Reconstrucción y Clasificación de Imágenes Food-101

Este proyecto se centra en la reconstrucción y clasificación de imágenes alteradas de la base de datos Food-101. Las imágenes han sido modificadas aplicándoles una máscara (pixeles negros) y ruido, para luego ser reconstruidas utilizando autoencoders. Posteriormente, estas imágenes reconstruidas son clasificadas mediante modelos transformer.

Se implementan y evalúan tres configuraciones de modelos para abordar este problema, además de integrar un servidor y una página web sencilla para la predicción interactiva.

---

Modelos Implementados

En este proyecto se prueban tres enfoques principales para el pipeline de reconstrucción y clasificación:

1. Custom:
   • Todo el pipeline se construye manualmente, sin usar modelos preentrenados.
2. Hybrid:
   • El autoencoder se construye de manera manual, pero el transformer utilizado para la clasificación es un modelo preentrenado.
3. Fully Pretrained:
   • Tanto el autoencoder como el transformer son modelos preentrenados.

Los modelos preentrenados utilizados en las combinaciones son:

• Unet con diferentes encoders efficientnet-b0 , resnet50
• Y los siguientes transfomers deit_base_patch16_224, vit_base_patch16_224

---

Experimentación con WandB

Se utiliza Weights & Biases (WandB) para realizar experimentos y registrar métricas automáticamente. Los archivos de configuración en formato JSON (sweep_config_prueba.json y sweep_config.json) definen las combinaciones de parámetros y modelos a evaluar.

Las métricas registradas incluyen:

• Pérdidas (Loss).
• Precisión (Accuracy).
• Reconstrucciones de imágenes.
• Tablas de inferencias para visualizar pruebas.

Además, se utiliza un agente de WandB para lanzar las combinaciones de parámetros y modelos.

---

Servidor y Página Web

El proyecto incluye un servidor y una página web básica para ejecutar predicciones. Estos permiten cargar imágenes, realizar predicciones y mostrar los resultados reconstruidos y clasificados.

• Servidor: Implementado en server/main.py.
• Página Web: Implementada en web/ con un frontend sencillo (index.html, app.js, styles.css).

Ejecuta el servidor y la página web desde bash:

Inicia el servidor web:

/tu/ruta/web$ http-server --index index.html

Inicia el servidor backend:

/tu/ruta/server$ uvicorn server.main:app --reload --host 0.0.0.0 --port 8000

Y conectate a laweb a través de http://127.0.0.1:8080/

---

Entrenamiento

Para entrenar los modelos, se utiliza el script train.py. Antes de ejecutarlo, adapta los parámetros en el archivo de configuración JSON (sweep_config_prueba.json o sweep_config.json) según tus necesidades.

Ejecuta el entrenamiento con:

python3 train.py --config_path "/tu/ruta/archivo_config.json" --project_name "Nombre_del_proyecto"