🐄 Inteligencia Artificial para el análisis del descanso de las vacas 🐄

Este proyecto incluye el código utilizado para entrenar un modelo de clasificación basado en redes neuronales, que identifica el estado de una cama entre las siguientes opciones:

• Cama vacía.
• Vaca acostada.
• Vaca de pie.

Además, se incluye el código con las funciones para cargar el modelo y utilizarlo en un entorno productivo, generando predicciones a partir de imagenes originales y guardando los resultados en un archivo CSV.

---

📁 Estructura del Proyecto

1. docs 📂

• Contiene reportes generados durante las diferentes fases del proyecto, utilizando el marco de trabajo CRISP-DM.
• Subcarpetas:
  • CRISP-DM: Reportes detallados de cada fase del proyecto.
  • Manuales: Guías y manuales desarrollados.
  • Data Security: Politicas y planes.
  • Plans and report: Planes de entrega y de monitoreo del correcto funcionamiento del modelo y nuestro reporte final.
• Nota: Los documentos deben descargarse para acceder a los hipervínculos.

---

2. miscellaneous 🛠️

• Contiene las carpetas con los scripts utilizados para:
  • deploy-architecture: Se utilizo para realizar la prueba de arquitectura y confirmar que nuestra solucion funcionara en el entorno de CAETEC.
  • data_analysis: Scripts utilizados para analizar los resultados generados, en entorno real.
  • codes: Script para el split de nuestro dataset.
  • Logos: Logo utilizado para nuestro proyecto de TC.

---

3. deployment 🚀

• Archivos necesarios para importar y utilizar el modelo en un entorno productivo.
• Se encuentra la carpeta de bed-classifer contiene las subcarpetas de:
  • bed_classifer: Se encuentra la arquitectura para la CNN y sus funciones para correr dicha arquitectura.
  • dist: Paquetes para descargar nuestros archivos con el comando pip install.
  • test: Pruebas para saber que los paquetes funcionan correctamente.
• Link del repositorio para la UI disponible aquí.
• Nota: El archivo con los pesos del modelo entrenado no está incluido por limitaciones de tamaño.

---

4. training 🏋️‍♂️

• Archivos necesarios para entrenar el modelo.
• Incluye:
  • SimpleCNN.py:Se encuentra la arquitectura para la CNN.
  • TestModel.ipynb: Nos da nuestra matriz de confusion para saber el desepeño de nuestro modelo.
  • Training.py: Es el script que entrena nuestro modelo de CNN.
• Nota: Las imágenes utilizadas para el entrenamiento no están incluidas debido a limitaciones de almacenamiento.

---

5. final-model 🏆

• Los pesos del modelo final se encuentran disponibles aquí.

---