Proyecto de formación

Detector de enfermedades de lechuga

Lechugas sanas, maleza y seis enfermedades, y una evaluación que no esconde las clases pequeñas

Un clasificador de imágenes con MobileNetV2 que distingue lechugas sanas, maleza y seis enfermedades, pensado para SmartPot, con una evaluación que muestra dónde falla.

La matriz de confusión real del modelo junto a sus métricas, con 97,9 % de exactitud, 65,7 % de recall promedio por clase y el recall de cada una de las ocho clases.

De qué se trata

La quinta guía de Visión por computador e Inteligencia Artificial pedía un clasificador de imágenes. Lo hice sobre el dataset Lettuce Diseases de Kaggle, porque SmartPot cultiva lechuga en hidroponía y un modelo así puede avisar cuando una hoja enferma.

El modelo parte de MobileNetV2 preentrenado y entrena una cabeza nueva para las ocho clases. El repositorio guarda el historial de entrenamiento, la matriz de confusión, el reporte por clase y las métricas de evaluación.

Qué hace

MobileNetV2 con transferencia de aprendizaje sobre el dataset Lettuce Diseases de Kaggle, con ocho clases.
Exactitud de 97,9 % sobre 2.337 imágenes de prueba, con la matriz de confusión y el reporte por clase guardados en el repositorio.
El recall promedio por clase es 65,7 %, porque las seis enfermedades tienen entre 6 y 30 imágenes de prueba y el modelo acierta entre un tercio y dos tercios de ellas.
Un paquete de Python con scripts de entrenamiento, evaluación y predicción, configuración con uv y pruebas de la configuración y del dataset.
Exporta el modelo y sus artefactos para conectarlo después a los cultivos de SmartPot.

Decisiones y sus costos

Transferencia de aprendizaje en vez de una red desde cero
Algunas enfermedades tienen pocas imágenes, y una red entrenada desde cero no tenía de dónde aprender sus rasgos.
MobileNetV2 ya trae filtros entrenados en millones de fotos y es lo bastante liviana para pensar en correrla cerca del cultivo; el modelo solo entrena una cabeza nueva para las ocho clases.
Reportar el recall por clase junto a la exactitud
La exactitud de 97,9 % la sostienen las dos clases grandes, con más de 1.100 imágenes cada una.
El reporte por clase deja a la vista que con las enfermedades el modelo todavía se equivoca a menudo, que es lo que importa para un cultivo.

Repositorios

Cada repositorio público del proyecto, con lo que contiene.

2026
ComputerVisionIAEngineeringSebastian-s
Visión por computador en cinco guías, sobre convoluciones y color, un modelo de visión detrás de una API, agrupamiento de radar Sentinel-1, aprendizaje profundo y detección de enfermedades en lechuga.
Python, Jupyter

Detector de enfermedades de lechuga

De qué se trata

Qué hace

Decisiones y sus costos

Transferencia de aprendizaje en vez de una red desde cero

Reportar el recall por clase junto a la exactitud

Repositorios

Stack

Dónde se hizo

Más proyectos de Ingeniería Informática

De qué se trata

Qué hace

Decisiones y sus costos

Transferencia de aprendizaje en vez de una red desde cero

Reportar el recall por clase junto a la exactitud

Repositorios

Stack

Relacionado

Dónde se hizo

Más proyectos de Ingeniería Informática