Opción B — Comando manual:

pip install -r app/requirements.txt
pip install -r notebooks/requirements.txt

3️⃣ Entrenar el modelo (Necesario una sola vez)

Opción A — Desde VSCode:

1. Abre: notebooks/CNN_Animal_Classifier.ipynb
2. Presiona Ctrl+Shift+B → Selecciona 📊 Abrir Notebook de Entrenamiento
3. O ejecuta manualmente: jupyter notebook notebooks/CNN_Animal_Classifier.ipynb

Opción B — Por terminal:

jupyter notebook notebooks/CNN_Animal_Classifier.ipynb

Requisitos previos para el notebook:

• Crear cuenta en Kaggle.com
• Descargar token desde https://www.kaggle.com/settings → API → Create New Token
• Copiar kaggle.json a ~/.kaggle/kaggle.json
• En Windows PowerShell:

  mkdir $env:USERPROFILE\.kaggle -Force
  Copy-Item .\kaggle.json $env:USERPROFILE\.kaggle\
  

4️⃣ Ejecutar la aplicación ✅

Opción A — Desde VSCode (Recomendado):

1. Presiona F5 (o Ctrl+Shift+B → selecciona 🚀 Iniciar Servidor Flask)
2. La aplicación se abrirá en http://localhost:5000

Opción B — Comando manual:

python run.py

Versión de producción:

python run.py --prod

🛠️ Tareas Disponibles en VSCode

Presiona Ctrl+Shift+B para ver todas las tareas:

📋 Arquitectura de la Aplicación

Backend (Flask + TensorFlow)

request.image (FILE)
    ↓
preprocessing_image()           # Redimensiona, normaliza
    ↓
model.predict()                 # MobileNetV2 CNN
    ↓
top-5 predicciones              # Con confianza %
    ↓
response JSON

Frontend (Interfaz Web)

• Drag & Drop para imágenes
• Preview en tiempo real
• Resultados con gráficas de confianza
• Emojis por tipo de animal
• Diseño moderno y responsive

Estructura del Código

app/
├── __init__.py          # create_app() factory
├── config.py            # Configuración centralizada 
├── inference.py         # ModelLoader + predict()
├── routes.py            # Endpoints Flask (@app.route)
└── requirements.txt     # Dependencias

Patrón: Separation of Concerns (SoC) — cada módulo tiene una responsabilidad clara.

🧠 Modelo CNN

Arquitectura

Input (224×224×3)
  └─ MobileNetV2 (ImageNet pre-trained)
       └─ GlobalAveragePooling2D
            └─ BatchNormalization
                 └─ Dense(512, ReLU) + Dropout(0.4)
                      └─ Dense(256, ReLU) + Dropout(0.3)
                           └─ Dense(N_classes, Softmax)

Estrategia de Entrenamiento

1. Fase 1 (Head Training): Congela MobileNetV2, entrena cabecera
2. Fase 2 (Fine-tuning): Descongelamos las últimas 100 capas
3. Early Stopping: Para si no mejora en 10 epochs
4. LR Scheduler: Reduce tasa de aprendizaje automáticamente

Resultados Esperados

• Test Accuracy: ~92-95%
• Top-3 Accuracy: ~98-99%
• Dataset: 10,000+ imágenes de animales

🔗 Endpoints

GET /

Página principal con interfaz de clasificación.

POST /predict

Clasifica una imagen.

Request:

curl -F "image=@foto.jpg" http://localhost:5000/predict

Response:

{
  "success": true,
  "predictions": [
    {
      "class": "cat",
      "confidence": 0.92,
      "percent": "92.3%",
      "rank": 1
    },
    ...
  ],
  "top": { "class": "cat", "confidence": 0.92, ... },
  "image_url": "/static/uploads/abc123.jpg"
}

GET /model-info

Obtiene información del modelo.

📝 Variables de Entorno

Opcionales (en .env o terminal):

FLASK_ENV=development      # o production
FLASK_HOST=0.0.0.0         # Default
FLASK_PORT=5000            # Default

🐛 Troubleshooting

Error: "Modelo no encontrado"

→ Entrena el notebook primero (ver 4️⃣ Ejecutar la aplicación)

Puerto 5000 en uso

python run.py --port 8080

Errores de importación (TensorFlow)

pip install --upgrade tensorflow

Limpiar caché de Python

# Mediante tarea VSCode: 🧹 Limpiar Caché
# O manualmente:
Get-ChildItem -Path . -Include '__pycache__' -Recurse | Remove-Item -Force -Recurse

📚 Dependencias Principales

App

• Flask 3.0.0 — Framework web
• TensorFlow 2.15.0 — Deep learning
• Pillow 10.0.0 — Procesamiento de imágenes

Notebook

• Jupyter — Entorno interactivo
• Kaggle API — Descarga de dataset
• Matplotlib, Seaborn — Visualizaciones
• Scikit-learn — Métricas

💡 Mejoras Implementadas (PRO Level)

✅ Estructura modular — Separación clara en config, inference, routes
✅ Factory pattern — create_app() para testing flexible
✅ Centralización — Todas las rutas y constantes en un lugar
✅ Logging robusto — Información de depuración en app.log
✅ Error handling — Excepciones claras y mensajes útiles
✅ Tasks en VSCode — Ejecutar con F5 sin terminal
✅ .gitignore — Evita subir caché, modelos, datos
✅ Documentación — En código, docstrings, README
✅ Interfaz profesional — CSS moderno, responsive, real-time feedback
✅ API RESTful — Endpoints limpios, response JSON consistente

🎯 Próximos Pasos

1. ✅ Ejecutar python run.py y abrir http://localhost:5000
2. ✅ Entrenar modelo con el notebook
3. ✅ Clasificar imágenes en la web
4. ✅ (Opcional) Deployer en Hugging Face Spaces o AWS

📩 Soporte

Si hay errores, revisa app.log para detalles.

type app.log

🐾 Happy Classifying!

Animal Vision — Classification CNNs Made Simple 🎯 <clase_1>/ img001.jpg img002.jpg ... <clase_2>/ ...

---

## ⚙️ Variables de configuración (notebook)

| Variable | Default | Descripción |
|----------|---------|-------------|
| `IMG_SIZE` | `(224, 224)` | Tamaño de entrada |
| `BATCH_SIZE` | `32` | Tamaño de lote |
| `EPOCHS` | `30` | Épocas máximas fase 2 |
| `FINE_TUNE_AT` | `100` | Capa desde la que se hace fine-tuning |

---

## 🗂️ Archivos generados

| Archivo | Descripción |
|---------|-------------|
| `models/best_model.h5` | Pesos del mejor modelo |
| `models/animal_cnn_savedmodel/` | Formato SavedModel (TF Serving) |
| `models/classes.json` | Mapeo índice → nombre de clase |
| `models/model_metadata.json` | Métricas y configuración |
| `models/training_curves.png` | Loss / Accuracy / Top-3 |
| `models/confusion_matrix.png` | Matriz de confusión |
| `models/prediction_errors.png` | Ejemplos de errores |
| `models/dataset_samples.png` | Muestras visuales del dataset |