Upload creacion_modelo.py

creacion_modelo.py

@@ -0,0 +1,79 @@
+import os
+from tensorflow.keras.preprocessing import image
+import numpy as np
+from sklearn.model_selection import train_test_split
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
+from tensorflow.keras.optimizers import Adam
+
+# Ruta donde están las imágenes
+dataset_path = 'train'  # Cambia esta ruta a tu directorio 'train'
+
+# Función para cargar y etiquetar las imágenes
+def load_images(dataset_path):
+    images = []
+    labels = []
+    
+    # Iterar sobre todos los archivos en el directorio 'train'
+    for filename in os.listdir(dataset_path):
+        img_path = os.path.join(dataset_path, filename)
+        
+        # Verificar si el archivo es una imagen (y tiene extensión .jpg, .jpeg, .png)
+        if filename.lower().endswith(('jpg', 'jpeg', 'png')):  
+            # Cargar y redimensionar la imagen
+            img = image.load_img(img_path, target_size=(150, 150))  # Redimensionar a 150x150
+            img_array = image.img_to_array(img) / 255.0  # Normalizar la imagen (dividir entre 255)
+            images.append(img_array)
+            
+            # Etiquetar según el nombre del archivo
+            if 'cat' in filename.lower():
+                labels.append(0)  # Gato (0)
+            elif 'dog' in filename.lower():
+                labels.append(1)  # Perro (1)
+    
+    # Convertir las listas a arrays numpy
+    images = np.array(images)
+    labels = np.array(labels)
+    return images, labels
+
+# Cargar las imágenes y las etiquetas
+images, labels = load_images(dataset_path)
+
+# Dividir el dataset en entrenamiento y validación (80% entrenamiento, 20% validación)
+X_train, X_val, y_train, y_val = train_test_split(images, labels, test_size=0.2, random_state=42)
+
+# Verifica el tamaño de los datos
+print(f"Tamaño del conjunto de entrenamiento: {X_train.shape}")
+print(f"Tamaño del conjunto de validación: {X_val.shape}")
+
+# Crear el modelo CNN
+model = Sequential([
+    # Capa convolucional 1
+    Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
+    MaxPooling2D(2, 2),
+
+    # Capa convolucional 2
+    Conv2D(64, (3, 3), activation='relu'),
+    MaxPooling2D(2, 2),
+
+    # Capa convolucional 3
+    Conv2D(128, (3, 3), activation='relu'),
+    MaxPooling2D(2, 2),
+
+    # Aplanar las salidas para conectarlas a una capa densa
+    Flatten(),
+    
+    # Capa densa (fully connected)
+    Dense(512, activation='relu'),
+    Dropout(0.5),           # Dropout para evitar sobreajuste
+    Dense(1, activation='sigmoid')  # Salida binaria: gato o perro
+])
+
+# Compilar el modelo
+model.compile(optimizer=Adam(), loss='binary_crossentropy', metrics=['accuracy'])
+
+# Entrenar el modelo
+model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val))
+
+# Guardar el modelo entrenado
+model.save('dogs_vs_cats_cnn.h5')