Clasificador de Entornos

Creación de una IA capaz de recibir una imagen de entrada y clasificarla según su entorno o contexto (por ejemplo, Kitchen, Office, Bedroom, etc.).

Este proyecto entrena diferentes Redes Neuronales Convolucionales (CNN) a partir de modelos preentrenados (ResNet, ResNeXt, RegNet, etc.), y aprovecha Weights & Biases (W&B) para registrar las métricas de entrenamiento de cada modelo.

Descripción General

1. Clases de entornos
   Se entrenó la IA para predecir múltiples ambientes. Los datos se encuentran en la carpeta data, organizada en subdirectorios para entrenamiento y validación.

2. App con Streamlit
   El proyecto incluye una app con Streamlit que, de forma amigable, permite subir una imagen y clasificarla usando cualquiera de los modelos disponibles.

3. Monitoreo con Weights & Biases
   Todos los entrenamientos y sus métricas se reportan a W&B, facilitando la comparación de modelos, arquitecturas, épocas y otros hiperparámetros.

---

🎯 Demo Online

Ya puedes probar nuestra app directamente desde el navegador sin necesidad de clonar ni configurar nada.

📌 Hemos desplegado una demo funcional con un modelo que alcanza aproximadamente 94% de accuracy en validación, entrenado con la arquitectura resnext101_32x8d y 13 capas descongeladas.

🔗 Accede aquí: 👉 https://environments-clasification.streamlit.app

1. Sube una imagen desde tu equipo.
2. Selecciona el modelo preentrenado.
3. Obtén la predicción del entorno (Kitchen, Office, Bedroom, etc.) al instante.

---

Ejecución Local Desde Cero

1. Clona el repositorio

git clone https://github.com/Adarve999/EnvironmentClasification-DeepLearning.git
cd EnvironmentClasification-DeepLearning

2. Crea un entorno virtual e instala las dependencias

conda env create -f env_dev.yaml
conda env activate dl_clasification

3 Entrenamiento o reutilizar modelos guardados en Google Drive

3.a Entrena un modelo

python src/train_model.py

1. Carga pesos preentrenados.
2. Entrena en data/training, validando en data/validation.
3. Reporta métricas a W&B (si lo configuras) y guarda el mejor modelo en models/.

Opciones de entrenamiento

• Learning Rate: Se solicita en consola; por defecto 1e-4.
• Capas descongeladas: También se ingresa en consola; por defecto 0.
• Número de épocas: Si no se ingresa, por defecto 1.

3.b Coger un modelo preentrenado de la carpeta de Google Drive

Debido a que algunos de los modelos entrenados superan el límite de 100 MB impuesto por GitHub, se han subido a una carpeta de Google Drive para facilitar su descarga. Puedes acceder a todos los modelos en el siguiente enlace:

Carpeta de Drive con los modelos

Para utilizarlos:

1. Descarga los archivos .pt necesarios.
2. Colócalos en la carpeta models/ de este repositorio.

4. Lanza la app de clasificación con Streamlit

Una vez entrenado (o descargado) un modelo:

streamlit run src/app_DragAndDrop.py

1. Elige el modelo en el panel lateral.
2. Sube la imagen.
3. Se realiza la clasificación y se muestra la clase predicha.

---

Resultados y Métricas

La siguiente tabla resume algunos resultados de distintos modelos, con sus épocas, tasa de aprendizaje, capas descongeladas y exactitudes (Train y Validación). Estos valores pueden variar según el dataset y la configuración final:

Modelo	Épocas	Learning Rate	Unfrozen Layers	Accuracy (Train)	Accuracy (Validación)
resnet50	50	0,0001	0	80,00%	80,00%
resnet50	30	0,0001	5	86,00%	87,00%
resnext101_32x8d	100	0,0001	0	84,00%	92,00%
resnext101_32x8d	200	0,0001	0	88,00%	92,30%
resnext101_32x8d	30	0,0001	13	93,30%	93,60%
resnext101_64x4d	30	0,0001	9	93,40%	94,20%
regnet_y_32gf	10	0,0001	0	71,00%	73,00%
regnet_y_32gf	10	0,0001	5	86,70%	94,70%
regnet_y_32gf	30	0,0001	7	91,90%	94,40%

A partir de las métricas presentadas en la tabla, se pueden extraer varias conclusiones:

1. Eficacia de ResNeXt y RegNet:
   Los modelos ResNeXt (especialmente con configuraciones 32x8d y 64x4d) y RegNet (en configuraciones con más capas descongeladas) suelen obtener mejores resultados de exactitud, tanto en entrenamiento como en validación, superando en varios puntos porcentuales a ResNet50.

2. Importancia de descongelar capas:
   Al comparar, por ejemplo, el modelo resnet50 con 0 capas descongeladas (80%–80%) frente a resnet50 con 5 capas descongeladas (86%–87%), se observa un aumento significativo en la exactitud. Esto indica que ajustar capas internas (unfreeze) puede permitir al modelo aprender mejor las características específicas del dataset.

3. Mayor número de épocas no siempre significa mayor exactitud:
   En la familia ResNeXt101_32x8d, se ven resultados para 100 y 200 épocas con (casi) la misma validación (~92%), mientras que con apenas 30 épocas y 13 capas descongeladas sube a ~93,6%. Esto sugiere que la calidad del ajuste (qué capas se descongelan y con qué LR) puede ser más determinante que simplemente entrenar más tiempo.

4. Aprendizaje efectivo cuando se combina buena arquitectura + capas descongeladas:
   Modelos como resnext101_64x4d con 9 capas descongeladas logran un 93,4% en training y 94,2% en validación, lo que demuestra la eficacia de descongelar parte de la red y elegir una arquitectura con alta cardinalidad.

5. RegNet mejora significativamente con más capas descongeladas y más épocas:
   Pasar de 0 capas descongeladas (71%–73%) a 5 capas (86,7%–94,7%) o 7 capas (91,9%–94,4%) muestra un salto grande en rendimiento, confirmando que la estrategia de ajuste incide mucho en la exactitud final.

---

Authors

• Rubén Adarve Pérez
• Marta Rodríguez Hebles
• Maria Valvanera Gil de Biedma
• Blanca Sayas Ladaga

Please use this bibtex if you want to cite this repository (main branch) in your publications:

@misc{EnvironmentClasification-DeepLearning,
  author       = {Rubén Adarve Pérez, Marta Rodríguez Hebles, Maria Valvanera Gil de Biedma, Blanca Sayas Ladaga},
  title        = {Deep Learning App: Clasificador de Entornos},
  year         = {2025},
  publisher    = {GitHub},
  journal      = {GitHub repository},
  howpublished = {\url{https://github.com/Adarve999/EnvironmentClasification-DeepLearning}},
}