Dataset de imágenes con especies animales del Género Crotalus y del Orden Strigiformes que habitan en Zacatecas, México.

Descripción El dataset siguiente presenta una serie de imágenes en formato JPG, los cuales fueron recopiladas y curadas manualmente a partir de iNaturalist y eBird (Cornell Lab of Ornithology), respetando sus respectivas licencias de uso. Este dataset contiene 21,973 imágenes de especies del orden Strigiformes (Búhos, Lechuza y Tecolotes) y del género Crotalus (Serpientes de Cascabel) presentes en Zacatecas, México. A continuación se muestra un resumen de la cantidad de imagenes: Orden Strigiformes Aegolius acadicus: 1090 Asio flammeus: 1299 Asio otus: 1116 Asio stygius: 1130 Athene cunicularia: 1731 Bubo virginianus: 1198 Glaucidium gnoma: 1645 Megascops kennicottii: 903 Megascops trichopsis: 862 Micrathene whitneyi: 737 Psiloscops flammeolus: 894 Strix virgata: 1273 Strix occidentalis: 1142 Strix sartorii: 148 Tyto furcata: 1263 Género Crotalus Crotalus aquilus: 453 Crotalus atrox: 835 Crotalus basiliscus: 529 Crotalus lepidus: 797 Crotalus molossus: 860 Crotalus polystictus: 200 Crotalus pricei: 450 Crotalus scutulatus: 948 Crotalus willardi,: 470 Aplicación El dataset incluye imágenes en diferentes resoluciones y está organizado por especie. Se presenta un desbalance entre clases, por lo que se recomienda aplicar técnicas de aumento de datos (data augmentation), como rotación, traslación y ruido gaussiano, para mejorar el rendimiento de modelos de aprendizaje profundo. Estas imágenes fueron utilizadas para entrenar un modelo basado en ResNet-50 aplicando fine-tuning. El entrenamiento del modelo se realizó utilizando PyTorch. Todas las imágenes fueron redimensionadas a una resolución de 224 × 224 píxeles, en concordancia con los requisitos de entrada del modelo ResNet-50. El dataset fue dividido de manera aleatoria en un 90% para entrenamiento y 10% para validación. Previo al entrenamiento, se llevó a cabo un proceso de limpieza mediante verificación manual, con el objetivo de asegurar la correcta asignación de etiquetas y la calidad de las imágenes. Adicionalmente, se aplicaron técnicas de aumento de datos (data augmentation) de forma automatizada mediante scripts en Python, incluyendo transformaciones como rotación, traslación y adición de ruido gaussiano, con el fin de mitigar el desbalance entre clases y mejorar la capacidad de generalización del modelo. Resultados El resultado medio del entrenamiento se anexa en la siguiente tabla: Pérdida (Train) Exactitud (Train) Pérdida (Val) Exactitud (Val) Tiempo por epoca 0.3378 88.73% 0.3412 88.88% 5.45 Min Lo anterior se obtuvo con las siguientes hiperpárametros: Optimizer Batch size Epochs Num workers Learning rate Adam 20 32 2 0.001 Mientras que por clase, resultaron los siguientes macros al aplicar una validación curzada de 10 folds: Métrica Porcentaje Macro puntuación F1 91.15% Macro presición 91.19% Macro sensibilidad 91.13%