Aplicación de redes neuronales convolucionales para el reconocimiento de imágenes: comparación de modelos de Deep Learning

Resumen

El aprendizaje profundo (deep learning) ha revolucionado múltiples sectores con aplicaciones como coches autónomos, asistentes virtuales, detección de fraudes y apoyo en cirugías, mejorando la calidad de vida y la seguridad. Este subcampo del aprendizaje automático se basa en redes neuronales artificiales inspiradas en el cerebro humano, capaces de aprender patrones complejos mediante redes profundas con múltiples capas. En este trabajo se aplicaron redes neuronales convolucionales (CNN) para reconocimiento de imágenes de 158 participantes de un curso, utilizando Python y TensorFlow. Se dividieron las imágenes en carpetas de entrenamiento y prueba, y se evaluaron cuatro modelos: uno básico, uno profundo, otro con capas de Dropout para reducir sobreajuste, y uno con BatchNormalization para estabilizar el entrenamiento. El modelo profundo obtuvo la mayor precisión (99.37 %), mostrando su superioridad frente a los demás. El modelo con Dropout también fue efectivo, aunque ligeramente menos preciso, mientras que el modelo con BatchNormalization mostró bajo rendimiento, indicando la necesidad de ajustes. En conclusión, la complejidad adicional del modelo profundo permitió mejores resultados en clasificación de imágenes. La elección del modelo más adecuado depende de las necesidades, la disponibilidad de datos y los recursos computacionales, destacando la importancia de una adecuada configuración para optimizar el desempeño.