RealTimeObjectDetection en el mismo directorio que la carpeta /Overwatch-AI-Aimbot
+- La carpeta /Tensorflow contiene el repositorio "models", el cual se clona vía https://github.com/tensorflow/models
+- La carpeta /Tensorflow contiene una carpeta "/scripts". Cree esta carpeta y pegue el archivo `generate_tfrecord.py` aquí
+- /RealTimeObjectDetection contiene el repositorio "labelImg", el cual se clona vía https://github.com/tzutalin/labelImg
+
+## preprocessImg.py
+Se utiliza para renombrar los nombres de archivos de imagen en orden ascendente 
+(Ej. 1.png, 2.png, etc.)
+
+Debe renombrar las imágenes primero, antes de hacer anotaciones usando labelImg.py
+
+```
+python preprocessImg.py [--filepath]
+```
+--filepath: Carpeta que contiene las imágenes
+
+Ej: `python processImg.py Workspace/images/screenshots`
+
+
+
+## unzip.py
+
+Se utiliza para descomprimir archivos .tar.gz o .tar. Útil para descomprimir archivos de modelos preentrenados
+
+```python
+python unzip.py
+```
+
+
+
+## train.py
+Se utiliza para procesar datos y entrenar el modelo
+- Los Tfrecords y labelmap generados estarán en Workspace/annotataions
+- Los pesos del modelo se guardarán en Workspace/my_model/{{CUSTOM_MODEL_NAME}}/
+
+
+Automáticamente:
+- Dividirá las imágenes en carpetas de train/test
+- Editará el archivo pipeline.config
+- Creará tfrecords a partir de las imágenes
+```
+python train.py [-L --labels] [-E --epochs] [-N --name] [-T --split] [-s --trainSize] [-M --model]
+```
+
+>--labels: (str) Etiquetas en formato json. Debe seguir la convención {'name': ..., 'id': ...}, donde 'name' es la etiqueta asignada en la herramienta labelImg.py.  
+> Separe las etiquetas usando triple asterisco (Ej. "{...}* * *{...}" )
+
+>--epochs: (int) Número de épocas de entrenamiento a ejecutar
+
+>--name: (str) Nombre del modelo personalizado 
+
+>--split: (str; opcional) `"yes"` o `"no"` (Por defecto 'no'). Si es "yes", dividirá automáticamente las imágenes y anotaciones en la carpeta /screenshots hacia las carpetas /train y /test utilizando trainSize 
+
+>--trainSize: (float; opcional) Tamaño del conjunto de entrenamiento (0-1, por defecto 1)
+
+> --model: (str; opcional) Modelo preentrenado a usar. Especifique el nombre de la carpeta que contiene el modelo preentrenado (ubicada en Workspace/pre-trained-models/) 
+>
+> (Por defecto ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8)
+
+Ej: 
+`python train.py -L "{'name': 'head', 'id': 1 }***{'name': 'body', 'id': 2 }" -E 50 -N "overwatch_mobnet" -T yes -S 0.7` -M "centernet_resnet50"
+
+Internamente, esto creará:
+- label=[{'name': 'head', 'id': 1 }, {'name': 'body', 'id': 2 }]
+- Ejecutará durante 50 épocas
+- Creará un modelo llamado "Overwatch_mobnet"
+- Dividirá los archivos en la carpeta /screenshot, con el 70% yendo a /train y el 30% restante a /test
+- Entrenará utilizando el modelo preentrenado "centernet_resnet50", que se puede encontrar en Workspace/pre-trained-models/centernet_resnet50
+- Ejecutará el entrenamiento del modelo, donde los resultados podrán encontrarse en my_models/overwatch_mobnet/
+
+
+
+## testDetection.py
+
+Se utiliza para probar custom_model
+
+```
+python testDetection.py
+```
+
+
+
+## generate_tfrecord.py
+
+Se utiliza para la creación del formato TFRecord a partir de archivos de imagen
+
+Pegue el archivo `generate_tfrecord.py` en /RealTimeObjectDetection/Tensorflow/scripts