inGeniia/chest-xrays_xrays-evaluation_cnn-cls

---
language:
- es
license: cc-by-4.0
task_categories:
- image-classification
- object-detection
tags:
- medical
- x-ray
- radiografia
- biology
- yolo11
- cnn
- curso-ingeniia
size_categories:
- 1K<n<10K
dataset_info:
features:
- name: image
dtype: image
- name: label
dtype:
class_label:
names:
'0': Anomaly
'1': Normal
configs:
- config_name: default
data_files:
- split: train
path: data/train/**
- split: validation
path: data/validation/**
- split: test
path: data/test/**
---

# 🩻 Chest X-Ray: Detección de Anomalías

Dataset de imágenes de radiografías de tórax procesadas para tareas de clasificación binaria (Normal vs Anomalía). Este dataset forma parte del curso de **Deep Learning** de **inGeniia**, utilizado para enseñar Redes Convolucionales (CNN) y Transfer Learning con modelos como YOLO11 (modo clasificación).

## 🖼️ Descripción del Dataset

Las imágenes han sido extraídas originalmente de Kaggle y procesadas con técnicas de **Data Augmentation** para mejorar la robustez de los modelos educativos.

* **Clases:**
* `Normal`: Radiografías sin patologías evidentes.
* `Anomaly`: Radiografías con presencia de anomalías (ej. neumonía, nódulos, etc., agrupados en una sola clase positiva).

## 📂 Estructura y Splits

El dataset ya viene organizado en carpetas compatibles con `torchvision.datasets.ImageFolder` y el formato de clasificación de YOLO:

* **Train:** Para entrenamiento del modelo.
* **Validation:** Para ajuste de hiperparámetros (extraído del split 'val' de YOLO).
* **Test:** Dataset de evaluación independiente (Benchmark) para medir el rendimiento final.

## 🛠️ Cómo usarlo

### Con Hugging Face `datasets`

```python
from datasets import load_dataset

dataset = load_dataset("inGeniia.co/chest-xray-classification")

# Ver una imagen de ejemplo
print(dataset["train"][0])