Phenology/Code/Supervised_learning/README_ResNet50.md

ResNet50 Transfer Learning para Nocciola - Documentación

🚀 Implementación Completa de ResNet50

Este proyecto implementa transfer learning con ResNet50 para clasificación de fases fenológicas de nocciola, basado en la estructura exitosa de MobileNetV1.py pero optimizado específicamente para ResNet50.

📁 Estructura de Archivos

Code/Supervised_learning/
├── ResNET.py                  # Script principal ResNet50 ✅ NUEVO
├── train_resnet50.py         # Script facilitado de entrenamiento ✅ NUEVO
├── MobileNetV1.py            # Script MobileNetV2 (referencia exitosa)
└── README_ResNet50.md        # Esta documentación ✅ NUEVO

🔧 Características Específicas de ResNet50

Arquitectura Optimizada:

# Modelo base ResNet50
base_model = ResNet50(
    weights='imagenet',
    include_top=False,
    input_shape=(224, 224, 3)
)

# Capas personalizadas optimizadas para ResNet50
model = Sequential([
    base_model,
    GlobalAveragePooling2D(),
    BatchNormalization(),        # ✅ Importante para ResNet50
    Dropout(0.5),               # ✅ Dropout más alto
    Dense(256, activation='relu'), # ✅ Más neuronas
    BatchNormalization(),
    Dropout(0.3),
    Dense(num_classes, activation='softmax')
])

Optimizaciones Específicas:

1. Learning Rate Conservador:

   • Inicial: 5e-4 (vs 1e-3 en MobileNet)
   • Fine-tuning: 1e-6 (muy bajo para estabilidad)

2. Data Augmentation Reducido:

   • Rotación: 15° (vs 20° en MobileNet)
   • Shifts/Zoom: 0.08 (vs 0.1 en MobileNet)
   • Más conservador para evitar overfitting

3. Fine-tuning Selectivo:

   • Solo últimas capas residuales (conv5_x)
   • Punto de corte: capa 140 (de 175 total)
   • Preserva features básicas, adapta características específicas

4. Callbacks Adaptados:

   • Paciencia EarlyStopping: 10 (vs 7 en MobileNet)
   • Más épocas de fine-tuning: 15 (vs 10)
   • Factor ReduceLR: 0.3 (más agresivo)

📊 Comparación ResNet50 vs MobileNetV2

Característica	ResNet50	MobileNetV2
Parámetros	~25M	~3.4M
Memoria	Alta	Baja
Velocidad	Lenta	Rápida
Precisión	Alta	Media-Alta
Overfitting	Más propenso	Menos propenso
Dataset ideal	Grande/Complejo	Pequeño/Mediano

🎯 Casos de Uso Recomendados

Usar ResNet50 cuando:

• ✅ Dataset tiene suficientes muestras (>1000)
• ✅ Patrones complejos en imágenes
• ✅ Precisión es más importante que velocidad
• ✅ Hardware robusto disponible
• ✅ Investigación/análisis detallado

Usar MobileNetV2 cuando:

• ✅ Dataset pequeño (<500 muestras)
• ✅ Velocidad es importante
• ✅ Recursos limitados
• ✅ Producción/móvil
• ✅ Prototipado rápido

🚀 Ejecución

Opción 1: Script Facilitado (Recomendado)

# Entrenar solo ResNet50
python train_resnet50.py --model resnet50 --epochs 25

# Comparar ambos modelos
python train_resnet50.py --model both --epochs 20

# Ver comparación detallada
python train_resnet50.py --compare

Opción 2: Ejecución Directa

# ResNet50 básico
python ResNET.py --epochs 25 --force_split

# ResNet50 con dataset específico
python ResNET.py --csv_path "assignments.csv" --epochs 30

Parámetros Disponibles:

• --csv_path: Ruta al CSV (default: assignments.csv)
• --images_dir: Directorio de imágenes
• --output_dir: Directorio de resultados (default: results_resnet50_faseV)
• --epochs: Épocas de entrenamiento (default: 25)
• --force_split: Recrear división de datos

📈 Proceso de Entrenamiento ResNet50

Fase 1: Entrenamiento Inicial

1. Base model congelado (ImageNet weights)
2. Solo entrenar capas personalizadas
3. Learning rate conservador (5e-4)
4. Callbacks con paciencia aumentada

Fase 2: Fine-tuning Selectivo

5. Descongelar solo conv5_x layers (últimas capas residuales)
6. Learning rate muy bajo (1e-6)
7. 15 épocas adicionales
8. Monitoreo estricto de overfitting

Evaluación Robusta:

9. Manejo automático de clases desbalanceadas
10. Métricas específicas para ResNet50
11. Visualizaciones diferenciadas

📂 Resultados Generados

Modelos:

• best_resnet50_model.keras: Mejor modelo durante entrenamiento
• final_resnet50_model.keras: Modelo final completo

Reportes:

• classification_report.txt: Reporte detallado con marcador ResNet50
• confusion_matrix.csv: Matriz numérica

Visualizaciones:

• resnet50_training_history.png: Gráficos de entrenamiento
• resnet50_confusion_matrix.png: Matriz visual
• resnet50_prediction_examples.png: Ejemplos de predicciones

Data Splits:

• train_split.csv, val_split.csv, test_split.csv
• class_indices.json: Mapeo de clases

⚙️ Configuración Técnica

Requisitos del Sistema:

• RAM: Mínimo 8GB (recomendado 16GB)
• GPU: Opcional pero muy recomendada
• Espacio: ~3GB para resultados completos

Dependencias:

tensorflow>=2.8.0
scikit-learn
pandas
numpy
matplotlib
seaborn

Configuración Interna:

IMG_SIZE = (224, 224)    # Estándar ImageNet
BATCH_SIZE = 16          # Reducido para ResNet50
SPLIT = {'train': 0.7, 'val': 0.15, 'test': 0.15}

🔍 Diferencias Implementadas vs MobileNet

1. Arquitectura:

• BatchNormalization adicional
• Dropout más agresivo (0.5 vs 0.3)
• Dense layer mayor (256 vs 128)

2. Entrenamiento:

• Learning rates más conservadores
• Fine-tuning más selectivo
• Más épocas de fine-tuning

3. Data Augmentation:

• Rotaciones menores (15° vs 20°)
• Shifts reducidos (0.08 vs 0.1)
• Menos agresivo para ResNet50

4. Callbacks:

• Paciencia aumentada (10 vs 7)
• Factor ReduceLR más agresivo (0.3 vs 0.2)
• Monitoreo específico para ResNet

5. Outputs:

• Nombres diferenciados (resnet50_*)
• Reportes marcados con modelo
• Métricas específicas

🎯 Recomendaciones de Uso

Para Dataset Nocciola Actual:

Dado que el dataset es relativamente pequeño (~500 muestras):

1. Primera opción: MobileNetV2 (más adecuado)
2. Segunda opción: ResNet50 con regularización fuerte
3. Comparación: Entrenar ambos y comparar resultados

Comando Recomendado:

# Comparar ambos modelos con pocas épocas
python train_resnet50.py --model both --epochs 15

# Analizar resultados y elegir el mejor

🚨 Solución de Problemas

Overfitting en ResNet50:

• Reducir épocas de entrenamiento
• Aumentar dropout
• Usar dataset filtrado
• Más data augmentation

Underfitting:

• Aumentar épocas
• Reducir regularización
• Learning rate más alto
• Descongelar más capas

Problemas de memoria:

• Reducir BATCH_SIZE a 8 o 4
• Usar gradient checkpointing
• Cerrar otras aplicaciones

📊 Interpretación de Resultados

Métricas Esperadas:

• ResNet50: Mayor precision, posible overfitting
• MobileNetV2: Más generalizable, menos overfitting

Comparación Visual:

• Training curves más suaves en MobileNet
• Posible gap train/val en ResNet50
• Matriz de confusión similar o mejor en ResNet50

Decisión Final:

Elegir modelo basado en:

1. Accuracy en test set
2. Diferencia train/validation
3. Requisitos de producción
4. Interpretabilidad de errores

---

🎉 ¡ResNet50 Implementado Exitosamente!

El modelo ResNet50 está completamente implementado usando la misma estructura robusta que MobileNetV1.py, con optimizaciones específicas para ResNet50 y manejo automático de clases desbalanceadas.

Para comenzar: python train_resnet50.py --model resnet50 --epochs 20