⚓ DenoiseSH v0.5-alpha – Diagnóstico visual de salmones con IA

Interfaz minimalista y ultra intuitiva desarrollada en Streamlit para detectar automáticamente la salud de salmones mediante redes neuronales y clasificación robusta. Versión actualizada con nuevas funcionalidades, mayor eficacia y una mejor experiencia de usuario.

---

🎯 Novedades en la versión 0.5-alpha

• Dashboard optimizado: Nueva estructura con pestañas claras para carga de modelos, exploración, inferencia y evaluación.
• Carga directa de modelos: Ahora puedes subir directamente desde la interfaz tus modelos encoder.keras y classifier.joblib, o incluso en formato ZIP.
• Predicción estocástica mejorada: Hasta 50 iteraciones para predicciones robustas con dropout activo.
• Aumento significativo de accuracy: Ajuste dinámico del umbral de decisión directamente desde la interfaz.
• Evaluación continua: Nuevo loop automático que permite pruebas continuas mostrando métricas en tiempo real.

🔧 Gestión y exportación de modelos

Importante: Los modelos no se exportan directamente desde la app por seguridad y consistencia. Deben ser generados externamente con los siguientes comandos:

• Encoder (Keras):

encoder.save("encoder.keras")

• Clasificador (Scikit-learn):

import joblib
joblib.dump(clasificador, "classifier.joblib")

Coloca estos modelos en la carpeta models/ o súbelos mediante la interfaz para su uso automático.

---

📂 Estructura esperada del dataset

Asegúrate de organizar tus imágenes en la carpeta dataset/ con esta estructura:

dataset/
├── FreshSalmon/
│   ├── img001.png
│   └── ...
├── InfectedSalmon/
│   ├── img123.png
│   └── ...

---

⚙️ Requisitos del sistema

• Python 3.9 o 3.10
• Streamlit ≥ 1.20
• TensorFlow ≥ 2.9
• Joblib, NumPy, Pillow
• GPU compatible con CUDA (opcional, recomendado)

---

🚀 Instrucciones rápidas

1. Crear entorno virtual

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

2. Instalar dependencias

pip install -r requirements.txt

3. Ejecutar aplicación

streamlit run app.py

---

📁 Estructura del proyecto actualizada (v0.5-alpha)

denoiseSalmonHealth/
├── app.py                   # Interfaz Streamlit principal
├── modelsFunction.py        # Lógica y carga de modelos
├── models/                  # Almacén de modelos exportados
├── dataset/                 # Imágenes clasificadas para inferencia
├── requirements.txt         # Dependencias necesarias
└── README.md                # Este archivo

---

⚡ ¿Cómo verificar la GPU?

Si tienes GPU compatible, verifica que TensorFlow la detecte:

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

---

❗ Problemas comunes y soluciones rápidas

• No carga modelos: Asegúrate que encoder.keras y classifier.joblib existan en la carpeta models/.
• Error en predicción: Revisa que las imágenes tengan las dimensiones correctas (250, 600).

---

📊 Resultados obtenidos y mejoras

Con la implementación de la predicción estocástica, ajustes del umbral dinámico y manejo más eficiente de modelos, hemos conseguido aumentar la precisión (accuracy) hasta en un 15% comparado con versiones anteriores.

Esto es especialmente útil en datasets desbalanceados donde la precisión es crítica.

---

❤️ Acerca del proyecto

Creado por Manuel Díaz, estudiante de Ingeniería en Informática en Duoc UC Puerto Montt, entusiasta de la IA y la innovación tecnológica.