IABD12/Tarea-Evaluable-SBD-Alejandro

Clasificador de Perros vs Gatos

Este proyecto es una demostración de un modelo de clasificación de imágenes entrenado para distinguir entre perros y gatos. Utiliza redes neuronales convolucionales (CNN) y se integra con Gradio para ofrecer una interfaz web interactiva que permite al usuario subir una imagen y obtener una predicción inmediata.

Objetivo

El objetivo de este proyecto es mostrar cómo se puede aplicar el aprendizaje profundo para resolver una tarea de clasificación binaria de imágenes, una de las aplicaciones más comunes dentro del campo de la visión por computadora.

Dataset

• —Total de imágenes: 37,500
• —Entrenamiento: 25,000 imágenes
• —Prueba: 12,500 imágenes
• —Clases: Perro, Gato
• —Todas las imágenes fueron redimensionadas a 150x150 píxeles y normalizadas antes de ser utilizadas por el modelo.

Modelo

• —Arquitectura: CNN (Convolutional Neural Network)
• —Framework: TensorFlow / Keras
• —Entrenado localmente y guardado como: dogs_vs_cats_cnn.h5
• —El modelo toma una imagen de entrada, la procesa y devuelve una predicción binaria con una etiqueta correspondiente.

Aplicación Web

La interfaz está construida con Gradio, lo que permite:

• —Subir una imagen desde el navegador.
• —Ver el resultado inmediatamente: Perro 🐶 o Gato 🐱.

Cómo usar

Simplemente abre esta Space, sube una imagen (JPG o PNG) de un perro o un gato, y deja que el modelo la clasifique automáticamente.

Resultados

El modelo muestra un alto rendimiento en el conjunto de prueba, lo que demuestra que ha aprendido a generalizar correctamente las diferencias visuales entre perros y gatos.

Tecnologías utilizadas

• —Python
• —TensorFlow / Keras
• —Gradio
• —Hugging Face Spaces

Estructura del repositorio

• —dogsvscats_cnn.h5 # Modelo entrenado
• —app.py # Código de la aplicación Gradio
• —README.md # Este archivo
• —dataset-card.yaml # Tarjeta de descripción del dataset
• —model-card.md # Tarjeta del modelo

Créditos

Este proyecto fue desarrollado como parte de un aprendizaje práctico en visión por computadora y aprendizaje profundo.

¡Gracias por visitar este Space! 🚀