README.md

metadata

title: Proyecto Agro
emoji: 🏃
colorFrom: blue
colorTo: yellow
sdk: gradio
sdk_version: 5.49.1
app_file: app.py
pinned: false
short_description: probar hacer proyecto

Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

Clasificador de Variedades de Manzanas (MVP Agro)

Descripción

Este Proyecto Mínimo Viable (MVP) aborda el desafío de clasificar variedades de manzanas a partir de una imagen. Utilizando técnicas de visión por computadora con IA Generativa, la aplicación permite a los usuarios obtener una identificación estimada de la variedad de manzana en una foto, junto con un indicador de la confianza de la predicción.

El público objetivo incluye a productores, consumidores y técnicos del sector agropecuario. Para aquellos sin experiencia previa en la identificación de variedades, la aplicación sirve como una herramienta de ayuda y aprendizaje. Para usuarios con conocimientos, ofrece una segunda opinión para validar o comparar sus propias estimaciones.

El flujo de uso es sencillo: el usuario carga una foto de una manzana en la interfaz web, la aplicación procesa la imagen, detecta la fruta principal, la clasifica, y muestra la variedad estimada y su nivel de confianza.

Demo

Puedes acceder a la aplicación desplegada públicamente en Hugging Face Spaces a través del siguiente enlace: https://huggingface.co/spaces/martn37/proyecto_agro

[Opcional: un video demo corto, enlace]

Funcionalidades

• Carga de imágenes de frutas a través de una interfaz web intuitiva.
• Determinación en forma automática de la fruta principal en la imagen utilizando un modelo de IA.
• Resaltado visual de la fruta detectada con un recuadro en la imagen original.
• Clasificación de la variedad de la fruta utilizando un modelo de visión por computadora.
• Mostrar los resultados de la clasificación (variedad estimada y su nivel de confianza).

Stack Tecnológico

• Framework de Interfaz: Gradio
• Modelos de IA:
  • Detección de Objetos: facebook/detr-resnet-50 (Modelo pre-entrenado de Hugging Face)
  • Clasificación de Imágenes: apple/mobilevit-small (Modelo pre-entrenado de Hugging Face)
• Librerías principales:
  • gradio: Para la interfaz de usuario.
  • Pillow (PIL): Procesamiento básico de imágenes.
  • numpy: Operaciones numéricas.
  • transformers: Carga y uso de modelos de Hugging Face.
  • torch: Backend de deep learning (requerido por los modelos).
  • timm: Librería de modelos de visión (requerida por DETRConvEncoder).

Instalación y Uso Local

Prerrequisitos

• Python 3.12 (versión utilizada en el entorno de desarrollo)
• Git

Instrucciones instalación

Clonar el repositorio desde GitHub:

Clonar el repositorio: git clone https://github.com/martinm5267/proyecto_agro_intartif.git

Navegar al directorio donde se va a guardar el proyecto, por ejemplo: 

cd proyecto_agro_intartif 

Crear y activar entorno virtual:

python -m venv venv, source venv/bin/activate (Linux/macOS) venv\Scripts\activate (Windows)

Estos son los comandos estándar para crear y activar un entorno virtual con venv en Python, cubriendo los diferentes sistemas operativos.

Instalar dependencias:

pip install -r requirements.txt Este es el comando estándar para instalar todas las librerías listadas en requirements.txt.

Ejecutar la aplicación: python app.py

Este es el comando estándar para ejecutar un script Python llamado app.py.

Ideas para Posibles Mejoras Futuras:

## Clasificación de Múltiples Frutas: Modificar la lógica para clasificar todas las frutas relevantes en una imagen, no solo la de mayor área.

## Soporte para Otras Frutas o Cultivos: Ampliar el alcance clasificar diferentes tipos de frutas (peras, naranjas, etc.) o incluso pasar a la clasificación de problemas en otros cultivos (hoja, plagas). Esto requeriría modelos entrenados en esos nuevos datos.

## Clasificación por Madurez o Calidad: En lugar de (o además de) la variedad, clasificar la fruta por su estado de madurez (verde, pintón, maduro) o calidad (con/sin defectos). Esto necesitaría un modelo entrenado específicamente para esas clases.

## Análisis de Defectos: Clasificar problemas específicos en la superficie de la fruta (manchas, golpes, signos de plagas). Esto podría usar técnicas para identificación de objetos o segmentación.

## Integración con Base de Conocimiento (RAG simple): Basado en la variedad o el estado, consultar una pequeña base de datos o documentos (usando RAG) para proporcionar información adicional relevante (ej: descripción de la variedad, usos recomendados, condiciones de almacenamiento, tratamientos básicos si se encuentra un problema).

## Interfaz de Chat Multimodal: Permitir al usuario subir la imagen y escribir texto para dar contexto (ej: "Esta es una manzana de mi árbol, tiene estas manchas, ¿qué podría ser?"). Esto requeriría un Vision LLM o combinar el análisis visual con un LLM.

## Historial de Consultas: Permitir a los usuarios (quizás con un sistema de autenticación simple) guardar un historial de las imágenes que han subido y los resultados obtenidos.
## Geolocalización y Contexto Climático: Si fuera relevante, integrar información de la ubicación o el clima reciente para contextualizar el diagnóstico o la recomendación.

## Mejora de la Interfaz de Usuario: Pulir la interfaz de Gradio o considerar migrar a Streamlit si se necesitan layouts más complejos, múltiples páginas o visualizaciones de datos.
 
## Optimización del Modelo: Explorar técnicas para hacer la inferencia más rápida, cuantización del modelo, usar modelos más ligeros especialmente.