File size: 2,824 Bytes
b7cdcce |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 |
---
license: mit
language:
- es
---
# 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](https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data)
- **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:
```python
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()) |