🚀 Entrenando un modelo de clasificación con CNN: Tulipa vs Tulipa Invertida

En este proyecto desarrollé un modelo de visión por computadora capaz de clasificar imágenes en dos categorías:

• Tulipa correcta
• Tulipa invertida

El objetivo es aplicar este modelo en un entorno industrial para validar automáticamente la correcta orientación de componentes.

---

🧠 1. ¿Por qué elegí esta tecnología?

Antes de entrar en el código, es clave entender las decisiones técnicas detrás del proyecto.

🔹 Uso de CNN (Redes Neuronales Convolucionales)

Elegí una CNN porque:

• Es el estándar en problemas de visión por computadora.
• Detecta automáticamente patrones visuales (bordes, formas, texturas).
• Funciona muy bien con imágenes pequeñas (en este caso 48x48).
• No requiere ingeniería manual de features.

A diferencia de métodos clásicos de OpenCV (thresholding, edge detection, etc.), una CNN:

• Aprende directamente de los datos.
• Se adapta mejor a variaciones reales (iluminación, ruido y pequeñas rotaciones).

🔹 TensorFlow / Keras

Utilicé TensorFlow con Keras porque:

• Permite construir modelos de forma rápida y clara.
• Tiene integración directa con GPU.
• Es estándar en la industria.
• Facilita exportar el modelo para producción.

🔹 Clasificación binaria

El problema inicial es de clasificación binaria, por eso:

• Se usa una sola neurona de salida.
• Activación sigmoid.
• Función de pérdida binary_crossentropy.

Esto simplifica el modelo y mejora la estabilidad del entrenamiento.

🔹 Data Augmentation controlado

Apliqué transformaciones como:

• Rotación leve.
• Variaciones de brillo y contraste.

Y evité el uso de flips, porque invertir una imagen cambia completamente su clase.

🔹 GlobalAveragePooling en lugar de Flatten

Se utilizó GlobalAveragePooling2D porque:

• Reduce la cantidad de parámetros.
• Disminuye el riesgo de overfitting.
• Mejora la capacidad de generalización.

🔹 Uso de GPU

El entrenamiento se ejecuta en GPU para:

• Reducir tiempos de entrenamiento.
• Permitir iteraciones más rápidas.

---

⚙️ 2. Preparación del entorno

Se utilizó Google Colab junto con Google Drive para gestionar el dataset y los modelos.

🔗 Colab del proyecto: [Agregar link al notebook]
🔗 Repositorio en GitHub: [Agregar link al repositorio]

---

📁 3. Organización del dataset

El dataset está organizado en carpetas:

tulipas_dataset/
 ├── train/
 │    ├── tulipa/
 │    └── tulipa_invertida/
 └── val/
      ├── tulipa/
      └── tulipa_invertida/

Esta estructura permite cargar automáticamente las clases con TensorFlow.

---

🔄 4. Preprocesamiento de datos

Se aplican:

• Normalización (valores entre 0 y 1).
• Cache para evitar reprocesamiento.
• Shuffle para mejorar generalización.
• Prefetch para optimizar rendimiento.

---

🏗️ 5. Diseño del modelo CNN

El modelo está compuesto por:

• Data augmentation inicial.
• Bloques convolucionales (Conv2D + BatchNorm + MaxPooling).
• Clasificador con GlobalAveragePooling + Dense + Dropout.

---

🏋️ 6. Entrenamiento del modelo

Se utilizan callbacks clave:

• EarlyStopping (evita sobreentrenamiento).
• ReduceLROnPlateau (ajusta el learning rate).
• ModelCheckpoint (guarda el mejor modelo).

---

📊 7. Evaluación

El modelo se evalúa con datos no vistos para medir su rendimiento real.

---

💾 8. Exportación del modelo

El modelo se exporta para su uso en producción y se puede comprimir para distribución.

---

🔍 9. Inferencia

Se prueba el modelo con imágenes reales para validar su comportamiento en escenarios prácticos.

---

🔁 10. ¿Cómo escalar de 2 clases a N clases?

El mismo enfoque puede escalar a clasificación multiclase:

• Cambiar la capa de salida a Dense(N, activation="softmax").
• Usar categorical_crossentropy o sparse_categorical_crossentropy.
• Ajustar el dataset para incluir una carpeta por clase.
• Mantener callbacks y estrategia de evaluación por clase.

---

🧩 Conclusión

Este proyecto no solo consiste en entrenar un modelo, sino en diseñar una solución completa:

• Selección correcta de tecnología.
• Adaptación del modelo al problema real.
• Optimización para generalización.
• Preparación para uso en producción.

La clave está en entender que en entornos industriales, la robustez y la aplicabilidad son más importantes que simplemente alcanzar una métrica alta.

Si quisiera llevar este proyecto al siguiente nivel, los siguientes pasos serían:

• Matriz de confusión y métricas por clase.
• Comparación con métodos clásicos de visión por computadora.
• Integración directa con sistemas industriales en tiempo real.

Eso convertiría el modelo en una solución completamente productiva.