Create README.md

README.md

@@ -0,0 +1,83 @@
+---
+license: mit
+language:
+- es
+---
+# Modelo de Reconocimiento Facial de Expresiones
+
+## Descripción
+
+Este modelo ha sido entrenado para clasificar expresiones faciales en siete categorías: Enfadado, Disgustado, Miedo, Feliz, Triste, Sorprendido y Neutral. Es parte de un proyecto del curso de especialización en IA y Big Data, diseñado para demostrar el uso de modelos preentrenados y técnicas de Fine-Tuning en la clasificación de imágenes.
+
+## Detalles del Modelo
+
+- **Arquitectura**: ResNet50
+- **Dataset de Entrenamiento**: [FER2013](https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data)
+- **Número de Etiquetas**: 7
+- **Tamaño de Imagen**: 224x224
+- **Función de Activación de Salida**: Softmax
+- **Función de Pérdida**: CrossEntropyLoss
+- **Optimizador**: Adam
+- **Tasa de Aprendizaje**: 0.001
+
+## Transformaciones de Datos
+
+Durante el preprocesamiento, las imágenes se sometieron a las siguientes transformaciones:
+
+- **Resize**: 224x224
+- **RandomHorizontalFlip**: True
+- **ColorJitter**: 
+  - Brillo: 0.2
+  - Contraste: 0.2
+  - Saturación: 0.2
+  - Tinte: 0.1
+- **Normalize**:
+  - Media: [0.485, 0.456, 0.406]
+  - Desviación Estándar: [0.229, 0.224, 0.225]
+
+## Mejoras Realizadas
+
+- **Congelación y Descongelación Selectiva de Capas**: Descongelamos las últimas capas de la red preentrenada para permitir un ajuste más fino.
+- **Early Stopping**: Implementamos early stopping para detener el entrenamiento cuando la precisión de validación 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 alcanzó los siguientes resultados durante el entrenamiento y validación:
+
+- **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 imágenes 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()
+
+# Configuración
+with open("config.json") as f:
+    config = json.load(f)
+
+# Preprocesamiento de imágenes
+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())