Carlos012/dataset_papas

Dataset de tubérculos de papas

Descripción

Este conjunto de datos contiene imágenes de tubérculos de papa chaucha y papa chola para tareas de clasificación automática de calidad mediante visión por computadora. Combina imágenes obtenidas de repositorios abiertos de internet bajo licencia CC BY 4.0 con imágenes capturadas localmente en en un entorno controlado.

La versión recomendada para entrenamiento es papas_v2_hibrido, que contiene 36 000 imágenes balanceadas en dos clases:

Clase	Cantidad	Descripción
Buen estado	18 000	Tubérculos de papa sin defectos visibles.
Defectuoso	18 000	Tubérculos de papa cortadas, con brotes o con signos de pudrición visibles.
Total	36 000	Imágenes listas para clasificación binaria.

Objetivo

Este conjunto de datos está diseñado para entrenar y evaluar modelos de clasificación binaria capaces de identificar si una papa se encuentra en buen estado o presenta defectos. Puede utilizarse con modelos convolucionales, Vision Transformers (ViT) u otras arquitecturas de clasificación de imágenes.

Estructura

El repositorio está organizado en dos directorios principales:

Directorio	Contenido
crudo/	Imágenes originales, sin transformación previa, separadas por fuente de origen.
preprocesado/	Imágenes etiquetadas, limpiadas, renombradas, balanceadas, redimensionadas o divididas para entrenamiento.

Dentro de preprocesado/ existen subconjuntos por origen y versión:

Ruta	Descripción
preprocesado/internet/	Imágenes provenientes de repositorios abiertos.
preprocesado/local/	Imágenes capturadas localmente.
preprocesado/hibrido/papas_v1_hibrido/	Primera versión híbrida sin balancear.
preprocesado/hibrido/papas_v2_hibrido/	Versión híbrida balanceada.

Versión recomendada

La carpeta preprocesado/hibrido/papas_v2_hibrido/ contiene la versión final del conjunto híbrido:

preprocesado/hibrido/papas_v2_hibrido/
├── completo/
│   ├── Buen estado/
│   └── Defectuoso/
└── dividido/
    ├── train/
    ├── val/
    └── test/

La carpeta completo/ contiene todas las imágenes agrupadas por clase. La carpeta dividido/ contiene particiones listas para entrenamiento, validación y prueba.

División de datos

La división se realizó de forma estratificada para conservar el balance entre clases:

Partición	Buen estado	Defectuoso	Total	Porcentaje
Entrenamiento	11 520	11 520	23 040	64 %
Validación	2 880	2 880	5 760	16 %
Prueba	3 600	3 600	7 200	20 %
Total	18 000	18 000	36 000	100 %

Uso con PyTorch

Cargar el conjunto completo

Este ejemplo carga todas las imágenes de papas_v2_hibrido/completo/. Es útil si se desea crear una división propia.

from torch.utils.data import DataLoader
from torchvision import datasets, transforms

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

dataset = datasets.ImageFolder(
    root="preprocesado/hibrido/papas_v2_hibrido/completo",
    transform=transform,
)

loader = DataLoader(dataset, batch_size=32, shuffle=True)

print(dataset.class_to_idx)
print(f"Total de imágenes: {len(dataset)}")

Cargar entrenamiento, validación y prueba

Este ejemplo utiliza la división ya preparada del conjunto de datos.

from torch.utils.data import DataLoader
from torchvision import datasets, transforms

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

train_dataset = datasets.ImageFolder(
    root="preprocesado/hibrido/papas_v2_hibrido/dividido/train",
    transform=transform,
)
val_dataset = datasets.ImageFolder(
    root="preprocesado/hibrido/papas_v2_hibrido/dividido/val",
    transform=transform,
)
test_dataset = datasets.ImageFolder(
    root="preprocesado/hibrido/papas_v2_hibrido/dividido/test",
    transform=transform,
)

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

print(train_dataset.class_to_idx)
print(len(train_dataset), len(val_dataset), len(test_dataset))

Métricas recomendadas

Para evaluar modelos entrenados con este conjunto de datos se recomienda reportar:

• Exactitud.
• Precisión.
• Recall.
• F1-score.
• Matriz de confusión.
• Coeficiente de correlación de Matthews (MCC), especialmente si se trabaja con variantes no balanceadas.

Recomendaciones de uso

• Usar papas_v2_hibrido/dividido/ cuando se necesite una comparación reproducible entre modelos.
• Usar papas_v2_hibrido/completo/ si se requiere aplicar una estrategia distinta de particionado o validación cruzada.
• Mantener las particiones de entrenamiento, validación y prueba separadas durante todo el flujo experimental.
• Aplicar las mismas transformaciones de preprocesamiento durante entrenamiento e inferencia.
• Validar el modelo con imágenes tomadas en condiciones reales de iluminación, fondo y distancia antes de utilizarlo en un entorno real.