CarlosEsquivelSinfonte/vit-waste-segregation

ViT afinado para clasificación de residuos sólidos

Modelo Vision Transformer (ViT) afinado para clasificar imágenes de residuos sólidos en 9 categorías, desarrollado como parte del Quiz 02 del curso Aprendizaje Automático del Programa de Ciencia de Datos, Instituto Tecnológico de Costa Rica (ITCR).

Clases

El modelo clasifica imágenes en 9 categorías de residuos sólidos provenientes del dataset WasteWise: Know Your Waste.

Metodología

Se partió del modelo preentrenado google/vit-base-patch16-224-in21k, el cual fue preentrenado en ImageNet-21k con 14 millones de imágenes y 21,000 clases. Se reemplazó la cabeza de clasificación original por una nueva adaptada a las 9 clases del dataset.

Preparación de datos:

• Fuente: WasteWise: Know Your Waste (Kaggle)
• División estratificada: 70% entrenamiento, 15% validación, 15% pruebas
• Preprocesamiento: redimensionamiento a 224×224 px y normalización con media y desviación estándar de ImageNet

Hiperparámetros:

• Tasa de aprendizaje: 2e-4
• Tamaño de lote: 16
• Épocas máximas: 10
• Weight decay: 0.01
• Warmup steps: 100
• Criterio de parada: Early stopping con patience=3

Infraestructura: Google Colab con GPU T4

Resultados de entrenamiento

Época	Training Loss	Validation Loss	Accuracy
1	1.953428	1.528971	0.5625
2	1.000155	0.877994	0.7292
3	0.413463	0.630204	0.7917
4	0.177567	0.509301	0.8750
5	0.076250	0.620498	0.8125
6	0.045616	0.583018	0.8333
7	0.034395	0.574307	0.8264

El entrenamiento se detuvo en la época 7 por early stopping. El mejor modelo corresponde a la época 4 con accuracy de validación de 87.5%.