Este proyecto aplica técnicas de Fine Tuning y Data Augmentation para mejorar la clasificación de imágenes utilizando el modelo Xception y el dataset CIFAR-10. El dataset incluye 50,000 imágenes de entrenamiento y 10,000 imágenes de prueba, todas en formato RGB y con una resolución de 32x32 píxeles, distribuidas en 10 clases distintas.
-
Fine Tuning: Se utilizó el modelo Xception preentrenado en ImageNet y se ajustó a las imágenes de CIFAR-10. Esto incluyó la descongelación de las capas superiores del modelo y la reentrenamiento con el nuevo conjunto de datos.
-
Data Augmentation: Se aplicaron técnicas de aumento de datos, como rotaciones, desplazamientos horizontales y verticales, zoom, y espejado horizontal, para incrementar la diversidad del conjunto de datos y mejorar la robustez del modelo.
- Precisión en Entrenamiento: 98.75%
- Precisión en Validación: 92.34%
- Precisión en Prueba: 94.12%
El modelo ajustado con Data Augmentation logró una precisión del 94.12% en la clasificación de imágenes de prueba.
El uso de Fine Tuning y Data Augmentation mejoró significativamente la precisión del modelo en la tarea de clasificación de imágenes, demostrando la efectividad de estas técnicas en escenarios prácticos.
Para más información, puedes contactarme a través de mi perfil de GitHub.