Add Dataset preparation utilities

utils/fix_dataset_structure.py

@@ -0,0 +1,161 @@
+#!/usr/bin/env python3
+"""
+Script simplificado de entrenamiento YOLOv8 clasificación
+"""
+
+import torch
+from ultralytics import YOLO
+import os
+
+def main():
+    print("🚀 ENTRENAMIENTO YOLO CLASIFICACIÓN")
+    print("=" * 50)
+    
+    # Verificar CUDA
+    device = 'cuda' if torch.cuda.is_available() else 'cpu'
+    print(f"💻 Dispositivo: {device}")
+    print(f"🎯 Objetivo: >90% precisión")
+    
+    # Dataset path
+    dataset_path = "/home/leonel/sistema_polinizador/Dataset/Classification_YOLO"
+    
+    if not os.path.exists(dataset_path):
+        print(f"❌ Dataset no encontrado: {dataset_path}")
+        print("💡 Ejecuta primero: python fix_structure.py")
+        return
+    
+    # Configuraciones de entrenamiento
+    configs = [
+        {
+            "name": "nano_quick",
+            "model": "yolov8n-cls.pt",
+            "epochs": 30,
+            "imgsz": 224,
+            "batch": 32
+        },
+        {
+            "name": "small_balanced", 
+            "model": "yolov8s-cls.pt",
+            "epochs": 60,
+            "imgsz": 256,
+            "batch": 16
+        },
+        {
+            "name": "medium_accurate",
+            "model": "yolov8m-cls.pt", 
+            "epochs": 100,
+            "imgsz": 320,
+            "batch": 8
+        }
+    ]
+    
+    best_accuracy = 0
+    best_model = None
+    
+    for i, config in enumerate(configs, 1):
+        print(f"\n{i}️⃣ MODELO: {config['name']}")
+        print("=" * 40)
+        
+        try:
+            # Cargar modelo
+            model = YOLO(config["model"])
+            print(f"📥 Modelo cargado: {config['model']}")
+            
+            # Entrenar
+            print(f"⏰ Iniciando entrenamiento...")
+            results = model.train(
+                data=dataset_path,
+                epochs=config["epochs"],
+                imgsz=config["imgsz"],
+                batch=config["batch"],
+                device=device,
+                project="pollinator_final",
+                name=config["name"],
+                patience=20,
+                save=True,
+                verbose=False,
+                plots=True
+            )
+            
+            # Evaluar
+            print(f"📊 Evaluando en test set...")
+            test_results = model.val(split='test')
+            accuracy = float(test_results.top1) * 100
+            
+            print(f"✅ Entrenamiento completado")
+            print(f"🎯 Precisión: {accuracy:.2f}%")
+            
+            if accuracy > best_accuracy:
+                best_accuracy = accuracy
+                best_model = f"pollinator_final/{config['name']}/weights/best.pt"
+            
+            # Verificar objetivo
+            if accuracy >= 90:
+                print(f"🎉 ¡OBJETIVO ALCANZADO! {accuracy:.2f}% ≥ 90%")
+                break
+            else:
+                print(f"⚠️  Faltan {90-accuracy:.2f}% para objetivo")
+                
+        except Exception as e:
+            print(f"❌ Error: {e}")
+            continue
+    
+    # Resultados finales
+    print(f"\n" + "=" * 50)
+    print("📊 RESULTADOS FINALES")
+    print("=" * 50)
+    print(f"🏆 Mejor precisión: {best_accuracy:.2f}%")
+    
+    if best_accuracy >= 90:
+        print(f"✅ OBJETIVO ALCANZADO!")
+    else:
+        print(f"❌ Objetivo no alcanzado")
+        print(f"💡 Recomendación: Entrenar modelo YOLOv8l o YOLOv8x")
+    
+    if best_model:
+        print(f"📁 Mejor modelo: {best_model}")
+        
+        # Crear script de predicción simple
+        pred_script = f'''#!/usr/bin/env python3
+from ultralytics import YOLO
+
+# Cargar modelo entrenado
+model = YOLO('{best_model}')
+
+# Función para clasificar
+def classify_insect(image_path):
+    results = model(image_path, verbose=False)
+    probs = results[0].probs
+    
+    classes = [
+        'Acmaeodera Flavomarginata', 'Acromyrmex Octospinosus', 
+        'Adelpha Basiloides', 'Adelpha Iphicleola', 'Aedes Aegypti',
+        'Agrius Cingulata', 'Anaea Aidea', 'Anartia fatima',
+        'Anartia jatrophae', 'Anoplolepis Gracilipes'
+    ]
+    
+    top_class = classes[probs.top1]
+    confidence = probs.top1conf.item() * 100
+    
+    print(f"🔍 Predicción: {{top_class}}")
+    print(f"📊 Confianza: {{confidence:.1f}}%")
+    
+    return top_class, confidence
+
+# Ejemplo de uso
+if __name__ == "__main__":
+    image_path = input("Ruta de imagen: ")
+    if image_path:
+        classify_insect(image_path)
+'''
+        
+        with open('predict_final.py', 'w') as f:
+            f.write(pred_script)
+        
+        print(f"✅ Script de predicción: predict_final.py")
+    
+    return best_accuracy
+
+if __name__ == "__main__":
+    final_accuracy = main()
+    print(f"\n🎯 Entrenamiento completado. Precisión final: {final_accuracy:.2f}%")