Carlosmg23/fruit-ripeness-v2

Modelo v2 - Clasificacion de estado de frutas (12 clases)

Modelo de la Actividad 11. Compara tres representaciones y selecciona la provisional.

Decision

• Ninguna alternativa de despliegue supero el criterio de robustez.
• Se conserva la base del 04 como modelo provisional.
• B se reporta como referencia interpretable, pero no se selecciona porque no es TFLite-directo.

Comparacion en valid

modelo	f1_macro	exactitud_balanceada	qwk
Base 04	0.5493	0.5749	0.6652
A. TTA	0.5602	0.5845	0.6971
B. RF color	0.5004	0.4753	0.6147
B. RF color+textura	0.4993	0.4618	0.6382
B. RF seleccionado	0.5071	0.4764	0.6379
C. Multi-task	0.4834	0.4938	0.6220

Bootstrap agrupado por sesion

modelo	delta_medio	ic95_bajo	ic95_alto	prob_mejora_positiva	n_iter	criterio	tiempo_s	mejora_confirmada
A. TTA	0.0107	-0.0016	0.0244	0.9500	1000	IC95 inferior > 0	4.3000	False
B. RF seleccionado	-0.0440	-0.0867	0.0009	0.0270	1000	IC95 inferior > 0	5.1000	False
C. Multi-task	-0.0659	-0.1043	-0.0277	0.0000	1000	IC95 inferior > 0	4.1000	False

Matriz de decision

modelo	tipo	tflite	latencia	f1_macro
Base 04	Keras (1 salida)	si	1x	0.5493
A. TTA	Keras + TTA	si	5x	0.5602
B. RF color	Tabla (sklearn)	no	CPU, no TFLite	0.5004
B. RF color+textura	Tabla (sklearn)	no	CPU, no TFLite	0.4993
B. RF seleccionado	Tabla (sklearn)	no	CPU, no TFLite	0.5071
C. Multi-task	Keras (2 salidas)	si	1x	0.4834

Resultados en test

modelo	exactitud	exactitud_balanceada	f1_macro	f1_ponderado	top3	mae_nivel	qwk	adyacente
Mayoria	0.4131	0.0833	0.0487	0.2415	0.4713	0.5764	0.0000	0.8957
Random Forest	0.6694	0.5147	0.5217	0.6568	0.8812	0.3436	0.6546	0.9394
Criterio 03	0.5958	0.5720	0.5335	0.6322	nan	0.5166	0.5532	0.9022
MobileNetV2	0.6621	0.6334	0.5940	0.6636	0.9038	0.3678	0.6899	0.9523

Calibracion

• Temperatura: 1.162
• ECE antes: 0.0706
• ECE despues: 0.0323

TensorFlow Lite

• Tamano: 2.43 MB
• Latencia mediana: 19.7 ms
• Salidas: [[1, 12]]

Uso

from huggingface_hub import hf_hub_download
import tensorflow as tf

ruta = hf_hub_download(repo_id="Carlosmg23/fruit-ripeness-v2",
                       filename="modelo_final_v2.keras")
modelo = tf.keras.models.load_model(ruta)
prob = modelo.predict(imagen_224)   # imagen en [0, 255]

Limitaciones

• B. Random Forest es interpretable pero no se convierte directamente a TFLite.
• TTA multiplica la latencia por 5 si se selecciona.
• El conjunto externo del 05 es pequeno y sintetico; no se reejecuta aqui.
• Rotten es deterioro, no una etapa de maduracion.
• El APK y la encuesta de usabilidad quedan pendientes.

Licencia

CC BY 4.0. Dataset derivado de Fruit Ripeness de Muhammad's Workspace (Roboflow Universe, version 3).