Modelo de Reconocimiento Facial de Expresiones
Descripci贸n
Este modelo ha sido entrenado para clasificar expresiones faciales en siete categor铆as: Enfadado, Disgustado, Miedo, Feliz, Triste, Sorprendido y Neutral. Es parte de un proyecto del curso de especializaci贸n en IA y Big Data, dise帽ado para demostrar el uso de modelos preentrenados y t茅cnicas de Fine-Tuning en la clasificaci贸n de im谩genes.
Detalles del Modelo
- Arquitectura: ResNet50
- Dataset de Entrenamiento: FER2013
- N煤mero de Etiquetas: 7
- Tama帽o de Imagen: 224x224
- Funci贸n de Activaci贸n de Salida: Softmax
- Funci贸n de P茅rdida: CrossEntropyLoss
- Optimizador: Adam
- Tasa de Aprendizaje: 0.001
Transformaciones de Datos
Durante el preprocesamiento, las im谩genes se sometieron a las siguientes transformaciones:
- Resize: 224x224
- RandomHorizontalFlip: True
- ColorJitter:
- Brillo: 0.2
- Contraste: 0.2
- Saturaci贸n: 0.2
- Tinte: 0.1
- Normalize:
- Media: [0.485, 0.456, 0.406]
- Desviaci贸n Est谩ndar: [0.229, 0.224, 0.225]
Mejoras Realizadas
- Congelaci贸n y Descongelaci贸n Selectiva de Capas: Descongelamos las 煤ltimas capas de la red preentrenada para permitir un ajuste m谩s fino.
- Early Stopping: Implementamos early stopping para detener el entrenamiento cuando la precisi贸n de validaci贸n dejaba de mejorar.
- Scheduler de Tasa de Aprendizaje: Utilizamos un scheduler para reducir la tasa de aprendizaje durante el entrenamiento, ayudando a afinar el modelo.
Resultados
El modelo alcanz贸 los siguientes resultados durante el entrenamiento y validaci贸n:
- Train Accuracy: ~97.5%
- Validation Accuracy: ~61%
- Test Accuracy: ~62.5%
Uso del Modelo
Para utilizar este modelo, puedes cargarlo y realizar predicciones en nuevas im谩genes de la siguiente manera:
import torch
from torchvision import models, transforms
import json
from PIL import Image
# Cargar el modelo
model = models.resnet50()
model.load_state_dict(torch.load("pytorch_model.bin"))
model.eval()
# Configuraci贸n
with open("config.json") as f:
config = json.load(f)
# Preprocesamiento de im谩genes
transform = transforms.Compose([
transforms.Resize((config["image_size"], config["image_size"])),
transforms.ToTensor(),
transforms.Normalize(mean=config["transformations"]["Normalize"]["mean"], std=config["transformations"]["Normalize"]["std"])
])
# Ejemplo de uso con una imagen
image = Image.open("ruta_a_tu_imagen.jpg")
image = transform(image).unsqueeze(0)
output = model(image)
_, predicted = torch.max(output, 1)
print("Predicted emotion:", predicted.item())
- Downloads last month
- 4
Unable to determine this model鈥檚 pipeline type. Check the
docs
.