Este repositorio contiene una serie de proyectos desarrollados durante el Máster en Ingeniería Informática (Universidad de Huelva), enfocados en la resolución de problemas de visión por computador mediante arquitecturas avanzadas de Deep Learning.
Se exploran desde redes neuronales densas hasta el uso de Transfer Learning con modelos pre-entrenados de última generación.
Comparativa de diferentes configuraciones de redes neuronales densamente conectadas (MLP).
- Hito: Evaluación del impacto del número de capas y neuronas en la convergencia del modelo.
Implementación de arquitecturas CNN personalizadas para mejorar la extracción de características espaciales.
- Resultado: Se logró romper la barrera del 90% de accuracy, superando ampliamente a las redes densas.
- Modelos: CNN Simple vs. CNN Profunda con múltiples bloques convolucionales.
Uso de modelos pre-entrenados para la clasificación de expresiones faciales (dataset FER-2013).
- Técnicas: Fine-tuning y Extracción de Características utilizando VGGFace.
- Optimización: Implementación de
ImageDataGeneratorpara aumentar la robustez del modelo frente a ruido y falta de datos.
| Modelo | Arquitectura | Accuracy (Test) | Nota Técnica |
|---|---|---|---|
| Red densa (MLP) | 512-256-128 | 89.34% | Límite de redes densas |
| CNN profunda | 3 bloques conv + 256N | 92.87% | Mejor rendimiento propio |
| Transfer Learning | VGGFace (Fine-tuning) | 62.26% | Éxito en dataset ruidoso (FER) |
Nota visual: La arquitectura CNN profunda logró superar la barrera del 90% de precisión, demostrando la superioridad de las capas convolucionales para capturar jerarquías espaciales.
-
Práctica 1 y 2: Se utiliza el dataset Fashion-MNIST, cargado directamente mediante
tensorflow.keras.datasets.
Ejemplos de las 10 categorías de prendas de vestir clasificadas
-
Práctica 3: Se utiliza el dataset FER-2013. Debido a su tamaño, no se incluye en este repositorio. Puedes descargarlo en:
- Python 3 | TensorFlow / Keras | OpenCV * Scikit-learn: Métricas de evaluación (F1-Score, Confusion Matrix).
- Matplotlib / Seaborn: Visualización de resultados.
Puedes explorar cada proyecto individualmente a través de los siguientes enlaces, que contienen el notebook (.ipynb) y la memoria técnica (PDF):
- 📁 01-Fashion-MNIST-MLP: Redes densas y optimización.
- 📁 02-CNN-Deep-Learning: Arquitecturas convolucionales personalizadas.
- 📁 03-Transfer-Learning-VGGFace: Reconocimiento facial avanzado.
Proyectos realizados en la asignatura de Computación Inteligente - Máster en Ingeniería Informática (UHU).