Proyecto de IA

Clasificación de animales mediante inteligencia artificial.

Descripción general

El Proyecto de IA está enfocado en clasificar animales por grupos usando aprendizaje profundo. El sistema trabaja con imágenes organizadas por categorías y un modelo entrenable para reconocer patrones visuales.

Lógica del sistema

La lógica general consiste en preparar un dataset, organizar imágenes en carpetas de entrenamiento y validación, entrenar un modelo de clasificación y luego usar una función de predicción para identificar a qué grupo pertenece una imagen nueva.

Tecnologías utilizadas

Python como lenguaje principal del proyecto.
TensorFlow y Keras para la creación, entrenamiento y evaluación del modelo de inteligencia artificial.
MobileNetV2 como arquitectura base para aplicar transferencia de aprendizaje.
NumPy y librerías auxiliares para el manejo de datos.
PIL o herramientas equivalentes para el procesamiento de imágenes.
Dataset organizado en carpetas por clase para el entrenamiento del modelo.
Entorno virtual de Python para administrar las dependencias.
Sistema operativo Linux como entorno principal de desarrollo.
GPU NVIDIA opcional para acelerar el proceso de entrenamiento.

Requisitos previos

Python instalado en el sistema.
pip actualizado para instalar dependencias.
Entorno virtual de Python recomendado.
TensorFlow instalado correctamente.
Dataset de imágenes organizado por categorías o clases.
Espacio suficiente en disco para almacenar imágenes, modelos y resultados de entrenamiento.
GPU NVIDIA compatible, opcional, para mejorar el rendimiento durante el entrenamiento.

Disponibilidad del proyecto

Este proyecto fue desarrollado de forma local en un entorno Linux, por lo que actualmente no cuenta con un repositorio público en GitHub. Los archivos del sistema, scripts de entrenamiento, modelos generados y dataset fueron manejados directamente desde el equipo de desarrollo.

Guía de instalación paso a paso

Crear una carpeta local para el proyecto:

mkdir ProyectoIA
                cd ProyectoIA

Crear un entorno virtual de Python:
```
python3 -m venv .venv
```
Activar el entorno virtual en Linux:
```
source .venv/bin/activate
```
Actualizar pip:
```
pip install --upgrade pip
```
Instalar las librerías principales del proyecto:
```
pip install tensorflow numpy pillow matplotlib
```

Organizar el dataset en carpetas separadas por clase. Por ejemplo:

data/
                ├── train/
                │   ├── mamiferos/
                │   ├── aves/
                │   ├── reptiles/
                │   ├── anfibios/
                │   ├── peces/
                │   ├── insectos/
                │   ├── aranas/
                │   └── moluscos/
                └── val/
                    ├── mamiferos/
                    ├── aves/
                    ├── reptiles/
                    ├── anfibios/
                    ├── peces/
                    ├── insectos/
                    ├── aranas/
                    └── moluscos/

Verificar que las rutas del dataset coincidan con las rutas configuradas en los scripts del proyecto.
Ejecutar el script de entrenamiento del modelo:
```
python train.py
```
Guardar el modelo entrenado para utilizarlo posteriormente en predicciones:
```
modelo_animales.h5
```
Ejecutar el script de predicción con una imagen de prueba:
```
python predict_image.py
```

Comandos de instalación o ejecución

# Crear carpeta del proyecto
                mkdir ProyectoIA
                cd ProyectoIA

                # Crear entorno virtual
                python3 -m venv .venv

                # Activar entorno virtual en Linux
                source .venv/bin/activate

                # Actualizar pip
                pip install --upgrade pip

                # Instalar dependencias principales
                pip install tensorflow numpy pillow matplotlib

                # Ejecutar entrenamiento
                python train.py

                # Ejecutar predicción
                python predict_image.py

Configuración importante

Antes de ejecutar el entrenamiento, se debe revisar la ruta del dataset, los nombres de las clases, el tamaño de imagen esperado por el modelo y la ubicación donde se guardará el modelo entrenado. También es importante verificar que TensorFlow reconozca correctamente la GPU si se desea acelerar el entrenamiento.

En este proyecto, el dataset fue organizado en categorías generales de animales, permitiendo que el modelo aprendiera a clasificar imágenes en grupos como mamíferos, aves, reptiles, anfibios, peces, insectos, arañas y moluscos.

Conclusión técnica

Este proyecto demuestra conocimientos de inteligencia artificial aplicada, aprendizaje profundo, procesamiento de imágenes y organización de datasets. Además, refleja el uso de Python, TensorFlow y Keras para construir un modelo capaz de clasificar animales a partir de imágenes, aplicando conceptos como transferencia de aprendizaje, entrenamiento supervisado y evaluación de modelos.

Aviso

Debido a que el proyecto fue desarrollado y probado en un entorno local de Linux, actualmente no se encuentra publicado en GitHub. Sin embargo, su implementación incluyó scripts de entrenamiento, organización de dataset, pruebas de predicción y generación de un modelo entrenado.

Volver a proyectos Volver al inicio