README.md

---
language: es
tags:
- PyTorch
- EfficientNetV2
- regression
- body-fat-estimation
- DEXA
- k-fold
- optuna
- hyperparameter-optimization
base_model: torchvision/efficientnet_v2_s
---

# EfficientNetV2-S + Optuna — Estimador de Grasa Corporal

## Descripción del modelo

Modelo basado en **EfficientNetV2-S** (pretrained en ImageNet) con la cabeza clasificadora
reemplazada por un regresor MLP para estimar el porcentaje de grasa corporal total (WBFP)
a partir de una fotografía frontal del torso.

Los hiperparámetros (lr, weight_decay, dropout) se optimizaron con **Optuna** usando 3-Fold CV
y 25 trials. La evaluación final se realizó con **10-Fold Cross-Validation**.

---

## Resultados (10-Fold CV)

| Métrica | Media ± Std |
|---------|-------------|
| SEE     | 3.866 ± 0.724 |
| Pearson | 0.842 ± 0.073 |
| MAE     | 3.003 ± 0.375 |

Mejor fold: 8 | SEE: 2.8911

---

## Mejores hiperparámetros (Optuna)

| Parámetro    | Valor |
|--------------|-------|
| Learning Rate | 0.000165 |
| Weight Decay  | 0.000881 |
| Dropout       | 0.123 |

---

## Proceso de entrenamiento

| Parámetro | Valor |
|-----------|-------|
| Base model | EfficientNetV2-S (torchvision) |
| Dataset | MasterMIARFID/peoplebf_dexa |
| Optimizador | AdamW |
| Loss | SmoothL1Loss |
| Scheduler | CosineAnnealingLR |
| Tuning | Optuna (25 trials, 3-Fold CV) |
| K-Fold Final | 10 |
| Epochs | 50 |
| Patience | 10 |
| Batch Size | 8 |

---

## Transformaciones de imagen

### Entrenamiento
```
Resize(224, 224)
RandomHorizontalFlip(p=0.5)
RandomRotation(10)
RandomAffine(degrees=0, translate=(0.05, 0.05))
ColorJitter(brightness=0.1, contrast=0.1)
ToTensor()
Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
```

### Validación/Inferencia
```
Resize(224, 224)
ToTensor()
Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
```

---

## Cómo cargar y usar el modelo

```python
import torch
import torch.nn as nn
import torchvision.models as models
import torchvision.transforms as T
from PIL import Image

def create_efficientnet_regressor(dropout=0.123):
    model = models.efficientnet_v2_s(weights=None)
    in_features = model.classifier[1].in_features
    model.classifier = nn.Sequential(
        nn.Dropout(p=dropout),
        nn.Linear(in_features, 256),
        nn.ReLU(),
        nn.Dropout(p=dropout / 2),
        nn.Linear(256, 1)
    )
    return model

transform = T.Compose([
    T.Resize((224, 224)),
    T.ToTensor(),
    T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

model = create_efficientnet_regressor()
model.load_state_dict(torch.load('efficientnet_optuna_bodyfat_regressor.pth', weights_only=True))
model.eval()

img = Image.open('foto_torso_frente.jpg').convert('RGB')
x = transform(img).unsqueeze(0)

with torch.no_grad():
    wbfp = model(x).item()

print(f'WBFP estimado: {wbfp:.2f} %')
```

---

## Tipo de imagen esperada

El modelo espera **imágenes frontales del torso** (vista de frente, cuerpo centrado,
sin ropa o con ropa ajustada). Las imágenes son RGB estándar.