Update README.md

README.md

@@ -1,13 +1,94 @@
----
-title: FruitClassifier
-emoji: 🚀
-colorFrom: gray
-colorTo: yellow
-sdk: gradio
-sdk_version: 5.27.1
-app_file: app.py
-pinned: false
-short_description: Fruits clasiffier
----
-
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Clasificador de Frutas con CNN (Keras/TensorFlow)
+
+Este repositorio contiene un clasificador de frutas basado en una red neuronal convolucional (CNN) entrenada desde cero utilizando Keras/TensorFlow. El modelo ha sido entrenado con un conjunto de datos de imágenes de frutas (manzanas, naranjas, plátanos, etc.) y está disponible públicamente en Hugging Face Model Hub.
+
+## Descripción del Proyecto
+
+El objetivo de este proyecto es crear un modelo de aprendizaje automático capaz de clasificar imágenes de frutas en diferentes categorías, utilizando técnicas de procesamiento de imágenes y redes neuronales convolucionales (CNN). El modelo fue entrenado con un conjunto de imágenes de frutas y se almacenó en Hugging Face para su acceso y uso posterior.
+
+## Pasos del Proyecto
+
+### 1. Recolección y Preparación del Dataset
+
+#### **Dataset:**
+El conjunto de datos utilizado en este proyecto fue generado manualmente. El dataset consiste en imágenes de frutas (manzanas, naranjas y plátanos), con una cantidad limitada de imágenes (aproximadamente 8-9 imágenes por fruta para entrenamiento y 3 imágenes por fruta para validación). Las imágenes fueron recortadas y redimensionadas para ser de tamaño 150x150 píxeles.
+
+#### **Estructura del Dataset:**
+Las imágenes se organizaron en dos carpetas principales:
+- **training**: Contiene las imágenes de entrenamiento organizadas por categorías (manzanas, naranjas, plátanos).
+- **validation**: Contiene las imágenes de validación organizadas de manera similar.
+
+El dataset fue subido a Hugging Face Datasets para facilitar su acceso y compartirlo públicamente.
+
+### 2. Creación del Modelo
+
+Se utilizó una red neuronal convolucional (CNN) para la clasificación de las imágenes. La arquitectura del modelo es simple, pero eficiente, y está diseñada para tareas de clasificación de imágenes.
+
+#### **Arquitectura del Modelo:**
+El modelo consta de varias capas convolucionales y de agrupamiento (pooling) para extraer características de las imágenes. A continuación se muestra la arquitectura:
+
+- **Capa 1:** Convolución 2D (32 filtros, tamaño 3x3), seguida de MaxPooling 2D.
+- **Capa 2:** Convolución 2D (64 filtros, tamaño 3x3), seguida de MaxPooling 2D.
+- **Capa 3:** Convolución 2D (128 filtros, tamaño 3x3), seguida de MaxPooling 2D.
+- **Capa 4:** Convolución 2D (256 filtros, tamaño 3x3), seguida de MaxPooling 2D.
+- **Capa de Aplanado (Flatten):** Convierte las salidas 2D en un vector 1D.
+- **Capa Densa:** Capa densa de 256 neuronas con activación ReLU.
+- **Capa de Salida:** Capa densa con tantas neuronas como clases de frutas (3 clases en este caso: manzana, naranja, plátano), usando activación softmax.
+
+#### **Compilación del Modelo:**
+El modelo fue compilado utilizando el optimizador **SGD** (Stochastic Gradient Descent) con una tasa de aprendizaje de 0.003 y momentum de 0.9. La función de pérdida utilizada es **categorical_crossentropy**, adecuada para tareas de clasificación multiclase.
+
+#### **Regularización:**
+Se utilizó **Dropout** en la capa densa para reducir el riesgo de sobreajuste (overfitting) durante el entrenamiento.
+
+### 3. Entrenamiento del Modelo
+
+El modelo fue entrenado durante 100 épocas con un tamaño de batch de 8 imágenes. Se aplicó un proceso de **data augmentation** (aumento de datos) durante el entrenamiento, lo cual permite mejorar la generalización del modelo al generar variaciones en las imágenes de entrenamiento (rotaciones, cambios de brillo, desplazamientos, etc.).
+
+Durante el proceso de entrenamiento, se utilizó la técnica de **early stopping** para evitar el sobreajuste, deteniendo el entrenamiento si la pérdida de validación no mejoraba durante 7 épocas consecutivas.
+
+### 4. Guardado y Carga del Modelo
+
+Una vez entrenado, el modelo se guardó como un archivo `.h5` para ser utilizado posteriormente. Además, el modelo fue cargado a Hugging Face Model Hub para compartirlo con la comunidad.
+
+#### **Archivo Guardado:**
+El modelo se guardó como `modelo_frutas_transfer.keras` en el repositorio de Hugging Face.
+
+### 5. Creación de la Demo en Hugging Face Spaces
+
+Para crear una interfaz pública para interactuar con el modelo, se utilizó **Gradio**. Gradio es una biblioteca de Python que permite crear interfaces de usuario interactivas con facilidad.
+
+#### **Interfaz Gradio:**
+La demo permite cargar una imagen de fruta y el modelo devuelve la clasificación de la fruta (manzana, naranja o plátano). La interfaz se implementó de la siguiente manera:
+
+```python
+import gradio as gr
+import tensorflow as tf
+from tensorflow.keras.models import load_model
+from tensorflow.keras.preprocessing import image
+import numpy as np
+
+# Cargar el modelo
+model = load_model('https://huggingface.co/imanolcb/basicFruitClassifier/resolve/main/modelo_frutas_transfer.keras')
+
+# Función para la predicción
+def predict(img):
+    img = image.load_img(img, target_size=(150, 150))
+    img_array = image.img_to_array(img) / 255.0  # Normalización
+    img_array = np.expand_dims(img_array, axis=0)  # Cambiar la forma para predicción
+    prediction = model.predict(img_array)
+    class_names = ['manzana', 'naranja', 'platano']  # Modificar con tus clases
+    predicted_class = class_names[np.argmax(prediction)]
+    return predicted_class
+
+# Interfaz de Gradio
+iface = gr.Interface(fn=predict, 
+                     inputs=gr.Image(type="filepath"), 
+                     outputs=gr.Text(),
+                     live=True, 
+                     title="Clasificador de Frutas",
+                     description="Cargar una imagen de fruta para clasificarla.")
+
+# Iniciar la interfaz
+iface.launch()
+