CNN Image Classification on Multi-Resolution Vegetable Dataset

Resumen del proyecto

Una comparación académica de arquitecturas convolucionales, resoluciones de imagen y aumento de datos para clasificar verduras.

Un estudio de clasificación de imágenes de verduras que compara diseños de redes convolucionales con dos resoluciones de imagen y distintas opciones de aumento de datos. Combina reparación del conjunto de datos, preprocesamiento repetible y evaluación de resultados experimentales históricos.

Dentro de esta creación

• Comparé 11 clases de verduras con entradas en escala de grises de 23×23 y 101×101, con y sin aumento de datos.
• Corregí nombres de directorios de validación y prueba e imágenes de zanahorias mal ubicadas mediante herramientas con modo de simulación.
• Exploré familias CNN Sequential, Functional, residual, de tipo Inception y con convoluciones separables en profundidad.
• Documenté una búsqueda histórica Sequential con exactitud de validación de 0.908 y una ejecución independiente con aproximadamente 94.2% de exactitud de prueba; los resultados no establecen una arquitectura ganadora universal.
• Añadí 13 pruebas para Python 3.11 y 3.12, con una cobertura amplia del 48%.
• Registré los tamaños de las particiones y los artefactos de reproducibilidad faltantes, incluidos pesos del modelo y comparaciones con múltiples semillas.

Código fuente y enlaces