Proyecto de Tesis : Aplicación de técnicas de pre-procesamiento en bases de conocimientos de la condición corporal de la vaca 🐄

Códigos del Proyecto de tesis donde se irán almacenando diferentes algoritmos en diferentes Jupyter-Notebook con un correcto versionado pudiendo asi lograr mantener la integridad de los mismos a la hora de su futura comparación

Nota : esto quiere decir que a pesar de que el algoritmo no funcione del todo bien y se necesite mejorar, se procederá a crear una nueva version del mismo (logrando asi su futura comparación)

🌳 Estructura

├───.vscode
├───db        # database BCS
├───OUTPUT    # output de los algoritmos
│
├───doc       # documentación de esos algoritmos
│
├───code      # algoritmos
│
├───lib       # requirements correspondientes a cada algoritmo

• cada uno de esos algoritmops ubicados en ./code/ podrá poseer su correspondiente documentacion dentro de ./doc/

Requisitos

• Verifica las versiones de las librerías necesarias en requirements.txt.

• Propiedades de la máquina para su ejecución:

  • Sistema operativo: Compatible con Windows, macOS y Linux.
  • Python: Versión 3.x (recomendado Python 3.8 o superior).
  • Espacio en disco: Suficiente para almacenar los datos y resultados del proyecto.
  • Memoria RAM: Recomendado al menos 8 GB para una ejecución fluida.
  • Procesador: Se recomienda un procesador de múltiples núcleos (quad-core o superior) para un mejor rendimiento en el procesamiento de datos y entrenamiento de modelos.

• Conexión a Internet:

  • Se requiere una conexión a Internet estable para la instalación de dependencias y la ejecución de algoritmos que requieren acceso a servicios en línea o almacenamiento en la nube.
  • Para el uso de Google Drive u otros servicios en la nube, asegúrate de tener una conexión de alta velocidad para evitar interrupciones durante la descarga o carga de datos.
  • Para ejecutar en Google Colab, asegúrate de tener una cuenta de Google y acceso a Google Drive para almacenar y acceder a los datos.

• Software adicional:

  • Gestor de entornos virtuales: Opcional, pero recomendado para gestionar dependencias:

    • Anaconda o Miniconda (incluye paquetes preinstalados).
    • virtualenv (incluido en Python 3.3+).

  • Herramientas de desarrollo:

    • Editor de código: Recomendado usar un editor compatible como Visual Studio Code, PyCharm, o Jupyter Notebook.
    • Sistema de control de versiones: Git para clonar el repositorio y gestionar el versionado del código.

• Hardware recomendado:

  • GPU (opcional): Para entrenamiento de modelos de machine learning, se recomienda una GPU compatible con CUDA si se trabaja con PyTorch.

💻 Ejecución Local

Nota: en caso de usar visual-studio-code se podrá los perfiles-de-desarrollo

Instalación

Clonar y navega al repositorio:

git clone https://github.com/albertolicea00/tesis.git

cd tesis

Crea un entorno virtual (opcional)

Usando virtualenv :

python -m venv venv

o usando conda :

conda create --venv

Activa el entorno virtual (optional)

Usando virtualenv :

• Mac / Linux : source venv/bin/activate

• WSL : source venv/Scripts/activate

• Windows : venv\Scripts\activate

o usando conda :

• Mac / Linux / WSL : conda activate venv

• Windows : activate venv

Instala dependencias

en local :

pip install -r requirements.txt

en remoto :

!pip install -r requirements.txt

Recordatorio

• No ejecutar la (primera o segunda) celda de cada algoritmo (que puede representar la conexión a googleDrivel, no presente en todos los casos)

from google.colab import drive
drive.mount('/content/drive')

• Asegurarse del valor de la variable de la ubicación-BASE ; ver NOTAS de ejecución y otros recordatorios

☁️ Ejecución en Google Colab

Instalación

Publicar el repositorio:

Instala dependencias

Google Colab ya tiene la mayoría de estas librerías preinstaladas, pero puedes asegurarte ejecutando los siguientes comandos:

!pip install [nombre de los paquetes en requirements.txt]

Directorio de trabajo:

El código está diseñado para trabajar con Google Drive. Asegúrate de tener los archivos de imágenes en la carpeta especificada en Google Drive: ver Recordatorio

Recordatorio

• La primera celda de cada algoritmo puede servir exclusivamente como hack de GoogleColab para que este te brinde mas recursos en su maquina virtual den caso de ser necesario

while True: sum(i*i for i in iter(int, 1))

• Recuerda incluir en la primera celda para cada algoritmo:

# permisos para acceder a googleDrive
from google.colab import drive
drive.mount('/content/drive')

• Asegurarse del valor de la variable de la ubicación-BASE ; ver NOTAS de ejecución

drive_folder = 'drive/MyDrive/...'

NOTAS de ejecución

Ya sea en en local como en una maquina remota; asegúrate de tener las variables de ubicación a la base de datos correctamente seteadas:

import os
drive_folder = ''  # ubicación-BASE

# Definición de la base de datos
data_folder = drive_folder + 'db/data/'
image_folder = drive_folder + 'db/images/cow/'
shape_folder = drive_folder + 'db/images/shape/'

# si no da error es que se cargaron bien
files = os.listdir(image_folder)

• en caso de que la ubicación sea remota en googleDrive drive_folder = 'drive/MyDrive/...'
• en caso de que la ubicación sea local en tu Maquina drive_folder = ''

⚙️ Tecnologías

ver todas las librerias utilizadas para este proyecto en requirements.txt con python v3.09+

Biblioteca de machine learning

• PyTorch as torch : Framework de aprendizaje profundo para construir y entrenar modelos de machine learning.
  • torchvision : Biblioteca para visión por computadora que incluye datasets, transformaciones y modelos preentrenados.
  • torchvision-transforms : Herramientas para realizar transformaciones de imágenes.

Procesamiento de imagenes

• OpenCV as cv2 : Biblioteca para el procesamiento de imágenes y visión por computadora.
• Pillow as PIL : Biblioteca para la manipulación de imágenes en Python.

Procesamiento y visualización de datos

• numpy as np : Biblioteca para cálculos numéricos y manejo de arreglos multidimensionales.
• Matplotlib as plt : Biblioteca para crear visualizaciones estáticas, animadas e interactivas en Python.
• SciPy as scipy : Biblioteca que proporciona herramientas adicionales para cálculo científico y análisis numérico.
• pandas as pd : Biblioteca para la manipulación y análisis de datos estructurados en Python.