Seed Detection and Segmentation Notebooks

Este repositorio contiene una colección de cuadernos Jupyter para detección y segmentación de semillas utilizando diferentes modelos de aprendizaje profundo. Los cuadernos están diseñados para ejecutarse en Kaggle con Accelerator GPU T4 x 2, pero también pueden adaptarse a otros entornos.

Contenido

El repositorio incluye los siguientes cuadernos:

1. UNet:

   • UNet - Seeds - Train.py: Cuaderno para entrenar el modelo UNet para segmentación de semillas.
   • UNet - Seeds - Train.py: Cuaderno para realizar inferencia con el modelo UNet entrenado.

2. EffiSegNet:

   • EffiSegNet - Seeds - Train.py: Cuaderno para entrenar el modelo EffiSegNet para segmentación de semillas.
   • EffiSegNet - Seeds - Test.py: Cuaderno para realizar inferencia con el modelo EffiSegNet entrenado.

3. ResUNet:

   • ResUNet - Seeds - Train.py: Cuaderno para entrenar el modelo ResUNet para segmentación de semillas.
   • ResUNet - Seeds - Train.py: Cuaderno para realizar inferencia con el modelo ResUNet entrenado.

4. YOLOv11:

   • Detección de objetos:
     • YOLOv11 - Seeds - Obj Dect - Train.py: Cuaderno para entrenar YOLOv11 para detección de semillas.
     • YOLOv11 - Seeds - Obj Dect - Test.py: Cuaderno para realizar inferencia con YOLOv11 para detección de semillas.
   • Segmentación:
     • YOLOv11 - Seeds - Seg - Train.py: Cuaderno para entrenar YOLOv11 para segmentación de semillas.
     • YOLOv11 - Seeds - Seg - Test.py: Cuaderno para realizar inferencia con YOLOv11 para segmentación de semillas.

Requisitos

Para ejecutar estos cuadernos, se requiere lo siguiente:

• Python 3.10 o superior
• TensorFlow 2.15 o superior
• PyTorch (para YOLOv11)
• OpenCV
• Matplotlib
• NumPy
• Kaggle API
• Roboflow API (para YOLOv11)
• Ultralytics (para YOLOv11)

Cómo usar

Entrenamiento

1. Clona este repositorio en tu máquina local o directamente en Kaggle.
2. Asegúrate de tener configurado tu entorno con las dependencias necesarias.
3. Elige el cuaderno de entrenamiento correspondiente al modelo que deseas usar.
4. Si vas a usar tus propios datos, asegúrate de estructurarlos según lo indicado en la sección "Estructura de datos".
5. Ejecuta el cuaderno de entrenamiento. Los modelos se guardarán automáticamente en la carpeta ./models/.

Inferencia

1. Después de entrenar un modelo o descargar uno preentrenado, usa el cuaderno de inferencia correspondiente.
2. Asegúrate de tener las imágenes de prueba en la carpeta ./datasets/Seeds/Test/images/ (para UNet, EffiSegNet y ResUNet) o en la carpeta correspondiente para YOLOv11.
3. Ejecuta el cuaderno de inferencia para obtener los resultados de detección o segmentación.

Estructura de datos

Los cuadernos esperan que los datos estén organizados en la siguiente estructura:

datasets/
└── Seeds/
    ├── Train/
    │   ├── images/
    │   └── masks/
    ├── Valid/
    │   ├── images/
    │   └── masks/
    └── Test/
        ├── images/
        └── masks/

Para YOLOv11, la estructura es ligeramente diferente y se maneja a través del archivo data.yaml que se genera durante el proceso de descarga del dataset.

Resultados

A continuación se presentan las medidas de rendimiento esperadas para cada modelo en la base de datos de semillas:

Modelo	Variante	Dice Coefficient	Jaccard Index	Sensitivity	Specificity	Precision (P)	Recall (R)	mAP50	mAP50-95
UNet	2c	0.67455	0.60085	0.76881	0.76881	-	-	-	-
UNet	3c	0.59769	0.54479	0.60893	0.91768	-	-	-	-
EffiSegNet	2c	0.82524	0.77986	0.80327	0.97725	-	-	-	-
ResUNet	2c	0.96209	0.93151	0.95886	0.95886	-	-	-	-
ResUNet	3c	0.80689	0.75730	0.79345	0.97511	-	-	-	-
YOLOv11 (Obj Dect)	default	-	-	-	-	0.901	0.903	0.947	0.755
YOLOv11 (Seg)	segmentation	-	-	-	-	0.904	0.891	0.938	0.619

Los cuadernos incluyen visualizaciones de los resultados de entrenamiento y ejemplos de inferencia. Los modelos entrenados se guardan en la carpeta ./models/ y los resultados de evaluación se guardan en la carpeta ./results/.

Contribuciones

¡Las contribuciones son bienvenidas! Si encuentras errores o tienes sugerencias para mejorar estos cuadernos, por favor abre un issue o envía una pull request.

Licencia

Este proyecto está bajo la licencia BSD 2-Clause. Consulta el archivo LICENSE para más información.

---

¡Listo para detectar y segmentar semillas con estos poderosos modelos! 🌱🔍